• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Tesis Doctoral
DOI
https://doi.org/10.11606/T.11.2021.tde-26032021-153455
Documento
Autor
Nombre completo
Wagner Wilson Ávila Bombardelli
Dirección Electrónica
Instituto/Escuela/Facultad
Área de Conocimiento
Fecha de Defensa
Publicación
Piracicaba, 2021
Director
Tribunal
Frizzone, Jose Antonio (Presidente)
Camargo, Antonio Pires de
Duarte, Sergio Nascimento
Rodrigues, Luiz Henrique Antunes
Título en portugués
Aprendizado de máquina em dados estruturados para modelagem de fenômenos hidráulicos em sistemas de microirrigação
Palabras clave en portugués
Análise dimensional
Boosting L.
Engenharia de irrigação
Hidráulica
Máquina de vetores de suporte
Rede neural artificial
Resumen en portugués
O desempenho de um projeto de microirrigação está intimamente relacionado com a caracterização hidráulica de componentes do sistema. Buscando-se melhorar o desempenho de modelos matemáticos tradicionais, foram desenvolvidos e avaliados modelos computacionais baseados em redes neurais artificiais (MLP), máquina de vetores de suporte (SVR) e árvores de decisão conjuntas (XGB), a partir do aprendizado de bases de dados coletados em ensaios avaliando componentes de linhas laterais de irrigação: (a) conectores iniciais e de união, e; (b) emissores não-regulados. Os preditores considerados foram as propriedades do fluido, características geométricas e operacionais. Na base (a), um modelo genérico foi proposto para todos os conectores favorecendo o aprendizado mais completo possível. Os modelos tradicionais apresentaram erros superiores apontando que modelos computacionais podem proporcionar estimativas mais exatas em fenômenos relacionados à hidráulica de sistemas de microirrigação. O modelo MLP apresentou o melhor desempenho para os processos avaliados, embora necessite de um volume considerável de dados e uma calibração extensiva dos hiperparâmetros. O modelo SVR mostrou bom desempenho para base pequena, sendo predominantemente mais adequado o mapeamento por função de base radial. Contudo, é mais custoso computacionalmente e o estimador pode ser mais comprometido por ruídos. O modelo XGB cumpriu o custo computacional mais reduzido e forneceu uma boa acurácia, mas foi incoerente nos valores estimados em função de termos não correlacionados com os exemplos de treinamento. Os aplicativos WEB desenvolvidos sob código aberto facilitam o uso e a comparação de todos modelos de estudo e podem complementar ferramentas online para projetos e simulações.
Título en inglés
Machine learning in structured data of hydraulic phenomena in microirrigation systems
Palabras clave en inglés
Artificial neural network
Dimensional analysis
Gradient boosting
Hydraulic
Irrigation engineering
Support vector machine
Resumen en inglés
The performance of microirrigation project is closely related to the hydraulic characterization of fittings. In order to improve the performance compared to traditional models, machine learning models based on artificial neural networks (MLP), support vector machine (SVR) and ensemble of decision trees (XGB) were developed and validated. The databases collected in tests evaluated fittings of lateral irrigation lines: (a) start and union connectors, and (b) non-regulated emitters. The features considered were fluid properties, geometric and operational characteristics. In base (a), a generic model was proposed, supporting the most complete learning possible. The traditional models demonstrated larger errors indicating that the other models can provide more accurate estimates in phenomena linked to the hydraulics of microirrigation systems. The MLP model presented the best performance for the evaluated processes, although it requires a considerable amount of data and an extensive calibration of the hyperparameters. The SVR model revealed good performance for a small base, with the kernel function predominantly more appropriate by radial basis function. However, it is more computationally expensive, and the estimator may be more compromised by noise. The XGB model achieve the lowest computational cost and provided good accuracy but was inconsistent in the estimated values due to terms not correlated with the training examples. WEB applications developed under open-source code support the use and comparison of the models and can complement online tools for projects and simulations.
 
ADVERTENCIA - La consulta de este documento queda condicionada a la aceptación de las siguientes condiciones de uso:
Este documento es únicamente para usos privados enmarcados en actividades de investigación y docencia. No se autoriza su reproducción con finalidades de lucro. Esta reserva de derechos afecta tanto los datos del documento como a sus contenidos. En la utilización o cita de partes del documento es obligado indicar el nombre de la persona autora.
Fecha de Publicación
2021-03-30
 
ADVERTENCIA: Aprenda que son los trabajos derivados haciendo clic aquí.
Todos los derechos de la tesis/disertación pertenecen a los autores
CeTI-SC/STI
Biblioteca Digital de Tesis y Disertaciones de la USP. Copyright © 2001-2022. Todos los derechos reservados.