Page 1

Redes Neuronales Artificiales: factores que

determinan la cosecha de caña en la industria

azucarera

Artificial Neural Networks: factors that determine

the cane harvest in a sugar industry

Resumen

La investigación muestra lo importante de las redes neuronales artificiales dentro de la industria azucarera, como una herramienta

útil para la predicción del cultivo de la caña de azúcar, tomando como entradas la información climatológica: temperaturas máxi-

mas y mínimas, oscilación térmica, precipitaciones, heliofanía, humedad relativa, evaporación y hectáreas de los cultivos sembra-

dos, para obtener una salida: toneladas de caña. Se desarrolló una herramienta de trabajo predictiva con resultados confiables,

comparados con métodos tradicionales utilizados, como los aforos de expertos para la cosecha de la caña de azúcar. Se analizó la

base de datos histórica de la organización, mediante un software MATLAB, herramienta matemática, que ofrece un entorno de

desarrollo integrado (IDE) con lenguaje M de programación propio. La investigación se desarrolló en Compañía Azucarera Valdez

S.A. Ubicada en la Ciudad de Milagro-Provincia del Guayas-Ecuador.

Palabras Clave: Heliofanía, IDE, industria azucarera, lenguaje M, MATLAB (MATrix LABoratory), Red neuronal artificial.

Abstract

The research shows the importance of artificial neural networks within the sugar industry, as a useful tool for the prediction of the

cultivation of sugarcane, taking as input the climatological information: maximum and minimum temperatures, thermal oscillation,

rainfall, heliophany, relative humidity, evaporation and hectares of crops planted, to obtain tons of cane as an output. A predictive

work tool with reliable results was developed, compared with traditional methods used, such as expert assessment for sugarcane

harvesting. The historical database of the organization was analyzed through MATLAB software, a mathematical tool which offers

an integrated development environment (IDE) with its own M programming language. The research was developed at Compañía

Azucarera Valdez S.A. located in the City of Milagro-Province of Guayas-Ecuador.

Keywords: Artificial neural network, heliophany, IDE, language M, MATLAB (MATrix LABoratory), sugar industry.

Recibido: 17 de noviembre de 2018

Aceptado: 07 de enero de 2019

Italo, Mendoza-Haro 1*; Hiram, Marquetti-Nodarse 2

Director de mantenimiento industrial en Compañía Azucarera Valdez S.A. (CAVSA); Docente de la Facultad Ciencias de la Ingeniería

Universidad Estatal de Milagro UNEMI; emendozah@unemi.edu.ec; https://orcid.org/0000-0002-6492-6991

Doctor en ciencias económicas; profesor titular y consultor en el Centro de Estudios de la Administración Pública Cubana; Universidad

de La Habana; email: marquetti@ceap.uh.cu

*Autor para correspondencia: emendozah@unemi.edu.ec

Revista Ciencia UNEMI

Vol. 12, Nº 29, Enero-Abril 2019

, pp. 36 - 50

ISSN 1390-4272 Impreso

ISSN 2528-7737 Electrónico

http://dx.doi.org/10.29076/issn.2528-7737vol12iss29.2019pp36-50p

Mendoza y Marquetti. Redes Neuronales Artificiales: factores que determinan la cosecha de caña en la industria azucarera.

I. INTRODUCCIÓN

La globalización a nivel mundial se va tornando

en un ambiente más competitivo y rezagando a
muchas industrias que no se ajustan a su ritmo,
por lo cual a diario se torna en un campo más
hostil para aquellas industrias que no realizan
cambios en sus estructuras tecnológicas e innovan
permanentemente sus procesos, que requieren
herramientas nuevas y eficientes para cumplir
dichos objetivos.

