Por favor, use este identificador para citar o enlazar este ítem: http://repositorio.utc.edu.ec/handle/27000/5340
Tipo de Material: bachelorThesis
Título : Modelo basado en machine learning para la predicción de variables empleadas en el secado de semilla en horno microondas
Autor : Cárdenas Quinapaxi, Silvia Carolina
Vela Pérez, Vanessa Estefanía
Director de Tesis: Bravo Mullo, Silvia Jeaneth, Ing.
Descriptores: MACHINE LEARNING
PREDICCIÓN DE VARIABLES
MINERÍA DE DATOS
Fecha de publicación : ago-2019
Ciudad: Editorial: Ecuador: Latacunga: Universidad Técnica de Cotopaxi (UTC).
Citación : Cárdenas Quinapaxi Silvia Carolina. Vela Pérez Vanessa Estefanía (2019); Modelo basado en machine learning para la predicción de variables empleadas en el secado de semilla en horno microondas. UTC. Latacunga. 81 p.
metadata.dc.format.extent: 81 páginas
Resumen : El secado de semillas implica la reducción del contenido de humedad a niveles recomendados, utilizando técnicas que no deterioren su viabilidad, eviten el deterioro, calentamiento e infestación durante su almacenamiento. El presente proyecto, se basa en desarrollar un modelo basado en Machine Learning para la predicción de las variables utilizadas en el secado de semillas, ya que no existe un modelo relacionado a este tipo de investigación, por ende no se puede obtener un buen rendimiento en el secado, lo cual se invierte recursos de tiempo, económicos y materiales. Para el desarrollo del proceso de predicción se utilizaron técnicas predictivas como son: Redes Neuronales y Árboles de decisión, además, se empleó una metodología que involucra el método experimental y de prototipo. Adicionalmente, se utilizó el lenguaje de programación Python con la herramienta Skylearn, esta última herramienta permitió emplear la red neuronal MLPRegressor, la misma que fue calibrada con la siguiente característica principal, es decir se empleó 5 capas de entrada y 5 capas de salida, de igual manera para la predicción con árboles de decisión se empleó RandomForestRegressor, la misma que se calibró bajo la característica principal que en este caso fue el empleo de 10 estimadores y un estado aleatorio de 42. MLPRegressor alcanzó las siguientes predicciones, para el tiempo de secado: 99.18%, consumo de energía: 98.17% y tasa de germinación: 78.18%, mientras que con RandomForestRegressor se alcanzó las siguientes predicciones, para el tiempo de secado: 99.18%, consumo de energía: 99.17% y tasa de germinación: 88.72%. Los modelos generados fueron evaluados mediante la precisión del modelo logrando un porcentaje más alto del 95.47%, por lo tanto, el empleo de estas herramientas permitió obtener resultados óptimos en la predicción de las variables de tiempo de secado, consumo de energía y tasa de germinación, que ayudan a reducir, ahorrar tiempo y recursos.
Descripción : Seed drying involves reducing the moisture content at recommended levels, using techniques that do not deteriorate their viability, avoid deterioration, heating and infestation during storage. The present project is based on developing a model based on Machine Learning for predicting the variables used in seed drying, as there is no any model related to this type of research, therefore it is not possible to obtain a good efficiency in drying, which it invests time, economic and material resources. For the prediction development process, predictive techniques were used, such as: Neural Networks and Decision Trees, in addition, a methodology involving the experimental and prototype method was used. Additionally, the Python programming language was used with the Skylearn tool, this last tool allowed the use of the MLPRegressor neural network, which was calibrated with the following main characteristic; 5 input layers and 5 output layers were used. Likewise for the prediction with decision trees RandomForestRegressor was used, the same one that was calibrated under the main characteristic that in this case was the use of 10 estimators and a random state of 42. MLPRegressor reached the following predictions, for the drying time : 99.18%, energy consumption: 98.17% and germination rate: 78.18%, while with RandomForestRegressor the following predictions were reached, for the drying time: 99.18%, energy consumption: 98.17% and germination rate: 88.72%, The models generated were evaluated by coefficient of variation achieving 95.47%, therefore, the use of these tools allowed ob have optimal results in the prediction of the variables of drying time, energy consumption and germination rate, which help reduce, save time and resources.
Aparece en las colecciones: Tesis - Ingeniería en Sistemas

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
PI-001360.pdfPROYECTO DE GRADO A TEXTO COMPLETO2,15 MBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons