Predicción de la energía de activación para los residuos de la empresa “Real Flowers” empleando redes neuronales artificiales
El trabajo tiene como objetivo predecir el comportamiento termogravimétrico de la energía de activación de los residuos de tallo de rosa mediante redes neuronales artificiales. Los datos del análisis termogravimétrico se obtuvieron a dos rampas de calentamiento de 5ºC/min y 15 ºC/min en intervalos d...
Na minha lista:
| Autor principal: | |
|---|---|
| Formato: | bachelorThesis |
| Idioma: | spa |
| Publicado em: |
2021
|
| Assuntos: | |
| Acesso em linha: | https://dspace.espoch.edu.ec/handle/123456789/16724 |
| Tags: |
Adicionar Tag
Sem tags, seja o primeiro a adicionar uma tag!
|
Adicionar Tag | Resumo: | El trabajo tiene como objetivo predecir el comportamiento termogravimétrico de la energía de activación de los residuos de tallo de rosa mediante redes neuronales artificiales. Los datos del análisis termogravimétrico se obtuvieron a dos rampas de calentamiento de 5ºC/min y 15 ºC/min en intervalos de temperatura de 25 a 900ºC con flujo de nitrógeno de 20 ml/min. El cálculo de la energía de activación se realizó en función de los modelos cinéticos propuestos, donde el modelo de energía de activación distribuida tuvo un factor de correlación para la rampa 5 ºC/min de 0.967012 y un R2 de 93.5113 %, para la rampa 15 ºC/min el modelo de energía de activación distribuida tuvo un coeficiente de 0.955083 y un R2 de 91.2184 %. La red neuronal artificial fue diseñada con 3 neuronas de entrada la temperatura (K), tiempo(s) y peso (mg), datos del análisis termogravimétrico, en la capa oculta tiene 200 neuronas y una neurona de salida que es la energía de activación (KJ/mol), el algoritmo de entrenamiento fue el de regularización Bayesiana con un coeficiente de correlación de 1 y un error cuadrático medio de 2.73E-3. Los resultados fueron evaluados mediante análisis estadístico comparativo de dos muestras, energía de activación real y la predicha por la red, donde el valor-P es mayor a 0.05, no existiendo una diferencia estadísticamente significativa entre las medias de las 2 variables. Se recomienda utilizar el modelo de predicción en proyectos de aprovechamiento de residuos agrícolas para la generación de energía debido a la disminución de tiempos de análisis en laboratorio. |
|---|