La historia de la caña de azúcar en América Latina

data de la mitad del siglo XVI, donde su cultivo
comenzó a difundirse bajo un sistema de haciendas,
con un proceso que abarcaba desde la producción
agrícola hasta la elaboración de piloncillo y azúcar
mascabada, además de la destilación de aguardiente.
Durante los inicios del siglo XX, en el periodo
Porfiriato (México) se comenzaron a establecer los
sistemas de "ingenios", que consistía en una fábrica
y los campos bajo el modelo de "plantación", ambos
propiedad de un mismo dueño o empresa. En los
años treinta se implementó una reforma agraria para
dejar la producción de caña en manos de ejidatarios
y pequeños propietarios. (Banko, 2005).

El desarrollo del proceso de industrialización

significó un impulso adicional al desarrollo de la
industria azucarera, ya que propició la ampliación de
la base mecánica y tecnológica de la agroindustria,
y la construcción de nuevas instalaciones para la
producción de subproductos de la caña, entre otros
(Marquetti, 2016).

La evolución de la tendencia a la ampliación de los

diferenciales interterritoriales puede considerarse
como una resultante de la minoración del carácter
estratégico de la industria manufacturera y, sobre
todo, del redimensionamiento del sector azucarero,
un proceso que contribuyó, de forma directa, a que se
produjeran importantes regresiones en los ámbitos
tecnológico y productivo. (Marquetti, 2016).

La industria azucarera del Ecuador de acuerdo

con la investigación predice sus resultados mediante
aforos realizados por sus ingenieros y profesionales
con experiencia, base para calcular los presupuestos
y programas de cosecha de la caña, estos resultados

por lo general tienen variaciones importantes en la
parte cuantitativa y en muchos de los casos conducen
a tomar malas decisiones, generando pérdidas de
productividad y económicas a las organizaciones
industriales. El objetivo de la investigación será
aplicar las redes neuronales artificiales utilizando
Matlab, permitiendo una alternativa eficiente en la
predicción para resultados de cosecha.

Predecir el rendimiento de un cultivo de caña

de azúcar obedece a la necesidad de maximizar la
relación inversión-ganancia y la disponibilidad de
esa información, con anticipación, permite tomar
decisiones sobre el manejo de una plantación, de
forma específica para definir presupuestos de los
productos que se van a elaborar con la materia prima
. (Avila, Rodriguez, & Hernandez, 2012)

Los expertos en predicciones sobre el

rendimiento mediante aforos y la experiencia del
agricultor son importantes y cuando no se cuenta
con métodos actualizados para la estimación, esta
se convierte en el único recurso; sin embargo,
estas aproximaciones pueden ser insuficientes, y lo
que se necesita es información sistemáticamente
almacenada que contemple, por ejemplo: registros
históricos promedio de producción; y, variaciones
de rendimiento por manejo agrícola o por factores
climáticos entre otros, para disminuir cualquier
sesgo o error. (Avila et al. 2012)

En los últimos años, la técnica de red neuronal

artificial se ha desarrollado rápidamente. Se la
puede utilizar como una herramienta de modelado
madura para tratar una gran cantidad de datos
que contienen una relación matemática no lineal.
(Sbarbaro, 2005).

“Los programas informáticos inteligentes capaces

de estimar y predecir estados en el futuro serían
útiles como "sensores de software" cuando se trata
de bioprocesos caracterizados por incertidumbres y
complejidad. Se ha demostrado que la lógica difusa es
una herramienta valiosa para tratar con información
vaga e incompleta, y para incorporar el conocimiento
de expertos humanos en modelos de procesos. Los
programas de redes neuronales capaces de aprender
de la experiencia pasada son útiles cuando no se

Volumen 12, Número 29,

Enero-Abril 2019

, pp. 36 - 50

dispone de información matemática exacta sobre
el proceso que se está investigando”. (Eerikäinen,
Linko, Linko, Siimes, & Zhu, 1993)

