4.4 Performance Evaluation
4.4.2 Edge Labelling Performance
El desempeño que brindan las redes neuronales artificiales a definido una gran variedad de campos de aplicación, a continuación, se mencionan los principales (Caicedo & López, 2017, págs. 33-36):
• Reconocimiento y clasificación de patrones. Una de las principales fortalezas es solucionar problemas de dogma y categorización de modelos, son aplicados en la mayoría la redes perceptrón multicapa. (Caicedo & López, 2017, págs. 33- 36)
• Categorización de patrones (clustering). Su aplicación es muy utilizada para problema de minería de datos, donde se necesita agrupar la información con el propósito de su posterior procesamiento. (Caicedo & López, 2017, págs. 33-36) • Procesamiento de señales. El objetivo es clasificar y extraer las características
principales para solucionar problemas de reconocimiento de caracteres de distintos tipos como voz, audio, radiales, etc. (Caicedo & López, 2017, págs. 33- 36)
• Medicina. Se han utilizado para reconocimiento de patrones de imágenes procesadas con el objetivo de reconocer y establecer diagnósticos de salud. (Caicedo & López, 2017, págs. 33-36)
• Gestión financiera. Se aplican en modelos de series de tiempo para realizar predicciones variables económicas. (Caicedo & López, 2017, págs. 33-36) • Robótica. La mayoría de aplicaciones de las redes neuronales artificiales han
progresado en este campo, ya que permiten a los robots dotarlos con criterios propios y son programados para que tomen decisiones inteligentes en entornos cambiantes. (Caicedo & López, 2017, págs. 33-36)
44 CAPITULO II 2 MARCO METODOLÓGICO
2.1 Caracterización de las Redes Neuronales Artificiales orientadas a la predicción del índice de contaminación por dióxido de carbono en la zona céntrica de la ciudad de Santo Domingo.
Los daños causados al medio ambiente en la actualidad son más evidentes, en especial el CO2 generado por el crecimiento de las industrias y el parque automotor, provocando a las habitantes afectaciones en su salud. Para el desarrollo de la propuesta de investigación se escogió la intersección entre la avenida Tsáchila y 29 de mayo, que corresponde en parte a la zona céntrica de la ciudad de Santo Domingo. Esto pretende desarrollar un sistema de predicción del índice de dióxido de carbono basado en redes neuronales artificiales para aportar a la toma de decisiones de mitigación de este contaminante.
2.2 Descripción del procedimiento metodológico
Tomando en cuenta los conceptos teóricos enunciados en el capítulo 1, para el presente apartado se describirá la metodología, métodos y materiales utilizados en el desarrollo del sistema de predicción del índice de dióxido de carbono basado en redes neuronales artificiales.
2.2.1 Modalidad de la investigación.
Cualitativa: esta modalidad es aplicada desde la problemática descrita en el capítulo anterior hasta el desarrollo de la propuesta del presente proyecto de investigación, describiendo mediante calificativos o descriptivos el problema del contaminante dióxido de carbono. (Sampieri, 2014, págs. 5-20)
Cuantitativa: a través de la cuantificación de los datos históricos variables del índice de dióxido de carbono, aplicando un análisis profundo para el procesamiento de la información y ser utilizados en la predicción, empleando redes neuronales artificiales. (Sampieri, 2014, págs. 5-20)
45
2.2.2 Tipo de investigación
El presente proyecto de titulación se enmarca dentro de la investigación experimental para establecer control sobre las variables independiente y dependiente a través de casos de estudios, aplicando redes neuronales artificiales y verificar la validez de la hipótesis planteada anteriormente. (Sampieri, 2014, págs. 128-169)
2.2.3 Métodos investigación
Los métodos principales utilizados en el presente proyecto de investigación son: • Método Inductivo
• Método estadístico
2.2.3.1 Método inductivo
El método inductivo inicia desde premisas particulares como es la predicción del índice de contaminación dióxido de carbono, para precisar los casos de estudios y comprobar la efectividad de la propuesta. (Del Cid, Méndez, & Sandoval, 2011, págs. 20-22)
Las etapas a seguir en el desarrollo en el método inductivo son:
• Observación, se aplicó para comprender la problemática actual y enfatizar la necesidad de medir y controlar el contaminante CO2.
