Modelo basado en redes neuronales artificiales para el cálculo de parámetros ambientales en el proceso de curado del tabaco
PDF
XML

Palabras clave

Flue-cured tobacco
Process modeling
neural networks
estimation
prediction Tabaco curado
Modelado de procesos
Redes neuronales
Estimación
Predicción

Cómo citar

Martínez Martínez, V., Baladrón, C., Gómez Gil, J., Ruiz Ruiz, G., Navas Gracia, L. M., Aguiar, J. M., & Carro, B. (2013). Modelo basado en redes neuronales artificiales para el cálculo de parámetros ambientales en el proceso de curado del tabaco. Informador Técnico, 77(1), 35. https://doi.org/10.23850/22565035.43

Resumen

Se presenta un modelo basado en Redes Neuronales Artificiales (RNA) para las variables ambientales relativas al proceso de curado de Tabaco. Una RNA de ajuste se empleó para estimar y predecir la temperatura y la humedad relativa en el interior del secadero de tabaco: la estimación consiste en calcular el valor de estas variables en diferentes localizaciones del interior del secadero y la predicción consiste en vaticinar el valor de dichas variables con diferentes horizontes temporales. El modelo propuesto ha sido validado con datos de temperatura y humedad relativa adquiridos de un secadero de tabaco real utilizando una red de sensores inalámbricos (wireless sensor network, WSN). Por una parte, en la etapa de estimación se consiguió un error inferior al 2%, calculando la temperatura en función de la temperatura y la humedad relativa en otros puntos del secadero. Por otra parte, en la etapa de predicción se consiguió un error 1,5 veces inferior al obtenido con un método basado en interpolación, calculando la temperatura futura en el interior de la masa de tabaco con horizontes de predicción superiores a 2,5 horas a partir del valor actual y los valores anteriores de dicha variable. Los resultados muestran que los modelos basados en RNA se pueden utilizar para mejorar el proceso de curado del tabaco porque el valor de las variables ambientales relacionadas se puede predecir en instantes futuros cercanos y se puede estimar en otras localizaciones con errores pequeños utilizando este tipo de modelos.
https://doi.org/10.23850/22565035.43
PDF
XML

Citas

Akpan, V. A. and Hassapis, G. D.Nonlinear model identification and adaptive model predictive control using neural networks. ISA Transactions50(2). 2011; p. 177-194.

https://doi.org/10.1016/j.isatra.2010.12.007

AL SEYAB, R. K. and CAO, Y. Nonlinear system identification for predictive control using continuous time recurrent neural networks and automatic differentiation.Journal of Process Control18(6).2008; p. 568-581.

Banga, J. R. ANDSINGH; R. PAUL. Optimization of air dryingof foods.Journal of Food Engineering23(2).(1994); p. 189-211.

https://doi.org/10.1016/0260-8774(94)90086-8

Benne, M., B.; GRONDIN- PEREZ, J. CHABRIAT, P.and HERVÉ, P. Artificial neural networks for modelling and predictive control of an industrial evaporation process. Journal of Food Engineering46(4).(2000); p. 227-234.

https://doi.org/10.1016/S0260-8774(00)00055-8

Damour, C.;BENNE.M.; GRONDIN-PEREz, B.and. CHABRIAT, J.-PNonlinear predictive control based on artificial neural network model for industrial crystallization.Journal of Food Engineering99(2).(2010);p.225-231.

https://doi.org/10.1016/j.jfoodeng.2010.02.027

Dorffner, G. Neural Networks for Time Series Processing. Neural Network World6(4).(1996); p. 447-468.

Frost, A. R.;Schofield, C. P.; BEAULAH.S. A.; MOTTRAM, T. T.; LINES, J. A.and WATHES.C. M.A review of livestock monitoring and the need for integrated systems. Computers and Electronics in Agriculture17(2).(1997); 139-159.

https://doi.org/10.1016/S0168-1699(96)01301-4

Hawks, S. N.; COLLINS.W. K.; CARBONELL, H. P.ANDMARTÍNEZ, E. C. Tabaco flue-cured: principios básicos de su cultivo y curado, Ministerio de Agricultura, Pesca y Alimentación.1986. HILL, T., M. O'CONNOR and W. REMUS. "Neural Network Models for Time Series Forecasts." Management Science42(7): 1082-1092.

