PRONÓSTICO ANUAL DE LA CARGA TÉRMICA RADIANTE APLICÁNDOSE INTELIGENCIA ARTIFICIAL

Autores

DOI:

10.31413/nativa.v9i3.10122

Palavras-chave:

conforto térmico, red neuronal artificial, series temporales

Resumo

En este estudio se desenvolvieron redes neuronales artificiales para predecir el conforto térmico animal, en función de la temperatura ambiente y la velocidad del aire para cada día del año en el calendario juliano. Los datos fueron obtenidos en el sitio del Instituto Nacional de Meteorología para una serie histórica de 30 años, coleccionada en la Estación Convencional Padre Ricardo Remetter, municipio de Santo Antonio de Leverger-MT. Para la elaboración de las redes se adoptó como variable de entrada el día del año y como variable de salida la carga térmica de radiación. El número de neuronas varió entre 2 y 15, utilizándose una y dos camadas ocultas. El ajuste de las redes se verificó por el coeficiente de determinación, error absoluto medio, porcentaje medio del error absoluto, la normalidad de los residuos y la prueba de t-Student. No hubo discrepancias entre los valores estimados por las redes y los obtenidos de la serie histórica. Finalmente se seleccionaron diez arquitecturas con adecuados índices de desempeño y las cuatro mejores se sometieron al análisis de residuos. Se concluyó que las redes neuronales del tipo perceptron con dos camadas ocultas fueron apropiadas para pronosticar la carga térmica radiante, conforme el día Juliano.         

Palabras-clave: conforto térmico; red neuronal artificial; series temporales.

 

Annual prognostic of the radiant thermal using artificial intelligence

 

ABSTRACT: In this research, artificial neural networks were developed to predict the animal thermal comfort based on the room temperature and air velocity for the year day in the Julian calendar.  The data were obtained from the website of the National Institute of Meteorology for a 30-year historical series, collected at the Padre Ricardo Remetter Meteorological Station, municipality of Santo Antônio de Leverger-MT. To elaborate the networks, the day of the year was adopted as the input variable and the radiation thermal load as the output variable. The number of neurons ranged varied from 2 to 15, being used one and two hidden layers. The adjustment of the networks was verified by the determination coefficient, mean absolute error, mean percentage of the absolute error, the normality of residues and the t-Student test. The values estimated by the networks and those obtained from the historical series did not differ. Finally, ten architectures with adequate performance and efficiency indexes were selected and among them the four best were submitted to the residue analysis. It was concluded that the artificial perceptron neural networks formed by two-layer hidden were suitable for the prognosis of the radiant thermal load, as a function of Julian day.

Keywords: thermal comfort; artificial network; time series.

Biografia do Autor

Pedro Hurtado de Mendoza Borges, Universidade Federal de Mato Grosso

Professor Associado do Departamento de Solos e Engenharia Rural, Faculdade de Agronomia e Zootecnia. Atúa na área de construções rurais e ambiência, hidrologia, confiabilidade de máquinas, análise de sobrevivência e controle estatístico de processos.

Zaíra Morais dos Santos Hurtado de Mendoza, Universidade Federal de Mato Grosso, Cuiabá, MT, Brasil.

Doutora em Ciências Florestais. Professora do Departamento de Engenharia Florestal. Área de quimica de produtos florestais.

Pedro Hurtado de Mendoza Morais, Universidade Federal de Mato Grosso, Cuiabá, MT, Brasil.

Graduando do curso de Agronomia da UFMT

Referências

ABREU, P. G.; ABREU, V. M. N.; FRANCISCON, L.; COLDEBELLA, A.; AMARAL, A. G. Estimativa da temperatura de globo negro a partir da temperatura de bulbo seco. Engenharia na Agricultura, Viçosa, v. 19, n. 6, p. 557-563. 2011.

AVILA, A. S.; JÁCOME, I. M. T. D.; FACCENDA, A.; PANAZZOLO, D. M.; MÜLLER, E. R. Avaliação e correlação de parâmetros fisiológicos e índices bioclimáticos de vacas holandês em diferentes estações. Revista REGET, Santa Maria, v. 14, n. 14, p. 2878-2884, 2013. DOI: http://dx.doi.org/10.5902/2236117010747

BATTISTI, I. D. E.; SMOLSKI, F. M. S. Software R: Análise estatística de dados utilizando um programa livre. 1ª Edição. Editora FAITH, Bagé. 2019. 173p.