• Registro de las mediciones de CO2 recolectadas en la zona céntrica de la ciudad de Santo Domingo, para comprender la problemática del entorno contaminado. • Análisis de las mediciones obtenidas de CO2 para su estudio y detección de
situaciones que afectan la calidad de vida de los habitantes.
• Clasificación y organización de las mediciones CO2 para detectar datos atípicos que puedan interferir en los resultados.
• Derivación inductiva, donde se analiza la problemática actual y con los pasos antes mencionados fomentar procesos de aminoración del contaminante CO2.
46
• Conclusiones, de los pasos anteriores predomina el propósito de asistir a estrategias de toma de decisiones con la intención de disminuir la contaminación de CO2 y el motivo principal del presente trabajo investigativo es diseñar un sistema basado en redes neuronales artificiales orientado a la predicción, para contribuir en los procesos de planificación y mitigación en la zona céntrica de la ciudad de Santo Domingo.
2.2.3.2 Método estadístico
El uso del método estadístico es vital en el presente trabajo de investigación por el soporte que brinda sobre los datos cuantitativos con la intención de analizarlos, interpretarlos y comparar el porcentaje de error de la predicción del índice de dióxido de carbono, para aportar a la toma de decisiones y evitar su incremento en el ambiente a futuro.
Las fases a seguir en el desarrollo en el método estadístico son (Calduch, 2014, págs. 97-117):
• Planificación de la investigación, para determinar las condiciones actuales del índice contaminación CO2 y describir la problemática actual para emprender una solución aplicando técnicas RNA.
• Recolección de información, indagar y obtener datos históricos de fuentes confiables para establecer estrategias mitigantes del CO2.
• Elaboración y procesamientos de datos recogidos con el propósito de depurar e integrar la información recopilada, para adquirir información fiable, precisa y veraz.
• Análisis e interpretación, aplicación de diferentes técnicas de análisis para obtener modelos que permitirán sugerir estrategias de mitigación al término del presente trabajo de investigación.
47
2.2.4 Población y muestra 2.2.4.1 Población
Dado el propósito del trabajo de investigación es realizar la predicción, se estableció como población las mediciones obtenidas de producción del CO2 en la zona céntrica en Santo Domingo.
2.2.4.2 Muestra
Por la necesidad del presente proyecto, no es preciso establecer una muestra, ya que los datos de CO2 recolectados en la zona céntrica de Santo Domingo están almacenados en archivos electrónicos y serán manipulados con herramientas computacionales, por ello es conveniente trabajar con toda la población muestral.
2.2.5 Técnicas de recolección de datos
La información se obtuvo por medio libros, revistas, artículos, medios electrónicos y otros, la cual fue vital para la elaboración del estudio del arte del presente trabajo de investigación. Los datos de medición de dióxido de carbono se obtuvieron a través del desarrollo de un prototipo con la aplicación de plataforma Arduino.
2.2.6 Herramientas
Software
• Excel 2016 • Arduino 1.8.8 • Matlab R2017b
• Matlab Neural Network Toolbox
2.3 Justificación del método de investigación
El desarrollo del sistema de predicción basado en redes neuronales artificiales comprende cinco fases que cumplirán el propósito de predecir el índice de dióxido de carbono, se realizaran simulaciones y puesto a prueba con datos reales mediante
48
herramientas computacionales, a continuación, se detallan las etapas para concepción del modelo en el siguiente gráfico (Ver “Figura 20”):
Figura 20. Esquema general del sistema de predicción. Elaborado por: Herrera, José, 2018
2.3.1 Adquisición de los datos 2.3.1.1 Área de estudio
La provincia de Santo Domingo de los Tsáchilas forma parte de la Región Costa, ubicada en zona trópico húmedo. Su capital es la ciudad de Santo Domingo de los Colorados, tiene una superficie de 3523 Km2 a una altitud de 655 msnm con una población de 450000 habitantes, convirtiéndose en una de las ciudades más prósperas y de mayor crecimiento poblacional dando lugar al intercambio de productos entre las regiones aledañas. Limita al norte y al este con Pichincha, al oeste con Manabí y al sur Los Ríos (GAD, 2017).
