Printer Friendly

Estimacion del volumen de un Biodigestor tipo balon usando redes neuronales artificales.

Estimate of the kind-ball biodigester's volume using artificial neural networks

Introduccion

Las fuentes de energia alternas, renovables o blandas, en contraposicion de las provenientes de los hidrocarburos, destacan a la energia solar, la energia eolica, la biomasa, la energia hidraulica, la energia maremotriz, entre otras (Correa, 2007). La biomasa, cantidad de productos obtenidos por fotosintesis, es susceptible de ser transformada en combustible, y puede provenir de los residuos de actividades pecuarias y agricolas (Rodriguez et al., 2013).

La actividad pecuaria produce residuos de materia organica, y cada especie pecuaria es una fuente de esta comunmente conocida con el termino de estiercol, e incluso las heces del hombre han sido consideradas como fuente energetica (Gonzalez, 2010). Por su parte, la actividad agricola produce residuos, principalmente del tipo cascaras de frutas, de semillas, hojas, y frutas en descomposicion. Ambos residuos son llamados biomasa agricola (Gonzalez, 2010).

La biomasa agricola se convierte en un combustible tradicional, el biogas, el cual corresponde a una mezcla de metano y otros gases producidos durante la degradacion anaerobia de la materia organica, en un compartimiento digestor o bien canalizandolo en un vertedero controlado (FAO, 2011). En el primer caso, denominado biodigestor, la temperatura es mantenida alrededor de 50[grados]C, un pH entre 6,2-8,0, favoreciendo las actividades de los microorganismos y la degradacion bioquimica entre 10-25 dias, para que en tres fases (acidogenesis, acetonogenesis y metanogenesis) se realice la produccion de biogas (FAO, 2011).

Diversos Autores citados por (Olaya & Gonzalez 2009, pp 8-10), consideran dentro del proceso una fase inicial a las mencionadas, denominada como hidrolisis; la figura 1 resume las distintas caracteristicas de cada una de las diferentes etapas, agrupadas con sus respectivos compuestos quimicos que en ellos intervienen (Marti, 2008, Olaya & Gonzalez, 2009, p.10).

La instalacion de biodigestores son tambien sistemas para el tratamiento de residuos de materia organica, los cuales son evitados sus vertimientos en las fuentes de agua, que a su vez generan un combustible, generalmente utilizado para calefaccion de espacios y coccion de alimentos, y en los ultimos anos, como combustible en plantas utilitarias de generacion electrica (Gonzalez, 2011).

Los biodigestores son de tres tipos (Olaya & Gonzalez, 2009): tubular o tipo balon, de cupula fija, y de cupula movil; la instalacion de los dos ultimos es de mayor costo, en razon a que son construidos con elementos de mamposteria o de hormigon, mientras que el de tipo balon (Figura 2), es elaborado a partir de laminas plasticas tubulares comercialmente disponibles, y se reportan casos exitosos de instalacion por parte de la misma comunidad (Moncayo, 2008).

Cobra pertinencia entonces, la busqueda de elementos y tecnicas que permitan sistematizar el proceso de produccion de biogas para potenciar el uso de este combustible, principalmente, en comunidades rurales. Sin embargo, los protocolos de diseno de los biodigestores combinan el uso de tablas que contienen las capacidades energeticas acordes al origen de la fuente de la biomasa, y ecuaciones para estimar el volumen del biodigestor y de biogas producido, involucrando variables cualitativas y cuantitativas en dicho proceso (Marti, 2008).

Al respecto, Marti (2008, p.31), basado en una fundamentacion teorica, propone una metodologia de diseno para estimar el volumen de biogas y del biodigestor tipo balon, valida para cualquier piso termico, como se muestra en la Figura 3.

Por su parte, la inteligencia artificial, termino acunada en 1960 por Minsky, quien en su sentido mas amplio indica la capacidad de un artefacto de realizar los mismos tipos de funciones que caracterizan el pensamiento humano, y en estos terminos, sus metodos son una respuesta al deseo de aproximar el comportamiento y el pensamiento humano a diversos sistemas para la solucion de determinadas problematicas (Cagnina, 2010). Uno de estos metodos son las redes neuronales artificiales (RNA), abstraccion funcional de la estructura neuronal biologica del sistema central nervioso (Figura 4), recreando desde la perspectiva biologica la estructura de un cerebro humano (Bishop, 2006).

