Predicción de potencialidades energéticas a partir de los residuos sólidos generados en el mercado municipal del cantón Caluma mediante el uso de redes neuronales artificiales
El presente trabajo de integración curricular tiene como objetivo predecir las potencialidades energéticas de los residuos sólidos orgánicos mediante el uso de redes neuronales artificiales. Los datos experimentales se obtuvieron del análisis termogravimétrico de los residuos orgánicos, datos que fu...
Enregistré dans:
| Auteur principal: | |
|---|---|
| Format: | bachelorThesis |
| Langue: | spa |
| Publié: |
2021
|
| Sujets: | |
| Accès en ligne: | https://dspace.espoch.edu.ec/handle/123456789/16768 |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Ajouter un tag | Résumé: | El presente trabajo de integración curricular tiene como objetivo predecir las potencialidades energéticas de los residuos sólidos orgánicos mediante el uso de redes neuronales artificiales. Los datos experimentales se obtuvieron del análisis termogravimétrico de los residuos orgánicos, datos que fueron evaluados por medio de modelos cinéticos: Flynn-Wall-Ozawa, Kissinger-AkahiraSunose (KAS) y Friedman. Posteriormente se realizó un análisis estadístico en el que se selecciona el modelo cinético que tenga menor dispersión de datos para la rampa de 5 °C/min y 15 °C/min. La red neuronal fue diseñada con el software Matlab en el cual se definieron tres variables de entrada; tiempo, temperatura y peso provenientes del análisis termogravimétrico y la energía de activación como variable de salida. Para la tasa de calentamiento de 5 °C/min y 15 °C/min, la arquitectura de la red tiene 25 neuronas en la capa oculta y el algoritmo de Regularización Bayesiana debido a que obtuvo el Error cuadrático medio (MSE) más bajo con 5.25464E-1 y el R más próximo a 1 equivalente a 9.99997E-1. Los resultados predichos por la red neuronal artificial fueron validados por un análisis estadístico realizado en Statgraphics, dando como resultado un valor- P mayor a 0.05 con un nivel de confianza del 95% en relación a la energía de activación real y predicha. En conclusión, el uso de las redes neuronales para la predicción de las potencialidades energéticas nos evita la realización de cálculos extensos o largas jornadas en laboratorios. Resultados que podrán ser empleados en la realización de proyectos que tengan como fin la generación de energías limpias. |
|---|