La capacidad de almacenamiento de la

información es uno de los mecanismos más
importantes en el aprendizaje de redes neuronales
recurrentes, recurrent neural networking (RNN).
Juegan un rol crucial en aplicaciones prácticas,
como el aprendizaje de secuencias. Con un buen
mecanismo de memoria, la historia a largo plazo se
puede fusionar con la información actual y, por lo
tanto, puede mejorar el aprendizaje de RNN. (Wang,
Zhang, Guo, & Zhang, 2017)

Una red backpropagation neuronal fue entrenada

para predecir las cargas en los ejes inducidos del
transporte cañero, utilizando vehículos industriales,
con una red que consta de dos, cuatro u ocho
unidades de procesamiento en las capas de entrada,
ocultas y de salida, respectivamente. Las entradas a
la red eran cargas útiles y cargas por eje remolque
vacío. Las salidas correspondían a las cargas de eje
trasero del remolque y tractor medidos. (Kanali,
1997).

El módulo de evaluación de desempeño de la

cosecha de caña de azúcar, se integra con varias
tecnologías, como la red neuronal artificial, la
cual realiza un análisis integral, para evaluar el
rendimiento de corte, el rendimiento de limpieza
y otros factores para la cosecha de caña de azúcar.
(Ma, 2002).

El uso de redes neuronales artificiales para

ayudar a la mezcla de productos y decisiones de
inversión en las centrales azucareras brasileñas,
evidenciando que la inversión en proyectos para
incrementar la recuperación de energía a partir
de residuos puede presentar un aumento de la
eficiencia en la compensación riesgo-beneficio de las
bio-refinerías. (Mutran, 2018)

La red neuronal artificial se puede aplicar para

predecir los rendimientos globales de glucosa
en diferentes condiciones operativas tanto de
pretratamiento como de hidrólisis enzimática.
La confiabilidad del modelo fue evaluada a través
de una sensibilidad análisis, que mostró las

condiciones operativas necesarias para mejorar el
rendimiento de glucosa: concentración de biomasa
inicial relativamente baja y concentración de
ácido; alta concentración de enzimas; y 72 h de
hidrólisis enzimática. Los resultados experimentales
mostraron claramente que la celulosa menos
reactiva para la hidrólisis enzimática dependió de la
concentración de ácido. (Laura Plazas Tovar, 2017)

Las redes neuronales se han convertido en

una herramienta eficaz en el campo azucarero,
desarrollando proyectos innovadores en distintas
áreas de las industrias azucareras, gestionando
procesos innovadores para la eficiencia en los
mismos.

El enfoque de la investigación desarrollada

es cuantitativo; toma como centro de su proceso
la información estadística histórica obtenida
de los últimos 30 años, referidas a parámetros
climatológicos como: Temperaturas máximas
y mínimas, oscilación térmica, precipitaciones
pluviales, heliofanía, humedad relativa de la caña de
azúcar, evaporación anual, y hectáreas cosechadas
por zafra de los cultivos agrícolas de Compañía
Azucarera Valdez S.A.(CAVSA.) haciendo énfasis en
los últimos 11 años, periodo en el cual los parámetros
son homogéneos en cantidad e inversiones realizadas
en el sector agrícola de la industria.

Según la homogeneidad y las inversiones

realizadas, (Valdés, 2004), menciona que la
caña de azúcar es un cultivo que requiere de un
estudio preciso de los recursos climáticos y de las
condiciones meteorológicas. Está demostrado que
las limitaciones fundamentales para el crecimiento
y desarrollo de esta planta se deben al componente
clima, que generalmente se comporta de forma
homogénea.

A nivel sudamericano existen pocos estudios

que permitan estimar o diagnosticar objetivamente
las toneladas de caña en un campo agrícola, mucho
menos modelos probados y validados que se puedan
replicar en sectores con similares características
agronómicas y/o productivas. Los diferentes factores
climáticos que actúan sobre un lugar determinado
condicionan en gran medida las fases del ciclo

Mendoza y Marquetti. Redes Neuronales Artificiales: factores que determinan la cosecha de caña en la industria.

productivo de la caña y los resultados finales de esta.
A cada lugar corresponde un rendimiento máximo
dependiente de las condiciones climáticas del año. A
la media de esas condiciones climáticas corresponde
una media de rendimiento máximo, o rendimiento
potencial específico. (Fauconnier, 1975).