Las RNA hoy en dia son consideradas como poderosas reconocedoras y clasificadoras de patrones (Bishop, 2006), utilizadas en la solucion (prediccion) de problemas de ingenieria, como una alternativa en sistemas complejos caracterizados por factores de interaccion, en sistemas de aproximaciones estadisticas no lineales, o en sistemas de solucion computacional basados en algoritmos complejos y extensos (Haykin, 2005), que involucrarian variables cuantitativas y cualitativas, y que en estas ultimas, relacionarlas en un modelo matematico se hace dificil.

En su contexto historico, las RNA se iniciaron como una red monocapa, denominada Perceptron Simple que solo podia realizar soluciones de algunas funciones logicas, como OR, AND y NOT, sin estimaciones numericas. Posteriormente, su desarrollo permitio estimaciones numericas, siendo conocida como red ADALINE. Hoy en dia, muchos problemas en la ingenieria son abordados a partir de redes con diversas capas, y reciben el nombre de Perceptron Multicapa, con un procedimiento supervisado de aprendizaje, es decir, se entrenan a partir del error de aproximacion contra los verdaderos resultados (Bishop, 2006).

En el presente trabajo, se procede a la elaboracion de una RNA Multicapa con entrenamiento supervisado y ajuste del error hacia atras, entrenada para la estimacion del volumen de un biodigestor tipo balon, para condiciones generales de temperatura ambiental y origen de la fuente de la biomasa.

Procedimiento metodologico

Construccion del conjunto de entrenamiento de la red neuronal artificial

Para el entrenamiento de la RNA se prepara una base de datos conformada por patrones o vectores de informacion, que le permitan al modelo de prediccion hacer el reconocimiento de las relaciones que existen entre las neuronas (variables) de entrada que conllevan al resultado de la neurona a predecir (variable de salida). Para tal fin, de acuerdo con el protocolo de diseno de biodigestores propuesto por Marti, (Figura 3), se hace una seleccion de variables de entrada relevantes en el problema de determinacion del volumen de un biodigestor tipo balon.

Estas son las siguientes: origen de la fuente del residuo organico [OF], temperatura ambiente en [grados]C [T], tiempo de retencion de la materia organica dentro del biodigestor en dias [t], carga de estiercol de acuerdo con la fuente en l/dia [C], contenido de solidos organicos del residuo organico en % [%SO], produccion de biogas de acuerdo con el contenido de solidos organicos en [m.sup.3]/kg de %SO [PBG], y perimetro tubular del plastico comercialmente disponible para la construccion del biodigestor en m [P]. Como variable de salida, se asocia a esta informacion para cada patron el volumen del biodigestor tipo balon en [m.sup.3] [V].

La variable OF corresponde a una variable cualitativa, la cual es tratada como variable cuantitativa jerarquizada, procedimiento que consiste en convertir una variable simbolica o de valor discreto en una variable pseudodiscreta, y en el cual, a partir de un orden establecido de posicion jerarquica de la respuesta de la variable discreta, se establecen sub-intervalos para cada neurona binaria, 0 a 1, como es descrito por March, 2001.

Posterior a la determinacion de las variables de entrada y de salida, se realiza la elaboracion de la base de datos general con el cual se determina el conjunto de entrenamiento, conformado por 90 vectores de informacion (variables de entrada y de salida), usando el protocolo de diseno de biodigestores tipo balon presentado por (Marti, 2008).

Elaboracion, entrenamiento, puesta en marcha, validacion y seleccion de la red neuronal artificial para la estimacion del volumen del biodigestor tipo balon

Se usa el conjunto de entrenamiento mencionado en la seccion 2.1., en el cual se relacionan las variables de entrada con la variable de salida, se elabora una propuesta de RNA multicapa alimentada hacia adelante y con metodologia de entrenamiento/aprendizaje hacia atras (Figura 5), cuyas caracteristicas son definidas por Rumelhart et al., 1986; Hinton 1987, 1988, respectivamente.

Las conexiones entre las neuronas de la capa de entrada a cada capa oculta, se hace usando la funcion sigmoidea descrita por Hinton, 1987, 1988; las conexiones entre las neuronas de la ultima capa oculta y la neurona a estimar ubicada en la capa de salida, se hace usando una funcion lineal, de tal forma que se permita la comparacion de la estimacion y del resultado verdadero, como es descrito en el entrenamiento supervisado (Rumelhart et al., 1986, y Hinton 1987, 1988).