El área de estudio a realizarse es la zona céntrica de la ciudad de Santo Domingo, en intersección de las avenidas Tsáchilas y 29 de mayo, tal como se puede observar en el siguiente gráfico Ver “Figura 21” y “Anexo 4”).
49
Figura 21. Área de estudio, centro de la ciudad de Santo Domingo. Fuente: www.google.com/maps, 2018
2.3.1.2 Definición de las variables
El acto más notable de un modelo de predicción es determinar y seleccionar la (s) variable (s) de entrada para el pronóstico de una red neuronal artificial, en este caso involucra la necesidad emplear como entradas las mediciones del dióxido de carbono de acuerdo con los objetivos planteados de la investigación.
A continuación, se detallan las variables de entrada para el pronóstico en la siguiente tabla (Ver “Cuadro 6”).
50
Cuadro 6. Variables de entrada de la red neuronal artificial.
Categoría Variable Unidad Tipo
Calendario
Hora Tiempo Numérica
Rango= 0-23
Día Tiempo Numérica
Rango= 1-30
Mes Tiempo Numérica
Rango= 1-12
Año Tiempo Numérica
Objetivo Dióxido de carbono PPM Numérica
Elaborado por: Herrera, José, 2018
Tomando en cuenta el objetivo general del proyecto de investigación, es necesario obtener las mediciones de dióxido de carbono del medio ambiente, para ello se desarrolló un prototipo con el propósito de adquirir datos con los siguientes elementos:
• Sensor: hardware encargado de medir el gas CO2 en el aire
• Microcontrolador: tarjeta electrónica facultada para administrar, recopilar y procesar la información.
• Módulos: hardware auxiliar para proveer tiempo, fecha y almacenamiento externo.
2.3.1.3 Diseño del prototipo de medición de dióxido de carbono
Una vez definidos los elementos que componen el prototipo, se realizó el diseño del diagrama de bloques para representar las conexiones de los componentes, según se puede observar en la gráfica siguiente (Ver “Figura 22”).
51
Figura 22. Diagrama de bloques del prototipo medidor de CO2. Elaborado por: Herrera, José, 2018
A partir del diagrama de bloques se utilizó dispositivos electrónicos Arduino, por ser una de las plataformas más usadas en el área educativa y experimental, además utiliza software de código libre y fácil programación, el prototipo se construyó con módulos existentes en el mercado local detallados a continuación:
• Arduino Uno: es una placa electrónica que incorpora un microcontrolador ATMEGA328P, además posee 14 pines digitales de entrada/salida y de acuerdo con uso del programador que necesite se pueden utilizar como entradas analógicas, (Arduino, 2018). La imagen (Ver “Figura 23”) y características se describen a continuación en la siguiente tabla (Ver “Cuadro 7”).
Figura 23. Arduino UNO.
52
Cuadro 7. Especificaciones técnicas de Arduino Uno.