La descripción geográfica de la ciudad está

conformada por suelos fértiles, numerosos ríos y
esteros, por bosques, plantíos y zonas residenciales;
haciendas, fincas y otras propiedades. Al ubicarse
en una zona tropical, posee gran biodiversidad y
un clima cálido - húmedo todo el año. De acuerdo
con los tipos de clima la variedad en los vegetales es

II. DESARROLLO
1. Metodología

La investigación se realizó en la ciudad de

Milagro, que se encuentra en la zona occidental de
la  Provincia  del  Guayas.  Coordenadas  geográficas
de  Milagro,  Ecuador  con  una  latitud:  2°08′02″  S,
longitud:  79°35′38″  O  y  altitud  sobre  el  nivel  del
mar: 14 m, como se muestra en la (figura 1).

Figura 1: Localización geográfica de Milagro.

Fuente: Instituto Geográfico Militar del Ecuador.

diferentes. Las condiciones de clima y del substrato
varían de un lugar a otro y estas variaciones tienen
que reflejarse en la existencia de comunidades
vegetales (NOGUEZ, 1993). De acuerdo con la zona
donde se realizó el estudio, se tienen los siguientes
datos climáticos como se muestra en la Tabla 1 es un
clima apto para el cultivo de la caña de azúcar.

Tabla 1. Estadística y parámetros climáticos de la ciudad de Milagro.

Fuente: Instituto Nacional de Meteorología e Hidrología del Ecuador.

Parámetros

Valores

Precipitación Anual

1298,3 mm

Temperatura media

25,2°C

Temperatura máxima

29,8°C

Oscilación térmica

8,9°C

Humedad relativa

80%

Heliofanía anual

1036,5 horas

Evaporación anual

1309,7 mm.

Viento predominante

Velocidad del viento

3,9 km/h

Presión atmosférica

1012,4 mb

Volumen 12, Número 29,

Enero-Abril 2019

, pp. 36 - 50

La información estadística para el desarrollo

de la instigación fue obtenida del archivo agrícola
de CAVSA utilizando el utilitario Excel para
clasificarla y promediar datos de 30 años de
historia, haciendo énfasis en los últimos 11 de años
de producción, periodo homogéneo en la cosecha
de caña de azúcar tanto propia (de la organización)
como la obtenida a través de cañicultores, lo que
permitió realizar un análisis comparativo de los
parámetros analizados en la investigación.

Durante la investigación se utilizaron como

variables: la historia climatológica (datos de
los 30 años de producción), fuente de ayuda
bibliográfica, fuentes de consulta documental
(páginas web, libros, revistas periódicos);
información empírica, proveniente de técnicos
vinculados con el problema, a los cuales se les
aplicaron los instrumentos de investigación de
campo. Todo esto permitió obtener, analizar y
describir la información relacionada al proyecto
de investigación. Se combina lo documental, en
cuanto a citas bibliográficas, revistas y la parte
de campo, que son los datos de las variables,
ambas se relacionan y complementan. Así como
menciona Zorrilla (1993), que la investigación
mixta es aquella que participa de la naturaleza de
la investigación documental y de la investigación
de campo.

La investigación es de campo y exploratoria,

porque desarrolla un plan piloto con datos
climatológicos en la parte del cultivo y cosecha,
correlacionan las variables dependientes
(predicción de las toneladas de caña en zafra) con las
variables independientes (Temperatura mínimas,
máximas, oscilación térmica, precipitaciones,
heliofanía, humedad relativa, evaporación anual
y hectáreas de caña sembradas). La investigación
es explicativa porqué busca la razón de los
hechos, estableciendo relaciones de causa- efecto.
(Sampieri, 2010).

