Análisis Comparativo de Modelos de Redes Neuronales para Predecir las Concentraciones de Amoníaco en una Instalación de Gestación de Cerdas con Ventilación Mecánica en Corea
Autores: Park, Junsu; Jo, Gwanggon; Jung, Minwoong; Oh, Youngmin
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Análisis Comparativo de Modelos de Redes Neuronales para Predecir las Concentraciones de Amoníaco en una Instalación de Gestación de Cerdas con Ventilación Mecánica en Corea
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Modelos de redes neuronales
Emisiones de NH
Predicción a largo plazo
LSTM
Transformer
Naturaleza de regresión
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 7
Citaciones: Sin citaciones
Los métodos convencionales para monitorear las emisiones de amoníaco (NH) de las granjas ganaderas tienen varios desafíos, como un mal ambiente para la medición, dificultad para acceder al ganado y problemas con la medición a largo plazo. Para abordar estos problemas, aplicamos varios modelos de redes neuronales para la predicción a largo plazo de las concentraciones de NH de las granjas de cerdas en este estudio. Se proporcionaron parámetros ambientales, incluyendo temperatura, humedad, tasa de ventilación y registros anteriores de concentraciones de NH, como entradas a los modelos. Estos modelos de redes neuronales tomaron las partes de codificación o extracción de características de los modelos representativos de aprendizaje profundo, incluyendo Memoria a Largo y Corto Plazo (LSTM), Red Neuronal Convolucional (CNN) y Transformador, para codificar patrones temporales de series de tiempo. Sin embargo, todos estos modelos adoptaron capas densas para el decodificador para formatear la tarea de predicción a largo plazo como un problema de regresión. Debido a su naturaleza de regresión, todos los modelos mostraron un rendimiento robusto en la predicción de concentraciones de NH a largo plazo en una escala de semanas o incluso meses, a pesar de que había un período relativamente corto de señales de entrada (de unos pocos días a una semana). Dada una semana de entrada, LSTM mostró los errores absolutos medios (MAE) mínimos de 1.83, 1.78 y 1.87 ppm para la predicción de una, dos y tres semanas, respectivamente, mientras que el Transformador tuvo el mejor rendimiento con un MAE de 1.73 ppm para una predicción de cuatro semanas. En la estimación a largo plazo que abarca meses, LSTM mostró los MAE mínimos de 1.95 y 1.90 ppm cuando se entrenó para predecir ventanas de dos y tres semanas. En la misma condición, el Transformador dio los MAE mínimos de 1.87 y 1.83 cuando se entrenó para predecir ventanas de una y cuatro semanas. En general, los modelos de redes neuronales pueden facilitar la predicción de las emisiones de NH a nivel nacional, el desarrollo de estrategias de mitigación para los contaminantes del aire derivados del NH, la gestión de olores y el monitoreo de los entornos de cría de animales. Además, su integración con dispositivos de medición en tiempo real puede prolongar significativamente la longevidad del dispositivo y ofrecer ahorros de costos sustanciales.
Descripción
Los métodos convencionales para monitorear las emisiones de amoníaco (NH) de las granjas ganaderas tienen varios desafíos, como un mal ambiente para la medición, dificultad para acceder al ganado y problemas con la medición a largo plazo. Para abordar estos problemas, aplicamos varios modelos de redes neuronales para la predicción a largo plazo de las concentraciones de NH de las granjas de cerdas en este estudio. Se proporcionaron parámetros ambientales, incluyendo temperatura, humedad, tasa de ventilación y registros anteriores de concentraciones de NH, como entradas a los modelos. Estos modelos de redes neuronales tomaron las partes de codificación o extracción de características de los modelos representativos de aprendizaje profundo, incluyendo Memoria a Largo y Corto Plazo (LSTM), Red Neuronal Convolucional (CNN) y Transformador, para codificar patrones temporales de series de tiempo. Sin embargo, todos estos modelos adoptaron capas densas para el decodificador para formatear la tarea de predicción a largo plazo como un problema de regresión. Debido a su naturaleza de regresión, todos los modelos mostraron un rendimiento robusto en la predicción de concentraciones de NH a largo plazo en una escala de semanas o incluso meses, a pesar de que había un período relativamente corto de señales de entrada (de unos pocos días a una semana). Dada una semana de entrada, LSTM mostró los errores absolutos medios (MAE) mínimos de 1.83, 1.78 y 1.87 ppm para la predicción de una, dos y tres semanas, respectivamente, mientras que el Transformador tuvo el mejor rendimiento con un MAE de 1.73 ppm para una predicción de cuatro semanas. En la estimación a largo plazo que abarca meses, LSTM mostró los MAE mínimos de 1.95 y 1.90 ppm cuando se entrenó para predecir ventanas de dos y tres semanas. En la misma condición, el Transformador dio los MAE mínimos de 1.87 y 1.83 cuando se entrenó para predecir ventanas de una y cuatro semanas. En general, los modelos de redes neuronales pueden facilitar la predicción de las emisiones de NH a nivel nacional, el desarrollo de estrategias de mitigación para los contaminantes del aire derivados del NH, la gestión de olores y el monitoreo de los entornos de cría de animales. Además, su integración con dispositivos de medición en tiempo real puede prolongar significativamente la longevidad del dispositivo y ofrecer ahorros de costos sustanciales.