Redes neurais artificiais para estimar a precipitação na irrigação por aspersão

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorMenezes, Paulo Lopes de-
Autor(es): dc.contributorhttp://lattes.cnpq.br/9781159016378038-
Autor(es): dc.contributorVincenzi, Silvana Ligia-
Autor(es): dc.contributorhttp://lattes.cnpq.br/2547403563036811-
Autor(es): dc.contributorMenezes, Paulo Lopes de-
Autor(es): dc.contributorGavioli, Alan-
Autor(es): dc.contributorVilas Boas, Marcio Antonio-
Autor(es): dc.creatorWolfrann, Joice-
Data de aceite: dc.date.accessioned2022-02-21T21:31:15Z-
Data de disponibilização: dc.date.available2022-02-21T21:31:15Z-
Data de envio: dc.date.issued2018-08-21-
Data de envio: dc.date.issued2018-08-21-
Data de envio: dc.date.issued2018-04-02-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/3372-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/654480-
Descrição: dc.descriptionThis work presents a theoretical-conceptual approach of the sprinkler irrigation model, reporting its methods, efficiency and management. It presents the concepts, learning techniques, topologies and algorithms for the training of artificial neural networks. The objective of the research was to build a model based on artificial neural networks capable of estimating the precipitation of a sprinkler. The backpropagation training algorithm was used with and without the term momentum and several learning rates in order to lead to the choice of the best network using SNNS software. The network (6X459X1) with 6 neurons in the input layer, 459 in the hidden layer and 1 in the output layer was the one that presented the lowest error (MSE) obtained with a learning rate of 0.7 and with the use of the term moment (μ = 0.3). The simulations presented good results in the statistical analysis, with coefficient of determination (R2) equal to 0.93 for linear adjustment and normal distribution for Lilliefors. Anova's analysis reflected valid homogeneity and accepted the hypothesis for the Cochran C and Bartlett test. The Pearson coefficient resulted in a very strong correlation between the simulated and observed results, and the comparison was around 0.0 to 0.29 mm of precipitation. The tests were promising in terms of estimates for sprinkler irrigation.-
Descrição: dc.descriptionEste trabalho apresenta uma abordagem teórico-conceitual do modelo de irrigação por aspersão relatando seus métodos, eficiência e manejo. Apresenta os conceitos, técnicas de aprendizado, topologias e algoritmos para treinamento das redes neurais artificiais. O objetivo da pesquisa foi construir um modelo baseado nas redes neurais artificiais capazes de estimar as precipitações de um aspersor. Foi usado o algoritmo de treinamento backpropagation com e sem o termo momentum e várias taxas de aprendizado a fim de conduzir para a escolha da melhor rede fazendo uso do software SNNS. A rede (6X459X1) com 6 neurônios na camada de entrada, 459 na camada oculta e 1 na camada de saída foi a que apresentou o menor erro (MSE) è obtida com taxa de aprendizado á 0,7 e com o uso do termo momentum (μ=0,3). As simulações apresentaram bons resultados na análise estatística, com coeficiente de determinação (R2) igual a 0,93 para o ajuste linear, e distribuição normal para Lilliefors. A análise por Anova refletiu homogeneidade válida e hipótese aceita para o teste de Cochran C e Bartlett. O coeficiente de Pearson resultou em uma correlação muito forte entre os resultados simulados e observados, e a comparação deu-se em torno de 0,0 a 0,29 mm de precipitação. Os testes se mostraram promissores em termos estimativos para a irrigação por aspersão.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherMedianeira-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherPrograma de Pós-Graduação em Tecnologias Computacionais para o Agronegócio-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Palavras-chave: dc.subjectInterpolação-
Palavras-chave: dc.subjectIrrigação por aspersores-
Palavras-chave: dc.subjectInteligência computacional-
Palavras-chave: dc.subjectInterpolation-
Palavras-chave: dc.subjectSprinkler irrigation-
Palavras-chave: dc.subjectComputational intelligence-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Palavras-chave: dc.subjectEngenharia/Tecnologia/Gestão-
Título: dc.titleRedes neurais artificiais para estimar a precipitação na irrigação por aspersão-
Título: dc.titleArtificial neural networks to estimate precipitation in sprinkler irrigation-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.