BINOTI, M. L. M. S.; BINOTI, D. H. B.; LEITE, H. G.; GARCIA, S. L. R.; FERREIRA, M. Z.; RODE, R.; SILVA, A. A. L. Redes neurais artificiais para estimação do volume de árvores. Revista Árvore, Viçosa, v. 38, n. 2, p. 283-288, 2014a.

BINOTI, M. L. M. S.; BINOTI, D. H. B.; LEITE, H. G.; GARCIA, S. L. R.; SILVA, A. A. L.; PONTES, C. Utilização de redes neurais artificiais para a projeção da distribuição diamétrica de povoamento equiâneos. Revista Árvore, Viçosa, v. 38, n. 4, p. 747-754. 2014b.

BRETTAS, P. K. M.; NASCIMENTO, M. R. B. M.; GUIMARÃES, E. C.; SOUZA, G. P. Melhor índice de estresse térmico para novilhas leiteiras mestiças. Acta Scientiae Veterinariae, Porto Alegre, v. 45, n. 1486, p. 1-8, 2017.

BRIGHENTI, T. M.; BONUMÁ, N. B.; CHAFFE, P. L. B. Calibração hierárquica do modelo SWAT em uma bacia hidrográfica Catarinense. Revista Brasileira de Recursos Hídricos, Porto Alegre, v. 21, n. 1, p. 53-64, 2016. DOI: http://dx.doi.org/10.21168/rbrh.v21n1.p53-64

CHAVES, H. M. L.; JANKOSZ, A. V.; LUCCHESI, L. A.; MARQUES, P. Acurácia do modelo hydrus na predição da lixiviação de nitrato resultante da aplicação de lodo de esgoto tratado a solos de diferentes texturas. Revista Brasileira de Recursos Hídricos, Porto Alegre, v. 21, n. 1, p. 99-104. 2016. DOI: http://dx.doi.org/10.21168/rbrh.v21n1.p99-104

COUTINHO, G. S.; MAGALHÃES, P. C. M.; FORMIGONI, A. S.; VALLE, G. R.; MOREIRA, A. H. Conforto térmico e manejo de suínos na maternidade levando em consideração o bem-estar animal. Revista Eletrônica Nutritime, Viçosa, v. 11, n. 1, p. 3109-3119, 2014.

DAI, Z.; BIRDSEY, R. A.; JOHNSON, K. D.; DUPUY, J. M.; HERANDEZ-STEFANONI, J. L. Modeling carbon stocks in a secondary tropical dry forest in the Yucatan Peninsula, Mexico. Revista Water, Air & Soil Pollution, Switzerland, v. 225, n. 4, p. 1925, 2014. DOI: https://doi.org/10.1007/s11270-014-1925-x

ESMAY, M. L. Principles of animal environment. 2 ed. West Port: AVI, 1982. 325p.

FERRAZ, P. F. P.; YANAGI JUNIOR, T; JULIO, Y. F. H.; CASTRO, J. O.; GATES, R. S.; REIS, G. M.; CAMPOS, A. T. Predicting chick body mass by artificial intelligence‑based models. Pesquisa Agropecuária Brasileira, Brasília, v. 49, n. 7, p. 559-568, jul. 2014. DOI: https://doi.org/10.1590/S0100-204X2014000700009

GEORGENS, E. B.; LEITE, H. G.; GLERIANI, J. M.; SOARES, C. P. B.; CEOLIN, A. Influência da arquitetura na estimativa de volume de árvores individuais por meio de redes neurais artificiais. Revista Árvore, Viçosa, v. 38, n. 2, p. 289-295. 2014.

INSTITUTO NACIONAL DE METEOROLOGIA (INMET). Banco de dados meteorológicos para ensino e pesquisa. Disponível em: <http://www.inmet.gov.br/ portal/index.php?r=bdmep/bdmep>. Acesso em: 10 janeiro 2020.

LOPES, F. B.; NOVO, E. M. L. M.; BARBOSA, C. C. F.; ANDRADE, E. M.; FERREIRA, R. D. Simulação de bandas espectrais do sensor MERIS para estimativas das concentrações de clorofila-a em reservatório da região semiárida. Revista Agro@mbiente On-line, Boa Vista, v. 10, n. 2, p. 96-106, 2016. DOI: http://dx.doi.org/10.18227/1982-8470ragro.v10i2.3482

MACHADO, A. R.; MELLO JUNIOR, A. V.; WENDLAND, E. C. Avaliação do modelo J2000/JAMS para modelagem hidrológica em bacias hidrográficas brasileiras. Revista Engenharia Sanitária Ambiental, Rio de Janeiro, v. 22, n. 2, p. 327-340, 2017. DOI: http://dx.doi.org/10.1590/S1413-41522016145177