Microcontrolador ATMEGA328P Tensión de funcionamiento 5 V
Voltaje de alimentación 7 – 12 V Voltaje de entrada 6 – 20 V (máx.) Pines E/S digitales 14
Pines E/S PWM 6
Pines entrada analógica 6 (A0 – A5) Corriente DC por pin 20 mA Corriente DC para 3.3 V pin 50 mA
Memoria Flash 32 Kb SRAM 2 Kb Velocidad de reloj 16 MHz LED_BUILTIN 13 Longitud 68.6 mm Ancho 53.4 mm Peso 25 g
Fuente: Elaboración propia a partir de Arduino (2018)
• Shield Data Logger SD: es una placa electrónica acoplable a tarjetas Arduino (Uno, Leonardo, Mega 2560R3), incorpora lector de memorias micro SD y un reloj de tiempo real ajustable. A continuación, se observa en el gráfico (Ver “Figura 24”) y se describen las características en la siguiente tabla (Ver “Cuadro 8”).
53
Figura 24. Modulo Shield V1 Data Logger SD Elaborado por: Herrera, José, 2018
Cuadro 8. Especificaciones del módulo Data Logger SD.
Voltaje de funcionamiento 3.3 V
Acople de conexiones Todos los Pines del Arduino Interfaz de tarjeta SD: Fat 16 y Fat 32
Interfaz de reloj RTC: integrado 1307
Pila CR-1220
Fuente: Elaboración propia a partir de la hoja técnica Arduino Welleman (2018)
• Sensor MG811: es muy utilizado para prototipos de detección del dióxido de carbono por su alta sensibilidad, posee una capa electrolítica recubierta por malla de acero con el propósito de capturarlo del ambiente enviando señales de salida analógica hacia el microcontrolador (Ver “Figura 25”), (Sandboxelectronics, 2018). A continuación, se describen las características en la siguiente tabla (Ver “Cuadro 9”).
54 Figura 25. Modulo sensor MG811. Elaborado por: Herrera, José, 2018
Cuadro 9. Especificaciones del sensor MG811.
Tensión de funcionamiento 5.5 V Corriente de operación 200 Ma Temperatura de operación - 20°C a 50°C Humedad de operación < 65%
Rango de medición 350 – 10000 ppm de CO2
Fiabilidad Alta
Tiempo de respuesta < 5 segundos
Fuente: Elaboración propia a partir de la hoja técnica Sandboxelectronics (2018)
2.3.1.4 Acoplamiento entre el módulo data logger y el Arduino Uno
El módulo data logger permite acoplarse a placas Arduino directamente por todo el conjunto de pines disponibles y terminar en un solo dispositivo brindando las mismas opciones de la tarjeta, como se puede observar en el grafico siguiente (Ver “Figura 26”).
55
Figura 26. Acople de shield data logger a la tarjeta Arduino. Elaborado por: Herrera, José, 2018
2.3.1.5 Conexiones finales del prototipo
El prototipo se alimenta por el puerto USB del computador portátil, el sensor de dióxido de carbono vinculado a la entrada analógica A0 de la shield data logger que está acoplado a la placa de Arduino Uno, el dispositivo es conectado a través de conductores eléctricos de colores para minimizar los errores de conexión, tal y como se muestra en el gráfico siguiente (Ver “Figura 27”), elaborado con la herramienta fritzing.0.9.3b.
Figura 27. Esquema de conexión del prototipo medidor de CO2. Elaborado por: Herrera, José, 2018
56 Las conexiones se describen a continuación:
• Color verde: alimentación de 6 Voltios regulada por el transistor 7806 para el sensor.
• Color azul: conexión a GND o tierra del sensor.
• Color amarillo: conexión del pin de salida A0 del sensor de dióxido de carbono a la entrada analógica A0 de la placa Arduino.
El montaje final en físico se observa en el siguiente gráfico (Ver “Figura 28”):
Figura 28. Montaje físico del sensor con shield data logger. Elaborado por: Herrera, José, 2018
2.3.1.6 Programación del prototipo de medición
El objetivo del prototipo es medir el dióxido de carbono del medio ambiente en tiempo real a través del sensor “MG-811” y enviar los datos obtenidos en la entrada “A0” de la placa electrónica, que gracias a un proceso de cálculo tomados a partir de ficha técnica, modifica la señal analógica y la convierte en valores numéricos que representan las cantidades medidas de CO2, además se crea un archivo de texto que almacena simultáneamente la información conseguida con hora y fecha proporcionado por el módulo de “data logger”, para lo cual se utiliza lenguaje C en el programa Arduino 1.8.8 (Ver “Anexo 6”).
