ARTIFICIAL NEURAL NETWORK BASED EQUATION TO ESTIMATE HEAD LOSS ALONG DRIP IRRIGATION LATERALS

Ano: 2014 | Volume: 8 | Número: 2

Autores: A. Perboni, J. A. Frizzone, A. P. de Camargo

Palavras-chave: microirrigação, modelo, ajuste.

Resumo Português:

Propor uma equação ajustada com rede neural artificial (ANN) para estimar a perda de carga em tubos emissores com emissores “in-line” do tipo cilíndrico, motivou a realização do presente estudo. As variáveis de entrada do modelo: perda de carga que ocorre entre dois emissores consecutivos; espaçamento entre emissores; diâmetro interno do tubo; área média da seção transversal de escoamento do emissor; velocidade média de escoamento da água no tubo e viscosidade cinemática da água foram obtidas experimentalmente e normalizadas no intervalo de 0 a 1. Cinco repetições para cada uma das seis diferentes estruturas de ANNs do tipo perceptron de múltiplas camadas (MLP) foram treinadas no pacote neuralnet do software R. A estrutura MLP com seis neurônios na camada de entrada, seis na oculta e um na camada de saída foi escolhida para desenvolver o modelo. Os modelos de ANN e análise dimensional, apresentaram erro absoluto máximo de 0.324 kPa e 1.647 kPa, respectivamente. Conclui-se que ANNs melhoraram o ajuste em relação ao modelo de análise dimensional.

Resumo Inglês:

This work proposes an equation based on Artificial Neural Network (ANN) to estimate head loss along emitting pipes accounting for cylindrical in-line emitters. The following input variables were used to fit the model: total head loss between two consecutive emitters; emitter spacing; internal diameter of the pipe; mean water velocity at uniform pipe sections; and, kinematic viscosity of water. The input data was obtained by experimental means and standardized from 0 to 1. Five replications and six distinct structures of ANNs multilayer perceptron (MLP) were used during the training stage performed using the package neuralnet of the software R. A MLP structure consisting of six neurons at input layer, six neurons at hidden layer, and one neuron at output layer was applied for fitting the model. Estimated values by the ANN’s equation were compared to the estimated values by an equation based on dimensional analysis. The ANN’s equation and the equation based on dimensional analysis presented maximum deviations between measured and estimated values of 0.324 kPa and 1.647 kPa, respectively. Therefore the ANN’s equation presented better results than the equation based on dimensional analysis.