Keywords
alternative energy
biomass
bio-digester
artificial intelligence
artificial neural networks energías alternativas
biomasa
biodigestor
inteligencia artificial
redes neuronales artificiales
biomass
bio-digester
artificial intelligence
artificial neural networks energías alternativas
biomasa
biodigestor
inteligencia artificial
redes neuronales artificiales
How to Cite
Tabarquino Muñoz, V. H., González Salcedo, L. O., & Will, A. L. E. (2016). Estimate of the kind-ball biodigester´s volume using artificial neural networks. Informador Tecnico, 80(1), 41–48. https://doi.org/10.23850/22565035.321
Abstract
Biomass, as an alternative source of energy, can be converted into biogas through the anaerobic digestion of organic material. The device used for this purpose is called biodigestor, and several protocols have been studied aimed at estimating the volume and quantity of the gas obtained. These protocols use a combination of the origin of the biomass and equations involving environment temperature, biological load and retention time. The treatment of rganic residues and the systematization of the activity on livestock farms requires the intervention of expert users or the implementation of intelligent systems, which allow for quantitative and qualitative variables.In this paper, we use Artificial Neural Networks (ANN) to estimate the production volume of a bio-digester ball.The networks are designed for this use on both livestock and farming residues. The efficiency of the estimation is evaluated using R Correlation Coefficient. Results show that the technique is reliable and can be used in practice.
References
Achen, C.H. (1982). Interpreting and Using Regression.Series/Number 07-029, Sage University Paper. Sage Publications, Newbury Park (CA). 89p. ISBN: 0-8039-1915-8.
https://doi.org/10.4135/9781412984560
Ascombe, T.W. (1973). Graphs in Statistical Analisys.The American Statistician, (27): 17-21.
Bertona, L.F. (2005). Entrenamiento de Redes Neuronales basado en Algoritmos Evolutivos. Tesis (Ingeniería Informática). Universidad de Buenos Aires, Facultad de Ingeniería, Buenos Aires, 256p.
Bishop, C.M. (2006). Pattern Recognition and Machine Learning. Springer, Singapore, 803p. ISBN:978-0387-31073-2.
Cagnina, L.C. (2010). Un nuevo paradigma Computacional basado en una antigua investigación biológica. Fundamentos en Humanidades, 11 (1:21): 133-150.
Correa H., N. (2007). Fuentes Alternas de Energía.Universidad Nacional Abierta y a Distancia – UNAD, Escuela de Ciencias Agrícolas,Pecuarias y del Medio Ambiente. Medellín.198p.
FAO. (2011). Manual de Biogás. Proyecto CHI/00/32 Chile: Remoción de Barreras para la Electrificación Rural con Energías Renovables, Organización de las Naciones Unidas para la Alimentación y la Agricultura – FAO. Santiago de Chile,119p. ISBN: 978-95-306892-0.
Gandolfo, D.C.; Molina, M.G.; Pati-o, H.D. (2011).Estimación de la energía generada por sistemas fotovoltaicos mediante redes neuronales artificiales. Memorias del Cuarto Congreso Nacional y Tercer Congreso Iberoamericano Hidrógeno y Fuentes Sustentables de Energía – HYFUSEN 2011. Ponencia 11-075. Mar de Plata, Junio 6-11.
González I., G.I. (2011). Planificación y Evaluación Económica, Financiera y de Impacto Ambiental de la Instalación de un Biodigestor en un Criadero de Cerdos. Trabajo Final (Ingeniero Agrónomo).Universidad Nacional de Río Cuarto, Facultad de Agronomía y Veterinaria. Río Cuarto, 78p.
González R., A.F. (2013). Modelo para la predicción de la radiación solar a partir de redes neuronales artificiales. Trabajo de Grado (Ingeniero Mecatrónico), Escuela de Ingeniería de Antioquia, Envigado, 80p.
González S., L.O. (2010). Lectura de Introducción a las Fuentes Alternas de Energía y su Aplicación en la Explotación Agropecuaria. Universidad Nacional de Colombia Sede Palmira, Palmira,27p.
Haykin, S. (2005). Neural Networks, a Comprehensive Foundation. 2nd Edition. Pearson Prentice Hall, Delhi, 823p. ISBN: 81-7808-300-0.
Hinton, G.E. (1987). Connectionist Learning Procedures.Technical Report CMU-CS-87-115. Computer Science Department, Carnegie-Mellon University, Pittsburg, 58p.
Hinton, G.E. (1988). Connectionist Learning Procedures. Artificial Intelligence, 40 (1-3):185-234.
https://doi.org/10.1016/0004-3702(89)90049-0
Isasi V., P. (2007). Redes de Neuronas. Universidad Carlos III de Madrid, Departamento de Informática, Madrid, 59p.
López A., P.; Velo S., R.; Maseda E., F. (2007).Estimación de la velocidad del viento mediante redes neuronales. Memorias del XI Congreso Internacional de Ingeniería de Proyectos. Lugo, Septiembre 26-28, 1083-1092.
Martínez R., E. (2005). Errores frecuentes en la interpretación del coeficiente de determinación lineal. Anuario Jurídico y Económico Escurialense, (38): 315-332.
Minsky, M. (1960). Steps toward Artificial Intelligence.Department of Mathematics, Research Laboratory of Electronics, MIT, 65p.
Moncayo R., G.; (2008). Biodigestores: Dimensionamiento,Dise-o y Construcción de Biodigestores y Plantas de Biogás. AquaLimpia Beratende Ingenieure.Madrid, 750p. ISBN: 978-9942-01-719-2.
Olaya A., y.; González S., L.O. (2009). Fundamentos para el Dise-o de Biodigestores. Universidad Nacional de Colombia Sede Palmira, Palmira,32p.
Rodríguez S., J.; González S., L.O.; Rojas G., A.F.;Palacios P., J.A. (2013). Energía y Ambiente.Universidad Nacional de Colombia Sede Palmira, Palmira, 380p. ISBN: 978-958-761-596-8.
Tabarquino M., V.H. (2014). Estimación de parámetros de dise-o de un biodigestor tipo balón usando redes neuronales artificiales. Trabajo de Grado (Ingeniero Agrícola). Universidad Nacional de Colombia Sede Palmira, Facultad de Ingeniería y Administración, Palmira, 84p.
Villada. F.; Cadavid, D.R.; Molina, J.D. (2008).Pronóstico del precio de la energía eléctrica usando redes neuronales artificiales. Revista de la Facultad de Ingeniería de la Universidad de Antioquia, (44), junio: 111-118.
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Copyright (c) 2019 Servicio Nacional de Aprendizaje (SENA)
Downloads
Download data is not yet available.