57
2.3.1.7 Arduino
Arduino es una plataforma de código abierto con un sinnúmero de herramientas que apoyan al desarrollo de circuitos básicos y avanzados, se basa en lenguaje C, dispone de un compilador y librerías que facilitan la construcción de proyectos de inteligentes (Arduino, 2018). Para el uso del software de Arduino se instaló la versión 1.8.8, a continuación, se puede observar la IDE en el gráfico siguiente (Ver “Figura 29”).
Figura 29. Interfaz de desarrollo Arduino. Elaborado por: Herrera, José, 2018
La plataforma Arduino consta de dos funciones principales:
• Void setup (): función primordial para la ejecución de las configuraciones de clases y variables cada vez que se reinicie la placa.
• Void loop (): función que contiene las instrucciones que se ejecutaran en un ciclo infinito.
2.3.1.8 Diagrama de flujo del prototipo
Se elaboró el diagrama de flujo del prototipo a partir del código de programación del sensor MG811, (Ver “Anexo 10”) (Sandboxelectronics, 2018), para los procesos de
58
medición de dióxido de carbono y almacenamiento de los datos necesarios para la predicción, a continuación, se muestran en los siguientes gráficos (Ver “Figura 30”), cabe anotar que los diagrama de flujo se realizaron con la herramienta en línea “Lucidchart” (Lucidchart, 2018).
Figura 30. Diagrama de flujo del prototipo de medición de CO2. Elaborado por: Herrera, José, 2018
59
2.3.1.9 Calibración del prototipo
El prototipo es comparado con medidor de CO2 “Extech modelo CO250” (Ver “Figura 31” y “Anexo 9”), su función es medir la calidad aire, está calibrado de fábrica y sus características se detallan en la siguiente tabla (Ver “Cuadro 10”).
Figura 31. Dispositivo Extech CO250. Fuente: http://www.extech.com (2018)
Cuadro 10. Especificaciones del medidor Extech CO250.
Función Escala Resolución Precisión
CO2 0 a 5000 ppm 1 ppm ±(5%rdg+50ppm)
Temperatura -10 a 60 °C 0.1°C ±0.6°C
Humedad 0.0 a 99.9% 0.1% ±3%
Fuente: Elaboración propia a partir de la hoja de especificaciones de Extech CO250 (2018)
2.3.1.10 Escenarios de pruebas del prototipo
La comprobación del correcto funcionamiento del prototipo de medición de CO2 se realiza con dos escenarios de prueba con un recipiente cerrado. El primer escenario se lo
60
ejecuta en condiciones ambientales normales tomando medidas del medio ambiente, tal y como se muestra el siguiente gráfico (Ver “Figura 32”).
Figura 32. Escenario de pruebas en condiciones normales. Elaborado por: Herrera, José, 2018
El segundo escenario se usó un recipiente cerrado con agujero y una vela encendida para obtener las mediciones correspondientes y verificar si el sensor es capaz de detectar las variaciones y luego por el agujero exhalar el aliento con el objetivo de validar la detección de CO2 a continuación, se muestra en el siguiente gráfico (Ver “Figura 33”).
Figura 33. Escenario de prueba con recipiente cerrado. Elaborado por: Herrera, José, 2018
61
El tercer escenario se realizó en las avenidas Tsáchilas y 29 de mayo de la ciudad de Santo Domingo para verificar la detección de las concentraciones de CO2 del prototipo, tal y como se observa en el siguiente gráfico (Ver “Figura 34”).
