Predicción de rendimiento de maquinarias para movimiento de tierras utilizando redes neuronales artificiales

Abstract

La presente investigación que lleva por título “PREDICCION DE RENDIMIENTOS DE MAQUINARIAS PARA MOVIMIENTO DE TIERRAS UTILIZANDO REDES NEURONALES ARTIFICIALES”, propone hacer un pronóstico de los rendimientos de las maquinarias par las actividades preliminares de movimiento de tierra, que consiste en el corte y relleno, excavación, empuje y extendido, carguío y acarreo, haciendo uso de la inteligencia computacional, en este caso los modelos de redes neuronales artificiales, para lo cual se debe partir de ciertos factores o elementos que intervienen en los rendimientos de las maquinarias, como la marca y modelo de la maquinaria, potencia, la condición o zona , la climatología, el tipo de material, la función que realiza y el rendimiento o producción teórica. Para lo cual se plantearon los siguientes objetivos, la recolección y elección de la base de datos de los factores que intervienen en la determinación de los rendimientos de las maquinarias para movimiento de tierra, por la cual se tuvo que recurrir a la bibliografía e información de investigaciones realizadas a cerca de rendimientos de maquinarias pesadas en las actividades de movimiento de tierras, luego de la recopilación de la base de datos, se procedió a realizar el aprendizaje o entrenamiento del modelo neuronal, por medio de las variables de entrada que este caso vienen a ser los siguientes factores que intervienen en el rendimiento de las maquinarias (marca/modelo, potencia, condición o zona, climatología, material, función y rendimiento teórico) y las variables de salida que este caso viene a ser el rendimiento real de las maquinarias para las distintas fases de movimiento de tierras, por tanto se realizó las pruebas necesarias con el objetivo de encontrar la mejor red neuronal haciendo uso de un programa de predicción que es el software NeuralTools, de este modo se obtuvo los mejores modelos neuronales, la mecánica del software consiste en que utiliza el 80% de base de datos para el aprendizaje o entrenamiento de los modelos neuronales y el 20% restante de los datos para la prueba del modelo, a continuación se procedió a recopilar los datos de rendimientos de las maquinarias en la fase preliminar de movimiento de tierras de los proyectos realizados. Por lo tanto, este modelo neuronal nos permite obtener rendimientos aproximados con los factores señalados anteriormente, con lo cual se puede determinar la culminación de ciertas actividades y esto nos permite controlar de manera eficiente cada una de esas actividades, y esto se traduce en el aumento de la productividad y el cumplimiento de las metas sin exceder los costos programados.