Predicción de potencialidades energéticas a partir de los residuos sólidos generados en el mercado municipal del cantón Caluma mediante el uso de redes neuronales artificiales

El presente trabajo de integración curricular tiene como objetivo predecir las potencialidades energéticas de los residuos sólidos orgánicos mediante el uso de redes neuronales artificiales. Los datos experimentales se obtuvieron del análisis termogravimétrico de los residuos orgánicos, datos que fueron evaluados por medio de modelos cinéticos: Flynn-Wall-Ozawa, Kissinger-AkahiraSunose (KAS) y Friedman. Posteriormente se realizó un análisis estadístico en el que se selecciona el modelo cinético que tenga menor dispersión de datos para la rampa de 5 °C/min y 15 °C/min. La red neuronal fue diseñada con el software Matlab en el cual se definieron tres variables de entrada; tiempo, temperatura y peso provenientes del análisis termogravimétrico y la energía de activación como variable de salida. Para la tasa de calentamiento de 5 °C/min y 15 °C/min, la arquitectura de la red tiene 25 neuronas en la capa oculta y el algoritmo de Regularización Bayesiana debido a que obtuvo el Error cuadrático medio (MSE) más bajo con 5.25464E-1 y el R más próximo a 1 equivalente a 9.99997E-1. Los resultados predichos por la red neuronal artificial fueron validados por un análisis estadístico realizado en Statgraphics, dando como resultado un valor- P mayor a 0.05 con un nivel de confianza del 95% en relación a la energía de activación real y predicha. En conclusión, el uso de las redes neuronales para la predicción de las potencialidades energéticas nos evita la realización de cálculos extensos o largas jornadas en laboratorios. Resultados que podrán ser empleados en la realización de proyectos que tengan como fin la generación de energías limpias.The objective of this study was to predict the energy potentialities of organic solid waste using artificial neural networks. The experimental data were obtained from the thermogravimetric analysis of the organic residues, data that were evaluated using kinetic models Flynn-Wall-Ozawa, Kissinger-Akahira-Sunose (KAS) and Friedman. Subsequently, a statistical analysis was performed in which the kinetic model with the lowest data dispersion was selected for the ramp of 5 ° C / min and 15 ° C / min. The neural network was designed with Matlab in which three input variables were defined time, temperature and weight from thermogravimetric analysis and activation energy as output variable. For the heating rate of 5 ° C / min and 15 ° C / min, the network architecture has 25 neurons in the hidden layer and the Bayesian Regularization algorithm because it obtained the lowest root mean square error (MSE) with 5.25464E-1 and the R closest to 1 equivalent to 9.99997E-1. The results predicted by the artificial neural network were validated by a statistical analysis performed in Statgraphics, resulting in a P-value greater than 0.05 with a confidence level of 95% concerning the real and predicted activation energy. In conclusion, the use of neural networks for the prediction of energy potentialities prevents us from carrying out extensive calculations or long hours in laboratories. These results may be used to carry out projects that aim to generate clean energy