Revista de Processamento e Tecnologia de Alimentos

Abstrato

Previsão de indicadores ambientais em nivelamentos utilizando técnicas de inteligência artificial

Isham Alzoub

O nivelamento do terreno é uma das etapas mais importantes na preparação e cultivo do solo. Embora o nivelamento do terreno com máquinas exija uma quantidade considerável de energia, proporciona uma inclinação superficial adequada com uma deterioração mínima do solo e danos nas plantas e outros organismos no solo. Não obstante, os investigadores durante os últimos anos têm tentado reduzir o consumo de combustíveis fósseis e os seus efeitos secundários deletérios utilizando novas técnicas como; Rede Neural Artificial (RNA), Algoritmo Competitivo Imperialista –ANN (ICA-ANN), e regressão e Sistema de Inferência Neuro-Fuzzy Adaptativo (ANFIS) e Análise de Sensibilidade que conduzirão a uma melhoria notável do ambiente. Nesta investigação foram investigados os efeitos de várias propriedades do solo, como o volume de aterro, o fator de compressibilidade do solo, a gravidade específica, o teor de humidade, a declividade, a percentagem de areia e o índice de inchamento do solo no consumo energético. O estudo foi constituído por 90 amostras recolhidas de 3 regiões diferentes. O tamanho da grelha foi definido em 20 m por 20 m (20*20) de uma quinta na província de Karaj, no Irão. O objetivo deste trabalho foi determinar o melhor modelo linear de Sistema Adaptativo de Inferência Neuro-Fuzzy (ANFIS) e Análise de Sensibilidade para prever o consumo energético para o nivelamento de terrenos. De acordo com os resultados da Análise de Sensibilidade, apenas três parâmetros; A Densidade, o Factor de Compressibilidade do Solo e o Índice de Volume de Aterro tiveram um efeito significativo no consumo de combustível. De acordo com os resultados da regressão, apenas três parâmetros; A inclinação, o volume de corte e aterro (V) e o índice de expansão do solo (SSI) tiveram um efeito significativo no consumo energético. a utilização de sistema de inferência neuro-fuzzy adaptativo para previsão de energia de trabalho, energia de combustível, custo total de máquinas e energia total de máquinas pode ser demonstrada com sucesso. Em comparação com a RNA, todos os modelos ICA-ANN apresentaram maior precisão na previsão de acordo com o seu maior valor de R2 e menor valor de RMSE. O desempenho do modelo ICA-ANN multivariado e de regressão e rede neural artificial e análise de sensibilidade e sistema adaptativo de inferência neuro-fuzzy (ANFIS) foi avaliado através do índice estatístico (RMSE, R2)). Os valores de RMSE e R2 derivados pelo modelo ICA-ANN foram, para a Energia do Trabalho (0,0146 e 0,9987), Energia do Combustível (0,0322 e 0,9975), Custo Total das Máquinas (0,0248 e 0,9963), Energia Total das Máquinas (0,0161 e 0,9987) respetivamente, enquanto que estes parâmetros para o modelo de regressão multivariada foram, para a Energia do Trabalho (0,1394 e 0,9008), Energia do Combustível (0 ,1514 e 0,8913), Custo Total das Máquinas (TMC) (0,1492 e 0,9128), Energia Total das Máquinas (0,1378 e 0,9103). Trabalho (0,0159 e 0,9990), Energia do Combustível (0,0206 e 0,9983), Custo Total das Máquinas (0,0287 e 0,9966), Energia Total das Máquinas (0,0157 e 0,9990 ) respetivamente, enquanto que estes parâmetros para o modelo de análise de Sensibilidade foram, para a Energia do Trabalho (0,1899 e 0,8631), Energia do Combustível (0,8562 e 0,0206), Custo Total das Máquinas (0,1946 e 0,8581),Energia Total das Máquinas (0,1892 e 0,8437), respetivamente, enquanto que estes parâmetros para o modelo ANFIS foram, para a Energia de Trabalho (0,0159 e 0,9990), Energia de Combustível (0,0206 e 0,9983 ), Custo Total das Máquinas (0,0287 e 0,9966), Energia Total das Máquinas ( 0,0157 e 0,9990), respetivamente, os resultados mostraram que o ICA_ANN com sete neurónios na camada oculta teve um melhor desempenho.