Uma abordagem baseada em redes neurais artificiais para a estimação de densidade de solo

Abstract

Este trabalho apresenta a aplicação de um sistema inteligente utilizando redes neurais artificiais para estimar valores de densidade do solo, a partir de parâmetros referentes à resistência do solo à penetração. Foram considerados solos preparados e não preparados, os não preparados foram os seguintes : teor de argila menor que 30 % (solo tipo 1), de 30 a 50 % (solo tipo 2) e maior que 50 % (solo tipo 3). Os preparados foram os seguintes: um com teor de argila menor que 30 % (solo tipo 1) e o outro com teor de argila maior que 50 % (solo tipo 3). O objetivo principal deste trabalho foi implementar diversas redes neurais do tipo perceptron multicamadas, alimentando-as com resistência do solo à penetração, teor de água e teor de argila, tendo como variável de saída a densidade do solo. Cada rede foi treinada variando o número de camadas escondidas e também variando o número de neurônios, de 10 a 40, em cada camada. Para cada arquitetura, a rede foi treinada 10 vezes, escolhendo-se no final do treinamento a arquitetura com menor erro relativo médio e menor variância em relação aos dados de validação. As análises realizadas mostraram que as arquiteturas de rede com apenas uma camada escondida forneceram melhores resultados. Todas as redes tiveram melhor desempenho em solo não preparado do que em solo preparado. A rede de arquitetura de 3 entradas, uma camada escondida com 30 neurônios e 1 saída forneceu excelente resultado para solo não preparado (com teor de argila entre 30 e 50 %). Constatou-se que a rede quando treinada com dados do solo preparado, juntamente com dados do solo não preparado, melhorou os resultados de estimação para o solo preparado, mas piorou para os solos não preparados. Constatou também que a rede quando treinada junto com dados que contém solo solto fornece resultados imprecisos. O mesmo ocorreu para dados com teor de água elevado.

This work presents the development of an intelligent system using artificial neural networks to estimate values of soil density. Prepared and non-prepared soils were considered in this work. The non-prepared soils were the following ones: clay content lesser than 30 % (soil type 1), 30 to 50 % (soil type 2) and larger than 50 % (soil type 3). The prepared soils were the following ones: soil with clay content lesser than 30 % (soil type 1) and soil with clay content larger than 50 % (soil type 3). The main objective of this work was to implement several neural networks of type multilayer perceptron, feeding them with data concerning to the soil compaction characteristics. The output computed by the neural network was the respective density of these soils. Each neural network was trained varying both number of hidden layers and number of neurons, which was changed from 10 to 40 neurons in each layer. In each architecture the network was trained 10 times and selected architecture was always that having either the least mean relative error or the least variance in relation to validation data. The carried out analyses showed that the neural architectures having only a hidden layer were those that provided the best results. All neural networks have presented more efficient results for non-prepared soils than prepared soils. The neural network constituted by three inputs and one output, having 30 neurons at hidden layer, has provided excellent results for non-prepared soils (clay content between 30 and 50 %). It was also verified that the neural network when trained with data referent to non-prepared and soils, which were put in the same data set, it became the results referent to prepared soils more efficient, but the results for non-prepared soils become worse. Another observed point was when the network had been trained with data constituted by soft soil... (Complete abstract, click electronic address below).