Holland, E. P., J. F. Burrow, C. Dytham and J. N. Aegerter. Modelling with uncertainty: Introducing a probabilistic framework to predict animal population dynamics.Ecological Modelling220(9–10).(2009) p.1203-1217.

https://doi.org/10.1016/j.ecolmodel.2009.02.013

Kwong, K. H., WU.T.-T.; GOH.H. G.; SASLOGLOU.K.; STEPHEN.B.; GLOVER.I.; SHEN.C.; DU.W.; MICHIE, C. and ANDONOVIC, I.Practical considerations for wireless sensor networks in cattle monitoring applications. Computers and Electronics in Agriculturevol 81.(2012); p. 33-44.

https://doi.org/10.1016/j.compag.2011.10.013

Li, Z., G. S. V. Raghavan and N. Wang. Carrot volatiles monitoring and control in microwave drying.LWT - Food Science and Technology43(2).(2010); p.291-297.

https://doi.org/10.1016/j.lwt.2009.08.002

Li, Z., G. S. V. Raghavan, N. Wang and Y. Gariepy.Real-time, volatile-detection-assisted control for microwave drying." Computers and Electronics in Agriculture69(2).(2009); p.177-184.

https://doi.org/10.1016/j.compag.2009.08.002

Li, Z.; Vijaya Raghavan, G. S.ANDWANG, N.APPLE volatiles monitoring and control in microwave drying. LWT – Food Science and Technology43(4).(2010); p. 684-689.

https://doi.org/10.1016/j.lwt.2009.11.014

Movagharnejad, K. and Nikzad, M.MODELING of tomato drying using artificial neural network.Computers and Electronics in Agriculture59(1–2).(2007); p. 78-85.

https://doi.org/10.1016/j.compag.2007.05.003

NATIONS., F. A. O. O. T. U. and T. H. P. S. Commodities Trade Division Agriculture Organization of the United Nations. Raw Materials. Issues in the global tobacco economy: selected case studies. Rome, Raw Materials, Tropical and Horicultural [sic] Products Service, Commodities and Trade Division, Food and Agricultural Organization of the United Nations.2003

PAPANTONIOU, A. and COONICK, A.Fuzzy logic control of a unified power flow controller for wind farm applications. Power Electronics for Renewable Energy (Digest No: 1997/170), IEE Colloquium on.

https://doi.org/10.1049/ic:19970922

Recknagel, F.; FRENCH.M.; HARKONEN, P. and YABUNAKA, K.-I.Artificial neural network approach for modelling and prediction of algal blooms.Ecological Modelling96(1–3). (1997); p. 11-28.

https://doi.org/10.1016/S0304-3800(96)00049-X

Singh, K. P., BASANT.A.; MALIK, A. and JAIN, G.Artificial neural network modeling of the river water quality—A case study.Ecological Modelling220(6).(2009); p. 888-895.

https://doi.org/10.1016/j.ecolmodel.2009.01.004

Smith, B. A.;Hoogenboom, G.ANDMCCLENDON, R. W.Artificial neural networks for automated year-round temperature prediction.Computers and Electronics in Agriculture68(1).(2009); p. 52-61.

https://doi.org/10.1016/j.compag.2009.04.003

Song, Y., Z. Chen and YUAN.Neural Network Nonlinear Predictive Control Based on Tent-map Chaos Optimization.Chinese Journal of Chemical Engineering15(4). (2007); p. 539-544.

https://doi.org/10.1016/S1004-9541(07)60121-9

TAMBOLI, N. and YOUNIS, M.Coverage-aware connectivity restoration in mobile sensor networks.Journal of Network and Computer Applications33(4).2010; 363-374.

Toğrul, H. Suitable drying model for infrared drying of carrot. Journal of Food Engineering77(3).(2006); p. 610-619.

https://doi.org/10.1016/j.jfoodeng.2005.07.020

Yliniemi, L. Advanced Control of a Rotary Dryer. Department of Process Engineering. Oulu, Finland, University of Oulu: 114. 1999. YLINIEMI, L., J. KOSKINEN and LEIVISKA, K.Advanced control of a rotary dryer. Oxford, Pergamon Press Ltd.

YUE, T.-X.; JORGENSEN, S. E. and G. R. LAROCQUE (2011). Progress in global ecological modelling.Ecological Modelling 222(14).(1999); p. 2172-2177.

https://doi.org/10.1016/j.ecolmodel.2010.06.008

Zhou, H. F., Y. Q. Ni and KO, J. M.Structural damage alarming using auto-associative neural network technique: Exploration of environment-tolerant capacity and setup of alarming threshold." Mechanical Systems and Signal Processing25(5). (2011); p.508-1526.

https://doi.org/10.1016/j.ymssp.2011.01.005

Descargas

Los datos de descargas todavía no están disponibles.