Revista de tecnología y procesamiento de alimentos

Abstracto

Predicción de indicadores ambientales en la nivelación de terrenos mediante técnicas de inteligencia artificial

Isham Alzoub

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) utilizando el 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.