Prediciendo la tasa de ventilación en un establo lácteo naturalmente ventilado en condiciones de viento utilizando técnicas de aprendizaje automático
Autores: Cao, Mengbing; Yi, Qianying; Wang, Kaiying; Li, Jiangong; Wang, Xiaoshuai
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Prediciendo la tasa de ventilación en un establo lácteo naturalmente ventilado en condiciones de viento utilizando técnicas de aprendizaje automático
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Tasa de ventilación
Aprendizaje automático
Predicción
Esquema de modelado
Velocidad del aire interior
Rendimiento
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 21
Citaciones: Sin citaciones
La estimación precisa de la tasa de ventilación de un edificio para ganado ventilado naturalmente puede beneficiar el control del ambiente interior. El aprendizaje automático se ha convertido en una técnica útil en muchos campos de investigación y podría aplicarse a la predicción de la tasa de ventilación. Este estudio desarrolló un modelo de aprendizaje automático para la predicción de la tasa de ventilación a partir de resultados de simulación de dinámica de fluidos computacional (CFD) por lotes. Al comparar redes neuronales profundas (DNN), regresión de vectores de soporte (SVR) y bosque aleatorio (RF), se seleccionó el mejor algoritmo de aprendizaje automático. Al comparar el esquema de modelado de salida única directa (tasa de ventilación) y salida múltiple indirecta (predecir velocidades de aire promediadas normales a las aberturas, y luego calcular la tasa de ventilación), se evaluaron las actuaciones de los modelos de aprendizaje automático ampliamente aplicados en la predicción de la tasa de ventilación. Además, este estudio evaluó el impacto de agregar la medición de la velocidad del aire interior en la predicción de la tasa de ventilación. Los resultados mostraron que el rendimiento de modelado del algoritmo DNN (Error Porcentual Absoluto Medio (MAPE) = 20.1%) fue mejor que el de SVR (MAPE = 23.2%) y el algoritmo RF (MAPE = 21.0%). El esquema de salida múltiple tuvo un mejor desempeño (MAPE < 8%) que el esquema de salida única (MAPE = 20.1%), donde MAPE es el error porcentual absoluto medio. Además, la comparación de esquemas de modelado con diferentes entradas mostró que la precisión predictiva podría mejorarse agregando velocidades interiores a las entradas. El MAPE disminuyó de 7.7% en el esquema sin velocidad interior a 4.4% en el esquema con una velocidad interior, y 3.1% en el esquema con dos velocidades interiores. La ubicación de la velocidad adicional del aire afectó la precisión del modelo predictivo, con las ubicadas en la capa inferior teniendo un mejor rendimiento en la predicción que las de la capa superior. Este estudio permite una predicción en tiempo real y precisa de la tasa de ventilación de un granero y proporciona una recomendación para la ubicación óptima de los sensores interiores.
Descripción
La estimación precisa de la tasa de ventilación de un edificio para ganado ventilado naturalmente puede beneficiar el control del ambiente interior. El aprendizaje automático se ha convertido en una técnica útil en muchos campos de investigación y podría aplicarse a la predicción de la tasa de ventilación. Este estudio desarrolló un modelo de aprendizaje automático para la predicción de la tasa de ventilación a partir de resultados de simulación de dinámica de fluidos computacional (CFD) por lotes. Al comparar redes neuronales profundas (DNN), regresión de vectores de soporte (SVR) y bosque aleatorio (RF), se seleccionó el mejor algoritmo de aprendizaje automático. Al comparar el esquema de modelado de salida única directa (tasa de ventilación) y salida múltiple indirecta (predecir velocidades de aire promediadas normales a las aberturas, y luego calcular la tasa de ventilación), se evaluaron las actuaciones de los modelos de aprendizaje automático ampliamente aplicados en la predicción de la tasa de ventilación. Además, este estudio evaluó el impacto de agregar la medición de la velocidad del aire interior en la predicción de la tasa de ventilación. Los resultados mostraron que el rendimiento de modelado del algoritmo DNN (Error Porcentual Absoluto Medio (MAPE) = 20.1%) fue mejor que el de SVR (MAPE = 23.2%) y el algoritmo RF (MAPE = 21.0%). El esquema de salida múltiple tuvo un mejor desempeño (MAPE < 8%) que el esquema de salida única (MAPE = 20.1%), donde MAPE es el error porcentual absoluto medio. Además, la comparación de esquemas de modelado con diferentes entradas mostró que la precisión predictiva podría mejorarse agregando velocidades interiores a las entradas. El MAPE disminuyó de 7.7% en el esquema sin velocidad interior a 4.4% en el esquema con una velocidad interior, y 3.1% en el esquema con dos velocidades interiores. La ubicación de la velocidad adicional del aire afectó la precisión del modelo predictivo, con las ubicadas en la capa inferior teniendo un mejor rendimiento en la predicción que las de la capa superior. Este estudio permite una predicción en tiempo real y precisa de la tasa de ventilación de un granero y proporciona una recomendación para la ubicación óptima de los sensores interiores.