Para tal fin, Tabarquino, 2014, elaboro 82 conformaciones de RNA, y las evaluo a partir del factor de correlacion lineal R; para su funcionamiento computacional, la RNA se codifico en un algoritmo usando el lenguaje de programacion M, propio de la herramienta de software matematico MATLAB[R] para plataforma Windows[R], el codigo uso la libreria contenida en el Neural Networks Toolbox del mismo software, lo cual permitio implementar los modelos del tipo de RNA que se ha descrito.

Los resultados de este proceso, no presentado en este articulo, mostraron que arquitecturas con dos y tres capas ocultas, y usando metodos de aprendizaje de Levenberg-Marquardt, Gradiente Conjugado de Cuasi-Newton, Gradiente Conjugado Clasico, Gradiente Conjugado de Powell-Beale, Gradiente Conjugado de Fletcher-Powell, Gradiente Conjugado de Pollak-Ribiere, Secante de Paso Unitario, y Gradiente Descendiente de Tasa de Entrenamiento Variable, obtuvieron mejores, adecuados y confiables desempenos (R > 0,98), que usando los metodos de Regulacion Bayesiana, y Propagacion Resiliente hacia Atras. La arquitectura de la RNA se configura entonces con una capa de entrada con 7 variables de entrada, una primera capa oculta con 20 neuronas, una segunda capa oculta con 10 neuronas, una capa de salida con una variable de respuesta y un algoritmo de aprendizaje hacia atras de Levenberg-Marquartd (Figura 6).

Resultados y discusion

A partir de la elaboracion de una RNA, correspondiente a un red neuronal supervisada Perceptron Multicapa, con alimentacion hacia adelante y entrenamiento/aprendizaje para la propagacion del error hacia atras, se realizo la estimacion del volumen de un biodigestor tipo balon. El modelo neuronal consistio de una RNA conformada por una capa de entrada con 7 variables de entrada (de las cuales una es de tipo cualitativa con tratamiento a variable numerica jerarquizada), una primera capa oculta con 20 neuronas, una segunda capa oculta con 10 neuronas, una capa de salida con una variable de respuesta correspondiente a la estimacion del volumen del biodigestor tipo balon, y algoritmo de aprendizaje de Levenberg-Marquartd.

La Figura 7, muestra los resultados de desempeno de la RNA seleccionada, para cada una de las etapas de entrenamiento de la misma (entrenamiento, prueba, validacion computacional, y con todo el conjunto de entrenamiento). Para todas las etapas, se hace una comparacion entre el resultado obtenido por la RNA (output) y el valor obtenido usando el protocolo de diseno (target), para lo cual se asocia a dicha comparacion el factor de correlacion lineal R.

El desempeno se baso en el factor de correlacion lineal R (R > 0,99), de acuerdo con Ascombe, 1973, y Aschen, 1982, muestran una relacion lineal positiva fuerte entre el valor del volumen del biodigestor obtenido, a partir del protocolo de diseno propuesto por Marti, 2008, y el obtenido mediante la prediccion de la RNA, lo cual permite inferir que la herramienta computacional es adecuada y confiable para hacer dichas estimaciones.

En la Figura 8, se representan simultaneamente los resultados estimados por la RNA, y los obtenidos por el protocolo de diseno de Marti, 2008, con el fin de verificar la bondad en el ajuste de la prediccion, a partir de la comparacion grafica entre los dos resultados, como es sugerido por Martinez (2005, p.22). La corroboracion para cada registro en la aproximacion del resultado obtenido por prediccion, permite inferir que el modelo computacion basado en la RNA puede ser usado como metodologia de diseno de biodigestores tipo balon.

La literatura reporta el uso de RNA en el diseno de sistemas de aprovechamiento de energias alternativas, como solar (Gandolfo et al., 2011, Gonzalez, 2013), eolica (Lopez et al., 2007) e hidraulica (Villada et al., 2008); sin embargo, no se reportan aplicaciones similares en el diseno de biodigestores, razon por la cual la utilizacion de modelos neuronales artificiales en dicho campo es una aplicacion novedosa.

