Aplicación de Neuro-Fuzzy al proceso de producción de pasto elefante: Una revisión bibliográfica sistemática
DOI:
https://doi.org/10.33448/rsd-v13i2.44927Palabras clave:
Sostenibilidad rural; Biomasa; Celulosa; Pennisetum purpureum.Resumen
La transición a fuentes de energía renovables puede ayudar a combatir el cambio climático, ya que emiten menos emisiones de gases de efecto invernadero. La biomasa es una fuente importante de producción de energía, al estar compuesta por materiales orgánicos, como residuos de cultivos agrícolas y forestales, entre otros, con énfasis en el pasto elefante. La aplicación de Neuro-Fuzzy en procesos productivos, especialmente de laboratorio, es de suma importancia, ya que permite crear modelos de predicción y control más precisos y eficientes en el contexto bioenergético. Dado este contexto, el objetivo de este artículo es identificar cómo se configura el estado del conocimiento respecto de la aplicación del uso de Neuro-Fuzzy para el proceso de cuantificación química de la celulosa de pasto elefante. Se realizó una Revisión Bibliográfica Sistemática para buscar y mapear datos científicos publicados para identificar numerosas aplicaciones del uso de Neuro-Fuzzy, principalmente en energías renovables. Al realizar la investigación utilizando la Revisión Bibliográfica Sistémica, fue posible identificar varias oportunidades para la aplicación de Neuro-Fuzzy en la cuantificación química de la hierba elefante. Sin embargo, se observó que este artículo presenta una novedad sobre la aplicación del uso de Neuro-Fuzzy para el proceso de cuantificación química de celulosa, además de la producción de bioetanol a partir de esta biomasa. De los 22 documentos analizados en esta investigación, el 100% fueron artículos en forma de investigación aplicada y revisión de literatura, demostrando gran relevancia en esta línea de investigación que es la aplicación de la Inteligencia Artificial en procesos productivos de campo y laboratorio utilizando pasto elefante. biomasa para la producción de bioetanol.
Citas
Adedeji, P. A., Akinlabi, S. A., Madushele, N., & Olatunji, O. O. (2020). Neuro-Fuzzy resource forecast in site suitability assessment for wind and solar energy: A mini review. Journal of Cleaner Production, 269, 122104. https://doi.org/https://doi.org/10.1016/j.jclepro.2020.122104
Adelekan, D. S., Ohunakin, O. S., & Paul, B. S. (2022). Artificial intelligence models for refrigeration, air conditioning and heat pump systems. Energy Reports, 8, 8451–8466. https://doi.org/10.1016/j.egyr.2022.06.062
Aditiya, H. B., Mahlia, T. M. I., Chong, W. T., Nur, H., & Sebayang, A. H. (2016). Second generation bioethanol production: A critical review. Renewable and Sustainable Energy Reviews, 66, 631–653. https://doi.org/10.1016/j.rser.2016.07.015
Amosov, O. S., Ivanov, Y. S., & Zhiganov, S. V. (2017). Human Localization in the Video Stream Using the Algorithm Based on Growing Neural Gas and Fuzzy Inference. Procedia Computer Science, 103, 403–409. https://doi.org/https://doi.org/10.1016/j.procs.2017.01.128
Anusree, K., & Varghese, K. O. (2016). Streamflow Prediction of Karuvannur River Basin Using ANFIS, ANN and MNLR Models. Procedia Technology, 24, 101–108. https://doi.org/https://doi.org/10.1016/j.protcy.2016.05.015
Araújo Júnior, C. A., Silva, L. F. Da, Silva, M. L. Da, Leite, H. G., Valdetaro, E. B., Donato, D. B., & Castro, R. V. O. (2016). Modelagem e prognose do preço de carvão usando um sistema Neuro-Fuzzy. Cerne, 22(2), 151–158. https://doi.org/10.1590/0104776020162222103
Bandeira, E. L., Ferreira, V. C., & Cabral, A. C. de A. (2019). [ARTIGO RETRATADO] Conflito trabalho-família: a produção científica internacional e a agenda de pesquisa nacional. REAd. Revista Eletrônica de Administração (Porto Alegre), 25(1), 49–82. https://doi.org/10.1590/1413-2311.232.87660
Borisov, V., & Luferov, V. (2020). Neuro-Fuzzy Cognitive Temporal Models for Predicting Multidimensional Time Series With Fuzzy Trends. Computación y Sistemas, 24(3), 1165–1177. https://doi.org/10.13053/cys-24-3-3477
