| Revista: | Revista ciencias técnicas agropecuarias |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000427503 |
| ISSN: | 1010-2760 |
| Autores: | Coba, Darina Lara1 Herrera Suárez, Miguel2 García Lorenzo, María Matilde3 Beltran, Roberto4 |
| Instituciones: | 1Universidad Tecnológica de la Habana José Antonio Echeverría, Facultad de Ingeniería Mecánica, Marianao, La Habana. Cuba 2Universidad Técnica de Manabí, Facultad de Ciencias Matemáticas Físicas y Químicas, Portoviejo, Manabí. Ecuador 3Universidad Central "Marta Abreu" de Las Villas, Centro de Investigaciones Informáticas, Santa Clara, Villa Clara. Cuba 4Universidad de las Fuerzas Armadas, Departamento de Energía y Mecánica, Latacunga, Cotopaxi. Ecuador |
| Año: | 2018 |
| Periodo: | Ene-Mar |
| Volumen: | 27 |
| Número: | 1 |
| Paginación: | 46-53 |
| País: | Cuba |
| Idioma: | Español, inglés |
| Tipo de documento: | Artículo |
| Enfoque: | Analítico |
| Resumen en español | Los métodos de aprendizaje automatizado han sido usados con éxito en el cálculo de parámetros de diversos problemas de ingeniería, en que las variables involucradas tienen una relación no lineal entre sí y la modelación no permite representar el problema mediante una función matemática de fácil deducción. Para la estimación de las propiedades del suelo se involucran diversas variables, que hacen que su estimación por medio de modelos matemáticos sea un proceso complejo trasladando la solución del problema al campo de la inteligencia artificial. El presente trabajo tiene como objetivo desarrollar un modelo matemático para la estimación de la densidad del suelo a través del sensoramiento continuo utilizando un método de aprendizaje automatizado. La herramienta computacional de aprendizaje automatizado que se utilizó fue WEKA, mediante la cual se aplicaron tres métodos de predicción numérica (redes neuronales artificiales del tipo multicapa, K de los vecinos más cercanos y regresión lineal). La validación del modelo se realizó mediante la validación cruzada y experimental. Los resultados muestran que el mejor método es el K de los vecinos más cercanos con un error medio absoluto de 0,06 y un coeficiente de correlación de 0,89; las variables de mayor peso en la predicción fueron: el contenido de humedad seguido de la velocidad de trabajo, la fuerza, ancho de la herramienta de trabajo y la profundidad |
| Resumen en inglés | The machine learning methods have been used successfully in the calculation of parameters of various problems of engineering, in which the complicated variables have a relation nonlinear among themselves and the modelation does not enable representing the intervening problem through a mathematical function of easy deduction. For the estimation of soil properties several variables are analyzed that make their estimation by means of mathematical models is a complex process transferring the problem solution to artificial intelligence field. The present work aims at developing a mathematical model for the estimation of soil density through the on-the-go soil sensing, a method of automatized learning. The computational learning automated tool used was WEKA, by means of which three procedures of automatized learning applied (multilayer perceptron neuronal artificial nets and K-nearest neighbor). The validation of the model came true by means of the crossed and experimental validation. Results evidence that the best method is the K-nearest neighbor with absolute mean error of 0.06 and a correlation coefficient of 0.89; variables of bigger weight in prediction were moisture content followed by work speed, power, width of the working tool and the depth |
| Disciplinas: | Agrociencias, Ciencias de la computación |
| Palabras clave: | Suelos, Inteligencia artificial, Física de suelos, Densidad del suelo, Compactación del suelo |
| Keyword: | Agricultural sciences, Computer science, Soils, Artificial intelligence, Soil physics, Soil density, Soil compaction |
| Texto completo: | Texto completo (Ver HTML) |