Conclusiones y recomendaciones

Una red neuronal artificial fue elaborada para la estimacion del volumen de biogidestores tipo balon, la cual generaliza adecuadamente los resultados que se obtienen en los protocolos convencionales de diseno. Los resultados obtenidos permiten trazar las siguientes conclusiones y recomendaciones para futuras agendas:

El indicador de desempeno considerado, el factor de correlacion lineal, muestra que la red neuronal artificial es confiable para la estimacion del volumen del biodigestor, acorde a los resultados que se obtendrian con los metodos convencionales de diseno.

La consideracion en el modelo neuronal de variables que representan la fuente de origen del residuo de la materia organica, y variabilidad en los factores influyentes como la temperatura ambiente y el tiempo de retencion, permiten tener una herramienta de prediccion universal del volumen de un biodigestor tipo balon.

La red neuronal artificial permite considerar entonces, una variable cualitativa, lo cual aventaja en este caso en particular, a otros modelos matematicos para fines similares.

La red neuronal artificial puede potenciar su uso como herramienta computacional para procesos de sistematizacion en las actividades agropecuarias que generen residuos de materia organica encaminadas a la produccion de biogas como combustible alternativo.

La posibilidad de controlar las variables de entrada, permite hacer ajustes a las mismas, de acuerdo con dinamicas propias de la generacion de residuos, mediante nuevos entrenamientos y aprendizajes de la propia red neuronal artificial.

Se abre una agenda futura de investigacion, al extender el modelo neuronal para el diseno de otros tipos de biodigestores, y la utilizacion de la biomasa como fuente alterna de energia para la produccion de biogas.

Recibido: 18-11-2015 Aceptado: 29-04-2016

Referencias

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.

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 (Ingenieria Informatica). Universidad de Buenos Aires, Facultad de Ingenieria, 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 investigacion biologica. Fundamentos en Humanidades, 11 (1:21): 133-150.

Correa H., N. (2007). Fuentes Alternas de Energia. Universidad Nacional Abierta y a Distancia --UNAD, Escuela de Ciencias Agricolas, Pecuarias y del Medio Ambiente. Medellin. 198p.

FAO. (2011). Manual de Biogas. Proyecto CHI/00/32 Chile: Remocion de Barreras para la Electrificacion Rural con Energias Renovables, Organizacion de las Naciones Unidas para la Alimentacion y la Agricultura--FAO. Santiago de Chile, 119p. ISBN: 978-95-306892-0.

Gandolfo, D.C.; Molina, M.G.; Patino, H.D. (2011). Estimacion de la energia generada por sistemas fotovoltaicos mediante redes neuronales artificiales. Memorias del Cuarto Congreso Nacional y Tercer Congreso Iberoamericano Hidrogeno y Fuentes Sustentables de Energia --HYFUSEN 2011. Ponencia 11-075. Mar de Plata, Junio 6-11.

Gonzalez I., G.I. (2011). Planificacion y Evaluacion Economica, Financiera y de Impacto Ambiental de la Instalacion de un Biodigestor en un Criadero de Cerdos. Trabajo Final (Ingeniero Agronomo). Universidad Nacional de Rio Cuarto, Facultad de Agronomia y Veterinaria. Rio Cuarto, 78p.

Gonzalez R., A.F. (2013). Modelo para la prediccion de la radiacion solar a partir de redes neuronales artificiales. Trabajo de Grado (Ingeniero Mecatronico), Escuela de Ingenieria de Antioquia, Envigado, 80p.

Gonzalez S., L.O. (2010). Lectura de Introduccion a las Fuentes Alternas de Energia y su Aplicacion en la Explotacion 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.

Isasi V., P. (2007). Redes de Neuronas. Universidad Carlos III de Madrid, Departamento de Informatica, Madrid, 59p.

Lopez A., P.; Velo S., R.; Maseda E., F. (2007). Estimacion de la velocidad del viento mediante redes neuronales. Memorias del XI Congreso Internacional de Ingenieria de Proyectos. Lugo, Septiembre 26-28, 1083-1092.

Martinez R., E. (2005). Errores frecuentes en la interpretacion del coeficiente de determinacion lineal. Anuario Juridico y Economico 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, Diseno y Construccion de Biodigestores y Plantas de Biogas. AquaLimpia Beratende Ingenieure. Madrid, 750p. ISBN: 978-9942-01-719-2.

Olaya A., y.; Gonzalez S., L.O. (2009). Fundamentos para el Diseno de Biodigestores. Universidad Nacional de Colombia Sede Palmira, Palmira, 32p.