Bressane, A., Bagatini, J. A., Biagolini, C. H., Arnaldo, J., Roveda, F., Regina, S., Roveda, M. M., Fengler, F. H., & Longo, R. M. (2018). Neuro-Fuzzy modeling: a promising alternative for risk analysis in urban afforestation management. Revista Árvore, 42(1), 420106. https://doi.org/10.1590/1806-90882018000100006
Cabeza, R. T., & Potts, A. S. (2021). Fault diagnosis and isolation based on Neuro-Fuzzy models applied to a photovoltaic system. IFAC-PapersOnLine, 54(14), 358–363. https://doi.org/10.1016/j.ifacol.2021.10.380
Conforto, E. C., Amaral, D. C., & Silva, S. L. Da. (2011). Roteiro para revisão bibliográfica sistemática: aplicação no desenvolvimento de produtos e gerenciamento de projetos. 8° Congresso Brasileiro de Gestão de Desenvolvimento de Produto - CNGDP 2011, 1–12. http://www.ufrgs.br/cbgdp2011/downloads/9149.pdf
Dasgupta, A., Grimaldi, S., Ramsankaran, R. A. A. J., Pauwels, V. R. N., & Walker, J. P. (2018). Towards operational SAR-based flood mapping using Neuro-Fuzzy texture-based approaches. Remote Sensing of Environment, 215, 313–329. https://doi.org/10.1016/j.rse.2018.06.019
Dokbua, B., Waramit, N., Chaugool, J., & Thongjoo, C. (2020). Biomass Productivity, Developmental Morphology, and Nutrient Removal Rate of Hybrid Napier Grass (Pennisetum purpureum x Pennisetum americanum) in Response to Potassium and Nitrogen Fertilization in a Multiple-Harvest System. Bioenergy Research, 14, 1106-1117. https://doi.org/10.1007/s12155-020-10212-w
Fernandes, F. R., Cardoso, T. A., Capaverde, L. Z., & Silva, H. de F. N. (2016). Comunidades de prática: uma revisão bibliográfica sistemática sobre casos de aplicação organizacional. AtoZ: Novas Práticas em Informação e Conhecimento, 5(1), 44. https://doi.org/10.5380/atoz.v5i1.46691
Godinho, E. Z., De Pietri, E., & Gasparotto, H. V. (2021). A dificuldade na aprendizagem da matemática. Studies in Education Sciences, 1(1), 2–19. https://doi.org/10.54019/sesv1n1-001
Godoy, F. O. de, Godinho, E. Z., Daltin, R. S., & Caneppele, F. D. L. (2020). Utilização da lógica fuzzy aplicada à energia solar. Cadernos de Ciência & Tecnologia, 37(2), 26663. https://doi.org/10.35977/0104-1096.cct2020.v37.26663
Heddam, S., Bermad, A., Dechemi, N., Heddam, S., Bermad, A., Dechemi, · N, & Dechemi, N. (2012). ANFIS-based modelling for coagulant dosage in drinking water treatment plant: a case study. Environ Monit Assess, 184, 1953–1971. https://doi.org/10.1007/s10661-011-2091-x
Huang, H., Band, S. S., Karami, H., Ehteram, M., Chau, K., & Zhang, Q. (2022). Solar radiation prediction using improved soft computing models for semi-arid, slightly-arid and humid climates. Alexandria Engineering Journal, 61(12), 10631–10657. https://doi.org/https://doi.org/10.1016/j.aej.2022.03.078
Jamma, M., Joshi, D., Akherraz, M., & Bennassar, A. (2018). Direct Power Neuro-Fuzzy Controller Scheme of Three-Phase PWM Rectifiers for Power Quality Improvement. Procedia Computer Science, 132, 595–605. https://doi.org/10.1016/j.procs.2018.05.013
Khatibi, R., & Nadiri, A. A. (2021). Inclusive Multiple Models (IMM) for predicting groundwater levels and treating heterogeneity. Geoscience Frontiers, 12(2), 713–724. https://doi.org/https://doi.org/10.1016/j.gsf.2020.07.011
Kullavanijaya, P., & Chavalparit, O. (2020). The effect of ensiling and alkaline pretreatment on anaerobic acidification of napier grass in the leached bed process. Environmental Engineering Research, 25(5), 668–676. https://doi.org/10.4491/eer.2019.231
Lins, A. C. d. S. S., Lourençoni, D., Júnior, T. Y., Miranda, I. B., & Santos, I. E. do. A. (2021). Neuro-Fuzzy Modeling of Eyeball and Crest Temperatures in Egg-laying Hens. Engenharia Agricola, 41(1), 34–38. https://doi.org/10.1590/1809-4430-ENG.AGRIC.V41N1P34-38/2021
Macêdo, A. J. da S., Neto, J. M. C., Silva, M. A. da, & Santos, E. M. (2019). Potencialidades e limitações de plantas forrageiras para ensilagem: Revisão. Revista Brasileira de Higiene e Sanidade Animal, 13(2), 320–337.