NASH, J. E.; SUTCLIFFE, J. V. River flow forecasting through conceptual models. Part I: A discussion of principles. Journal of Hydrology, Amsterdam, v. 10, n. 3, p. 282-290, 1970. DOI: https://doi.org/10.1016/0022-1694(70)90255-6

NAVAS, T. O.; OLIVEIRA, H. F.; CARVALHO, F. B.; STRINGHINI, J. H.; CAFÉ, M. B.; HELLMEISTER FILHO, P. Estresse por calor na produção de frangos de corte. Revista Eletrônica Nutritime, Viçosa, v. 13, n. 1, p. 4550-4557, 2016.

TO, O. V.; BITTAR, D. Y. Análise do conforto térmico e sua influência na produção e qualidade do leite em ambiente de domínio de cerrado. Revista PUBVET, Maringá, v. 12, n. 4, p. 1-6, 2018. DOI: https://doi.org/10.22256/pubvet.v12n4a75.1-6

PANDORFI, H.; SILVA, I. J. O.; SARNIGHAUSEN, V. C. R.; VIEIRA, F. M. C.; NASCIMENTO, S. T.; GUISELINI, C. Uso de redes neurais artificiais para predição de índices zootécnicos nas fases de gestação e maternidade na suinocultura. Revista Brasileira de Zootecnia, Viçosa, v. 40, n. 3, p. 676-681, 2011. DOI: https://doi.org/10.1590/S1516-35982011000300028

PEEL, M. C.; FINLAYSON, B. L.; MCMAHON, T. A. Updated world of the Köppen-Geiger climate classification. Hydrology and Earth System Sciences, Göttingen, v. 11, n. 5, p. 1633-1644, 2007. DOI: https://doi.org/10.5194/hess-11-1633-2007

R CORE TEAM. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Viena, Austria. Disponível em: <http://www.R-project.org/>. Acesso em: 12 janeiro 2019.

RODRIGUES, E. L.; ELMIRO, M. A. T.; JACOBI, C. M.; LAMOUNIER, W. L. Aplicação do Modelo SWAT na avaliação do consumo de água em áreas de florestas plantadas na bacia do rio Pará, Alto São Francisco, em Minas Gerais. Revista Sociedade & Natureza, Uberlândia, v. 27, n. 3, p. 485-500, 2015. DOI: http://dx.doi.org/10.1590/1982-451320150309

SANTOS, D. S.; ARCE, A. I. C.; PIZA, L. V.; SILVA, A. C. S.; COSTA, E. J. X.; TECH, A. R. B. Redes bluetooth associadas a redes neurais artificiais para monitoramento de suínos. Revista Archivos de Zootecnia, Córdoba, v. 65, n. 252, p. 557-563, 2016.

SOARES, F. C.; ROBAINA, A. D.; PEITER, M. X.; RUSSI, J. L.; VIVAN, G. A. Redes neurais artificiais na estimativa da retenção de água do solo. Revista Ciência Rural, Santa Maria, v. 44, n. 2, p. 293-300, 2014.

SOUSA, A. M. L.; VITORINO, M. I.; CASTRO, N. M. R.; BOTELHO, M. N.; SOUZA, P. J. O. P. Evapotranspiration from remote sensing to improve the SWAT model in Eastern Amazonia. Floresta e Ambiente, Seropédica, v. 22, n. 4, p. 456-464, 2015. DOI: https://doi.org/10.1590/2179-8087.083814

VALENTE, G. F. S.; GUIMARÃES, D. C.; GASPARDI, A. L. A.; OLIVEIRA, L. A. Aplicação de redes neurais artificiais como teste de detecção de fraude de leite por adição de soro de queijo. Revista do Instituto de Laticínios Cândido Tostes, Juiz de Fora, v. 69, n. 6, p. 425-432, 2014. DOI: https://doi.org/10.14295/2238-6416.v69i6.353

Publicado

2021-07-13 — Atualizado em 2023-10-02

Versões

Como Citar

Borges, P. H. de M., Hurtado de Mendoza, Z. M. dos S., & Morais, P. H. de M. (2023). PRONÓSTICO ANUAL DE LA CARGA TÉRMICA RADIANTE APLICÁNDOSE INTELIGENCIA ARTIFICIAL. Nativa, 9(3), 229–235. https://doi.org/10.31413/nativa.v9i3.10122 (Original work published 13º de julho de 2021)

Edição

Seção

Ciências Ambientais / Environmental Sciences

Artigos mais lidos pelo mesmo(s) autor(es)