De acuerdo con las variables (independientes

y dependiente), tomadas para la investigación
concuerdan con lo mencionado. Subiros (1995),
menciona que las variables independientes a
analizar son temperatura ambiente máxima,

temperatura ambiente mínima, precipitación
y radiación solar ya que estos figuran entre los
principales agentes climatológicos que afectan y
determinan la producción cañera.

2. Método

El procesamiento de la información se realizó

mediante una red neuronal artificial. MATICH
(2001) y FREEMAN (1993), mencionan que una
red neuronal es un modelo computacional que
pretende simular el funcionamiento del cerebro
a partir del desarrollo de una arquitectura que
toma rasgos del funcionamiento de este órgano
sin llegar a desarrollar una réplica del mismo. El
cerebro puede ser visto como un equipo integrado
por aproximadamente 10 billones de elementos
de procesamiento (neuronas) cuya velocidad de
cálculo es lenta, pero que trabajan en paralelo y con
este paralelismo logran alcanzar una alta potencia
de procesamiento.

El primer método usado para la investigación

es el Método Hipotético-Deductivo, donde
el investigador propone una hipótesis como
consecuencia de sus inferencias del conjunto
de datos empíricos o de principios y leyes más
generales. La hipótesis utiliza procedimientos
inductivos y procedimientos deductivos. Es la
vía primera de inferencias lógico deductivo para
arribar a conclusiones particulares a partir de
la hipótesis y que después se puedan comprobar
experimentalmente. (Chagoya, 2008).

El segundo es el Método Descriptivo siendo

un auxiliar del científico, es imprescindible, pues
permitió describir los procesos que se aplican para
desarrollar cada uno de los objetivos propuestos en
la presente investigación. Según Tamayo (1998),
en su libro Proceso de Investigación Científica,
la investigación descriptiva “comprende la
descripción, registro, análisis e interpretación de la
naturaleza actual, y la composición o proceso de los
fenómenos. El enfoque se hace sobre conclusiones
dominantes o sobre grupo de personas, grupo o
cosas, se conduce o funciona en presente”.

El tercero es el Método Analítico. Este método

fue fundamental ya que permitió realizar una

Mendoza y Marquetti. Redes Neuronales Artificiales: factores que determinan la cosecha de caña en la industria.

Tabla 2. Información Estadística de Cosecha CAVSA

Fuente: Elaboración del autor.

adecuada recopilación análisis e interpretación de
la información que se representa mediante cuadros
estadísticos, pudiendo así, tener la información
clasificada con sus respectivas variables. Según
Sánchez (1990), lo define como aquel “que
distingue las partes de un todo y procede a la
revisión ordenada de cada uno de los elementos
por separado “Este método es útil cuando se llevan
a cabo trabajos de investigación documental, que
consiste en revisar en forma separada todo el
acopio del material necesario para la investigación.

3. Técnica

La técnica que se empleó en la investigación se

divide en dos etapas: la primera en la recolección
y adecuación de la información histórica obtenida
durante los últimos 30 años, y procesamiento de
los datos en la hoja de Excel. La segunda procesa
la información obtenida de los históricos como
entradas para inferir una salida a través de una red
neuronal artificial utilizando un software Matlab.

En la primera etapa se validaron los resultados

asegurando que la información obtenida,
correspondía a los últimos 30 años de las variables
independientes, apreciándose los cambios y
variaciones climatológicas, durante las épocas

de cosecha de la caña, estos datos se clasificaron
de acuerdo con el impacto de crecimiento y
afectación del cultivo en los campos de siembra.
En este sentido, la caña de azúcar posee un período
vegetativo muy variable, cuya duración depende
básicamente de las características del material
genético utilizado y de la influencia de factores
limitantes agroclimáticos que ejercen en su proceso
biológico (Miceli, 2002).

Para obtener respuestas de una red neuronal

que sea coherente con los valores de entrada, es
necesario una adecuada selección de la arquitectura
de la red a utilizar, así como del algoritmo de
aprendizaje que se ejecutará.

