Revista de medicina deportiva y estudios de dopaje

Congreso de Acuicultura 2020: Predicción de indicadores ambientales en la nivelación de tierras utilizando técnicas de inteligencia artificial - Isham Alzoub - Universidad de Teherán

Abstract

Isham Alzoub

Abstracto:La nivelación de terrenos es uno de los pasos más importantes en la preparación y el cultivo del suelo. Aunque la nivelación de terrenos con máquinas requiere una cantidad considerable de energía, proporciona una pendiente superficial adecuada con un deterioro mínimo del suelo y daños a las plantas y otros organismos en el suelo. No obstante, los investigadores durante los últimos años han tratado de reducir el consumo de combustibles fósiles y sus efectos secundarios nocivos utilizando nuevas técnicas como; Redes neuronales artificiales (ANN), Algoritmo competitivo imperialista -ANN (ICA-ANN), y regresión y sistema de inferencia neuro-difusa adaptativa (ANFIS) y análisis de sensibilidad que conducirán a una mejora notable en el medio ambiente. En esta investigación se investigaron los efectos de varias propiedades del suelo como el volumen del terraplén, el factor de compresibilidad del suelo, la gravedad específica, el contenido de humedad, la pendiente, el porcentaje de arena y el índice de hinchamiento del suelo en el consumo de energía. El estudio consistió en 90 muestras recolectadas de 3 regiones diferentes. El tamaño de la cuadrícula se estableció en 20 m en 20 m (20*20) de una tierra de cultivo en la provincia de Karaj en Irán. El objetivo de este trabajo fue determinar el mejor modelo lineal Sistema de inferencia neurodifusa adaptativa (ANFIS) y análisis de sensibilidad para predecir el consumo de energía para la nivelación de la tierra. Según los resultados del análisis de sensibilidad, solo tres parámetros; densidad, factor de compresibilidad del suelo e índice de volumen del terraplén tuvieron un efecto significativo en el consumo de combustible. Según los resultados de la regresión, solo tres parámetros; pendiente, volumen de corte-relleno (V) e índice de hinchamiento del suelo (SSI) tuvieron un efecto significativo en el consumo de energía. El uso del sistema de inferencia neurodifusa adaptativa para la predicción de la energía de la mano de obra, la energía del combustible, el costo total de la maquinaria y la energía total de la maquinaria se puede demostrar con éxito. En comparación con ANN, todos los modelos ICA-ANN tuvieron mayor precisión en la predicción de acuerdo con su valor R2 más alto y su valor RMSE más bajo. Se evaluó el desempeño del modelo ICA-ANN multivariado y de regresión y red neuronal artificial y análisis de sensibilidad y sistema de inferencia neuro-difusa adaptativa (ANFIS) mediante el uso del índice estadístico (RMSE, R2). Los valores de RMSE y R2 derivados por el modelo ICA-ANN fueron, para Energía Laboral (0.0146 y 0.9987), Energía Combustible (0.0322 y 0.9975), Costo Total de Maquinaria (0.0248 y 0.9963), Energía Total de Maquinaria (0.0161 y 0.9987) respectivamente, mientras que estos parámetros para el modelo de regresión multivariante fueron, para Energía Laboral (0.1394 y 0.9008), Energía Combustible (0.1514 y 0.8913), Costo Total de Maquinaria (TMC) (0.1492 y 0.9128), Energía Total de Maquinaria (0.1378 y 0.9103). Respectivamente, mientras que estos parámetros para el modelo ANN fueron, para Energía Laboral (0.0159 y 0.9990), Energía Combustible (0.0206 y 0.9983), Costo Total de Maquinaria (TMC) (0.1492 y 0.9128), Energía Total de Maquinaria (0.1378 y 0.9103). Costo de Maquinaria (0.0287 y 0.9966), Energía Total de Maquinaria (0.0157 y 0.9990) respectivamente, mientras que estos parámetros para el modelo de análisis de Sensibilidad fueron, Energía Laboral (0.1899 y 0.8631), Energía Combustible (0.8562 y 0.0206), Costo Total de Maquinaria (0.1946 y 0.8581),Energía Total de Maquinaria (0.1892 y 0.8437) respectivamente, respectivamente, mientras que estos parámetros para el modelo ANFIS fueron, Energía Laboral (0.0159 y 0.9990), Energía de Combustible (0.0206 y 0.9983), Costo Total de Maquinaria (0.0287 y 0.9966), Energía Total de Maquinaria (0.0157 y 0.9990) respectivamente, los resultados mostraron que ICA_ANN con siete neuronas en la capa oculta tuvo mejor desempeño.

Métodos

Las nuevas técnicas como ANN, ICA, GWO–ANN, PSO–ANN, análisis de sensibilidad, regresión y ANFIS que se utilizan para optimizar el consumo de energía conducirán a una mejora notable en el medio ambiente. En esta investigación, se investigaron los efectos de varias propiedades del suelo, como el volumen del terraplén, el factor de compresibilidad del suelo, la gravedad específica, el contenido de humedad, la pendiente, el porcentaje de arena y el índice de hinchamiento del suelo en el consumo de energía. El estudio consistió en 350 muestras que se recolectaron de 175 regiones en dos profundidades. El tamaño de la cuadrícula se estableció en 20 m × 20 m de una tierra agrícola de 70 ha en la provincia de Karaj en Irán.

Resultados

Se extrajo el modelo que revela la relación entre los parámetros del terreno y los indicadores de energía. Como se esperaba, tres parámetros; densidad, factor de compresibilidad del suelo e índice de volumen del terraplén tuvieron un efecto significativo en el consumo de combustible. En comparación con ANN, todos los modelos ICA-ANN tuvieron mayor precisión en la predicción de acuerdo con su valor R2 más alto y valor RMSE más bajo. Los factores estadísticos de RMSE y R2 ilustran la superioridad de ICA-ANN sobre otros métodos con valores de aproximadamente 0,02 y 0,99, respectivamente. Los resultados también revelaron la superioridad de las técnicas integradas sobre otros métodos para la predicción de problemas complicados como la estimación de energía de nivelación de terrenos.

Conclusión

Se extrajeron los resultados y se realizó un análisis estadístico, y se determinó el RMSE así como el coeficiente de determinación, R2, de los modelos como criterio para comparar los modelos seleccionados. De acuerdo con los resultados, se eligieron las estructuras de red MLP 10-8-3-1, 10-8-2-5-1, 10-5-8-10-1 y 10-6-4-1 como los mejores arreglos y se entrenaron utilizando Levenberg-Marquardt como NTF. La integración de ANN y el algoritmo competitivo imperialista (ICA-ANN) tuvo el mejor desempeño en la predicción de parámetros de salida, es decir, indicadores de energía.