Malami, S. I., Anwar, F. H., Abdulrahman, S., Haruna, S. I., Ali, S. I. A., & Abba, S. I. (2021). Implementation of hybrid Neuro-Fuzzy and self-turning predictive model for the prediction of concrete carbonation depth: A soft computing technique. Results in Engineering, 10, 100228. https://doi.org/10.1016/j.rineng.2021.100228
Millward-Hopkins, J., & Purnell, P. (2019). Circulating blame in the circular economy: The case of wood-waste biofuels and coal ash. Energy Policy, 129, 168–172. https://doi.org/10.1016/j.enpol.2019.02.019
MME, M. de M. e E. (2020). BALANÇO ENERGÉTICO NACIONAL. In Empresa de Pesquisa Energética- EPE (p. 264).
Olatunji, O. O., Adedeji, P. A., Madushele, N., Akinlabi, S., & Dicarlo, A. A. (2022). Modelling Biomass Elemental Composition: A Neurofuzzy Approach. Procedia Computer Science, 200, 1736–1745. https://doi.org/10.1016/j.procs.2022.01.374
Palacio, J. C. (2020). Application of Neuro-Fuzzy systems in the classification of reports in scheduling problems Introducción. Revista Cubana de Ciencias Informáticas, 14(4), 34–47.
Pereira, W., & Paula, N. de. (2017). Fomento federal ao etanol de segunda geração no Brasil: um exame da atuação da FINEP e do BNDES. Revista de Políticas Públicas, 20(2), 805. https://doi.org/10.18764/2178-2865.v20n2p805-824
Puri, M., Abraham, R. E., & Barrow, C. J. (2012). Biofuel production: Prospects, challenges and feedstock in Australia. Renewable and Sustainable Energy Reviews, 16(8), 6022–6031. https://doi.org/10.1016/j.rser.2012.06.025
Saleem, B., Badar, R., Judge, M. A., Manzoor, A., Islam, S. ul, & Rodrigues, J. J. P. C. (2021). Adaptive recurrent NeuroFuzzy control for power system stability in smart cities. Sustainable Energy Technologies and Assessments, 45, 101089. https://doi.org/https://doi.org/10.1016/j.seta.2021.101089
Santos Cabral, M. M., de Souza Abud, A. K., de Farias Silva, C. E., & Garcia Almeida, R. M. R. (2016). Bioethanol production from coconut husk fiber. Ciência Rural, 46(10), 1872–1877.
Singh, H., & Bharadvaja, N. (2021). Treasuring the computational approach in medicinal plant research. Progress in Biophysics and Molecular Biology, 164, 19–32. https://doi.org/https://doi.org/10.1016/j.pbiomolbio.2021.05.004
Suparta, W., & Samah, A. A. (2020). Rainfall prediction by using ANFIS times series technique in South Tangerang, Indonesia. Geodesy and Geodynamics, 11(6), 411–417. https://doi.org/10.1016/j.geog.2020.08.001
Tenorio, C., Moya, R., Filho, M. T., & Valaert, J. (2015). Quality of pellets made from agricultural and forestry crops in Costa Rican tropical climates. BioResources, 10(1), 482–498. https://doi.org/10.15376/biores.10.1.482-498
Tojeiro, D. O., Cabeza, R. T., & Potts, A. S. (2021). Fault detection based on Neuro-Fuzzy models and residual evaluation with fuzzy thresholds applied to a photovoltaic system. IFAC-PapersOnLine, 54(20), 717–722. https://doi.org/10.1016/j.ifacol.2021.11.256
Winchester, N., & Reilly, J. M. (2015). The feasibility, costs, and environmental implications of large-scale biomass energy. Energy Economics, 51, 188–203. https://doi.org/10.1016/j.eneco.2015.06.016
Yadav, P. K., Bhasker, R., & Upadhyay, S. K. (2022). Comparative study of ANFIS fuzzy logic and neural network scheduling-based load frequency control for two-area hydro thermal system. Materials Today: Proceedings, 56, 3042–3050. https://doi.org/https://doi.org/10.1016/j.matpr.2021.12.041
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Emmanuel Zullo Godinho; Fernando de Lima Caneppele; Camille Floriano
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