Para la segunda etapa se construyó una tabla

con sus respectivas variables dependientes
e independientes, que contienen valores de
temperaturas máximas y mínimas del terreno,
oscilación térmica, precipitaciones, heliofanía,
humedad, evaporación y hectáreas de caña
sembradas, quedando la matriz conformada por
doce filas (años de cosecha) y por nueve columnas
que registran los parámetros que influyen en la
calidad de la caña de azúcar, como se muestran en
la Tabla 2 generando un archivo con formato de
Excel (xlsx).

AÑO

TEM

MAX

[°C]

TEM

MIN

[°C]

OSC

[°C]

PRECIP

[mm]

HELOFANIA

[Horas]

HUMEDAD

[%]

EVAPORA

[mm]

HECTAREAS

[Ha]

TONELADAS

[Tn]

2018

29,80

22,20

7,90

969,10

643,90

79,00

1.115,30

24.023,00

0,00

2017

30,42

22,84

7,60

2.232,00

733,20

81,00

1.184,40

22.518,02

1.796.591,86

2016

30,63

22,93

7,70

1.318,80

861,60

81,00

1.212,00

23.434,65

2.020.471,99

2015

30,60

23,40

7,20

1.244,40

807,60

80,00

1.177,20

16.862,25

1.786.515,35

2014

30,14

22,60

7,50

1.161,60

722,40

80,00

1.171,20

19.247,16

1.845.955,33

2013

26,36

21,89

8,00

1.030,80

703,20

80,00

1.186,80

20.804,62

1.720.344,91

2012

25,75

22,08

8,20

2.078,40

876,00

79,00

1.118,40

18.692,12

1.629.832,97

2011

26,90

21,99

8,10

912,00

910,80

78,00

1.220,40

19.776,46

1.627.735,15

2010

29,82

22,10

7,70

1.348,80

681,60

82,00

1.117,20

18.198,48

1.423.312,37

2009

30,17

22,04

8,10

1.137,60

976,80

79,00

1.327,20

20.962,94

1.336.962,60

2008

29,68

21,97

7,70

2.086,80

856,80

80,00

1.244,40

20.295,62

1.433.157,11

2007

30,63

21,67

8,10

979,20

856,80

80,00

1.266,00

18.419,51

1.480.263,50

MAX

30,63

23,40

8,20

2.232,00

976,80

82,00

1.327,20

24.023,00

2.020.471,99

MIN

25,75

21,67

7,20

912,00

643,90

78,00

1.115,30

16.862,25

1.336.962,60

│ 41

Volumen 12, Número 29,

Enero-Abril 2019

, pp. 36 - 50

Fue necesario normalizar la información

obtenida en la Tabla 2, para trabajar con el
software Matlab en el proceso de entrenamiento,

Donde se especifican los límites superiores e

inferiores del valor de salida y luego se obtienen
los valores máximos y mínimos de cada variable
(tomando los datos de entradas y salidas de los
11 últimos años). Por último, se normaliza cada
elemento de entrada y salida y se lo guarda para
uso posterior.

La metodología trae todos los valores al rango

Los pasos siguientes son fundamentales para el

tratamiento de la información en el software

1. Se ingresa en el módulo de importación

del archivo (Excel) en Current Folder,
indicando el tipo de archivo (xlsx), en
el cual se van a generar los valores de
entrada y salida de la neurona que se va a
interactuar.

2. Una vez ingresada la información se pasa

al módulo de construcción de la RNA, se
construyen las matrices en el Workspace,

para dicho procedimiento se utilizó la siguiente
formula. Tabla 3:

Tabla 3. Formula de Normalización basada en la unidad.

Tabla 4. Datos Normalizados de cosecha CAVSA

Fuente: Elaboración del autor.