Rodriguez S., J.; Gonzalez S., L.O.; Rojas G., A.F.; Palacios P., J.A. (2013). Energia y Ambiente. Universidad Nacional de Colombia Sede Palmira, Palmira, 380p. ISBN: 978-958-761-596-8.

Tabarquino M., V.H. (2014). Estimacion de parametros de diseno de un biodigestor tipo balon usando redes neuronales artificiales. Trabajo de Grado (Ingeniero Agricola). Universidad Nacional de Colombia Sede Palmira, Facultad de Ingenieria y Administracion, Palmira, 84p.

Villada. F.; Cadavid, D.R.; Molina, J.D. (2008). Pronostico del precio de la energia electrica usando redes neuronales artificiales. Revista de la Facultad de Ingenieria de la Universidad de Antioquia, (44), junio: 111-118.

Leyenda: Figura 1. Sintesis de las etapas presentes en la digestion anaerobica Fuente: (Marti, 2008; Olaya y Gonzalez, 2009).

Leyenda: Figura 2. Biodigestor tipo balon o tubular Fuente: (Gonzalez, 2010).

Leyenda: Figura 3. Propuesta metodologica para el diseno de biodigestores tipo balon Fuente: Marti, 2008, p.31

Leyenda: Figura 4. Similitud entre una neurona biologica y una computacional, a partir de la comparacion de las estructuras biologicas y computacionales, respectivamente Fuente: (Isasi, 2007; Bertona, 2005).

Leyenda: Figura 5. Propuesta de modelo neuronal para la estimacion del volumen de un biodigestor tipo balon Fuente: los autores.

Leyenda: Figura 6. Arquitectura y topologia de la RNA seleccionada para la estimacion del volumen de un biodigestor Fuente: los autores.

Leyenda: Figura 7. Resultados de desempeno de la RNA seleccionada para la estimacion del volumen del biodigestor tipo balon Fuente: los autores

Leyenda: Figura 8. Comparacion grafica de los resultados entregados por la Red Neuronal Artificial y los obtenidos por protocolo de diseno Fuente. los autores

Victor Hugo Tabarquino Munoz (2)

Luis Octavio Gonzalez Salcedo (3)

Adrian Luis Ernesto Will (4)

(1) Articulo producto del Proyecto "Estimacion de Parametros de Diseno de un Biodigestor Tipo Balon usando Redes Neuronales Artificiales". Trabajo de Grado (Ingeniero Agricola), Universidad Nacional de Colombia Sede Palmira, Agosto--Diciembre 2014, Palmira.

(2) Colombiano, Ingeniero Agricola, Grupo de Energias Alternativas y Ahorro Energetico GEAL, Facultad de Ingenieria y Administracion, Universidad Nacional de Colombia Sede Palmira, Palmira--Colombia.

(3) Colombiano, PhD. Ingenieria de Materiales, Profesor Asociado, Grupo de Energias Alternativas y Ahorro Energetico--GEAL, Facultad de Ingenieria y Administracion, Universidad Nacional de Colombia Sede Palmira, Palmira--Colombia. 4Autor de correspondencia: logonzalezsa@unal.edu.co

(4) Argentino, PhD. Matematicas, Profesor Adjunto, Facultad de Ciencias Exactas y Tecnologia, Universidad Nacional de Tucuman, y Grupo de Investigacion en Tecnologias Informaticas Avanzadas--GITIA, Tucuman--Argentina.
COPYRIGHT 2016 SENA - Servicio Nacional de Aprendizaje
No portion of this article can be reproduced without the express written permission from the copyright holder.
Copyright 2016 Gale, Cengage Learning. All rights reserved.

Article Details
Printer friendly Cite/link Email Feedback
Author:Tabarquino Munoz, Victor Hugo; Gonzalez Salcedo, Luis Octavio; Ernesto Will, Adrian Luis
Publication:Informador Tecnico
Date:Jan 1, 2016
Words:3483
Previous Article:Adherencia y biocompatibilidad in vitro de recubrimientos de fosfato de calcio-titanio de calcio obtenidos por magnetron sputtering para aplicaciones...
Next Article:Diseno e implementacion de un prototipo electronicoparamonitoreode parametros fisico-quimicos en cultivo de tilapia a traves de una aplicacion movil.
Topics:

Terms of use | Privacy policy | Copyright © 2019 Farlex, Inc. | Feedback | For webmasters