Figura 34. Escenario de prueba en avenidas de la ciudad. Elaborado por: Herrera, José, 2018
2.3.1.11 Resultados obtenidos
El sensor MG811 para su estabilidad necesita estar activo mínimo 24 horas con el propósito de obtener lecturas correctas tal y como se observa en los gráficos (Ver “Figuras 35 y 36”), los valores se estabilizan en 478 ppm. En condiciones ambientales normales.
Figura 35. Mediciones de CO2 en condiciones ambientales normales. Elaborado por: Herrera, José, 2018
62
Figura 36. Tendencia de las mediciones de CO2 en condiciones ambientales normales.
Elaborado por: Herrera, José, 2018
En la segunda prueba se incorpora el recipiente cerrado con una vela encendida y se observa cambios en los valores de CO2 que fluctúan entre 780 ppm y 2235 ppm en un tiempo de 2 minutos, luego se retira la candelilla y después de 5 minutos se procede a exhalar el aliento sobre el sensor y se obtienen nuevas lecturas que oscilan entre 789 ppm a 1023 ppm por 2 minutos, después de este tiempo el dispositivo vuelve a su estado normal (Ver “Figura 37”).
Figura 37. Tendencia de las mediciones de CO2 con recipiente cerrado y vela encendida.
Elaborado por: Herrera, José, 2018
455 460 465 470 475 480 1 6 :4 3 :41 1 6 :4 5 :07 1 6 :4 6 :34 1 6 :4 8 :00 1 6 :4 9 :26 1 6 :5 0 :53 1 6 :5 2 :19 1 6 :5 3 :46 1 6 :5 5 :12 1 6 :5 6 :38 ppm Tiempo
Mediciones de CO
2en condiciones ambientales
normales
CO2 ppm 0 2000 4000 16:53:46 16:56:38 16:59:31 17:02:24 17:05:17 17:08:10 17:11:02 17:13:55 17:16:48 p p m TiempoMediciones de CO
2con recipiente cerrado, vela
encendida y aliento de una persona
63
La última prueba se llevó a cabo en el centro de la ciudad de Santo Domingo en las avenidas Tsáchilas y 29 de Mayo obteniendo valores de CO2 oscilan entre 488ppm y 629 ppm, a continuación, se muestran en el siguiente gráfico (Ver “Figura 38”).
Figura 38. Tendencia de mediciones de CO2 en el centro de la ciudad de Santo Domingo.
Elaborado por: Herrera, José, 2018
En la siguiente tabla (Ver “Cuadro 11”), se detalla el valor de calibración del prototipo con respecto dispositivo Extech CO250, se deduce que el modelo tiene un promedio de resolución de 38 ppm y error porcentual de 4% que estaría dentro del índice permitido en prototipos de medición.
Cuadro 11. Calibración del prototipo con equipo Extech CO250.
Condiciones ambientales Valor medido Prototipo Valor medido Extech CO250 Resolución Precisión Normal 470 ppm 475 ppm 5 ppm 1% Avenidas ciudad 620 ppm 635 ppm 15 ppm 2% Aliento de una persona 1000 ppm 1095 ppm 95 ppm 9% Promedio 697 ppm 735 ppm 38 ppm 4%
Elaborado por: Herrera, José, 2018
0 200 400 600 800 15:28:48 15:36:00 15:43:12 15:50:24 15:57:36 16:04:48 16:12:00 16:19:12 ppm Tiempo
Mediciones de CO
2en el centro de la ciudad
64
2.3.1.12 Registro de los datos
Los datos medidos por el prototipo se reportan en partes por millón con su respectiva fecha y hora, a partir del 1 de octubre hasta el 30 de diciembre del 2018 en la intercepción de las avenidas Tsáchilas y 29 de Mayo, el sistema diseñado guarda la información cada minuto en una tarjeta de memoria micro SD dentro de un archivo de texto (LOG.txt), este fichero contiene los registros tal y como lo muestra el gráfico siguiente (Ver “Figura 39”). Los datos son recogidos manualmente de la tarjeta de memoria micro SD todos los días del mes, tal como lo describe en el informe técnico