X´

Valor normalizado

Valor por normalizar

Xmín

Valor mínimo de la muestra

Xmáx

Valor máximo de la muestra

entre [0,1] números binarios. Denominada,
normalización basada en la unidad, acorde a los
datos de máximos y mínimos. Obtenidos los datos
normalizados de acuerdo con la formulación
aplicada, se procede a realizar una nueva tabla
para la agrupación de las variables dependientes
e independientes dentro del software. Como se
presentan en la Tabla 4.

Fuente: Elaboración del autor.

AÑO

2017

2016

2015

2014

2013

2012

2011

2010

2009

2008

2007

TEM MAX

[°C]

0,9570

1,0000

0,9939

0,8996

0,1250

0,0000

0,2357

0,8340

0,9057

0,8053

0,8156

TEM MIN

[°C]

0,6763

0,7283

0,0000

0,5376

0,1272

0,2370

0,1850

0,2486

0,2139

0,1734

0,0000

OSC [°C]

0,4000

0,5000

0,0000

0,3000

0,8000

1,0000

0,9000

0,5000

0,9000

0,5000

0,9000

PRECIP [mm]

0,9542

0,3388

0,2887

0,2329

0,1447

0,8507

0,0647

0,3590

0,2167

0,8563

0,1100

HELOFANIA

[Horas]

0,1621

0,5653

0,3957

0,1281

0,0678

0,6106

0,7198

0,0000

0,9271

0,5503

HUMEDAD

[%]

0,7500

0,5000

0,2500

0,0000

1,0000

0,2500

0,5000

EVAPORA

[mm]

0,2376

0,3352

0,2122

0,1909

0,2461

0,0042

0,3649

0,0000

0,7426

0,4498

0,5262

HECTAREAS

[Ha]

0,6189

0,7193

0,0000

0,2610

0,4314

0,2003

0,3178

0,1462

0,4488

0,3757

0,1704

TONELADAS

[Tn]

0,3952

0,5877

0,3865

0,4376

0,3296

0,2518

0,2500

0,0742

0,0000

0,0827

0,1232

en la cual se define la entrada y salida a
la red, indicando que las entradas fueron
las variables independientes (Temperatura
mínimas, máximas, oscilación térmica,
precipitaciones, heliofanía, humedad,
evaporación y hectáreas de caña
sembradas) y la variable dependiente
(toneladas de caña).

Aceptados los datos, se seccionaron en tres

matrices que fueron: IN (archivo de entrenamiento),

Volumen 12, Número 29,

Enero-Abril 2019

, pp. 36 - 50

Figura 3: Red Neuronal ¨RED AGRICOLA. ¨

Fuente: Elaboración del autor.

En la ventana de CREATE NETWORK OF

DATA, se adjuntan y caracteriza la red que se desea
establecer, para dicha investigación se seleccionó en
NETWORK TYPE la opción de FREED-FORWARD
BACKPROP que permite, que el margen de error
sea propagado hacia atrás desde la capa de salida.
Haciendo que el margen sea mínimo y así la red
pueda ser más eficaz al momento de la predicción.

En la investigación establecida, la red es de

multicapas. Basualdo (2001), menciona que
las multicapas son las que colocan una serie de
neuronas ordenadas en distintos niveles. La forma
en que se puede distinguir la capa en la que se
encuentra alguna neurona consiste en fijar punto
de partida de las señales que recibe a la entrada
y el punto de llegada de la señal de salida. Por lo
general, todas las neuronas de una capa receptan
señales de entrada por parte de la capa más
cercana a la entrada de la red, es decir, de una
capa anterior, y envían señales a la capa que se
encuentra más cercana a la salida de la red, debido
a esto, una capa posterior, a estas conexiones son
denominadas conexiones feedforward.

Para entrenar la red hay que deslizarse en la

parte de TRAIN, que contiene parámetros analíticos
los cuales se pueden modificar y subscribir el
número de interacciones que se desea establecer
para entrenar la Red. Existen siete parámetros
asociados con este tipo de entrenamiento, son:

•

Ephocs: Define el máximo número de
épocas de entrenamiento que puede tener
nuestro proceso de aprendizaje

•

Show: Indica a Matlab la forma de
visualización que deseamos tener durante
el entrenamiento de la red. Si su valor es
Nan quiere decir que no se quiere ningún
tipo de visualización.

La función de entrenamiento será Tangencial-

Sigmoidea, cuyos valores de salida que proporciona
esta función están comprendidos dentro de un
rango que va de 0 a 1. Al modificar el valor de g se ve
afectada la pendiente de la función de activación.

La neurona creada contiene cuatro capas

ocultas, de doce neuronas cada una. Así mismo
su entrenamiento como se mencionó en el párrafo
anterior es Tangente Sigmoidea, como describe
Tsoukalas L.H. y Uhrig R.E (1997) quienes
acreditan que la potencia de las redes neuronales
reside en que los nodos individuales se encuentran
en diferentes capas, formando redes altamente
interconectadas, con una arquitectura inspirada en
la corteza cerebral, que permiten el aprendizaje de
patrones no lineales de comportamiento

El software nos permite tener una imagen

detallada de las descripciones numéricas y la
apreciación grafica de la red como se muestra
en la (figura 3). La cual puede reconocer su
funcionamiento y la transición de los datos por
cada capa oculta que la contiene, hasta un resultado
analítico final.

•

Goal: Este variable indica un valor mínimo
límite que puede alcanzar la función error
de la red. Si esta alcanza dicho valor el
entrenamiento se parará automáticamente.

•

Time: Este parámetro indica el tiempo
máximo en segundos que puede durar el
entrenamiento de la red. Una vez que el
tiempo del proceso alcance dicho valor el
entrenamiento se detendrá.

•

Min_grad: Determina el valor mínimo
necesario que debe tener el gradiente para
detener el algoritmo.

•

Max_fail: Es el máximo número de
iteraciones que puede incrementarse el
error de validación antes de detenerse el

Mendoza y Marquetti. Redes Neuronales Artificiales: factores que determinan la cosecha de caña en la industria .

Figura 4: Parámetros de entrenamiento RED AGRICOLA.

Fuente: Elaboración del autor.

entrenamiento.

•

Lr: Es la ratio de aprendizaje α.

Parámetros en que se entrenó la red, en una

cantidad de 15,000 Epochs (Define el máximo

número de periodos de entrenamiento que puede
tener nuestro proceso de aprendizaje) y con la
misma cantidad en maix_fail (Es el máximo número
de iteraciones que puede incrementarse el error de
validación antes de detenerse el entrenamiento),
como se muestra en la (figura 4).

De acuerdo con los parámetros establecidos,

se entrena la red de manera supervisada, para
obtener un patrón de aprendizaje con los datos
establecidos. De tal forma que al realizar las
interacciones se puedan obtener tendencias en
cuanto a los resultados obtenidos. Esta forma de
entrenar se la relaciona con la ramificación de
las neuronas dentro del cerebro humano, como
mencionan Y.Shachmurove (2002) y Tkacz (1999),
que las redes neuronales artificiales son sistemas de
procesamiento de información, desarrolladas por
científicos cognitivos con el propósito de entender
el sistema nervioso biológico e imitar los métodos
computacionales del cerebro y su impresionante
habilidad para reconocer patrones.

III. RESULTADOS

Con base en los objetivos planteados y a la

metodología utilizada se obtuvieron los siguientes
resultados.

Fase de entrenamiento

La arquitectura final de la red neuronal, que

dio mejor resultado, después de probar varios
algoritmos de entrenamiento y diferentes números

de capas, quedó conformada por cuatro capas; doce
neuronas en la capa de entrada, doce neuronas en la
primera capa oculta, doce neuronas en la segunda
capa oculta y una neurona en la capa de salida.
Cada una de estas capas contiene una función de
activación, (Tansig) para las capas ocultas.

Para esta etapa de la red se utilizó el algoritmo de

retro propagación (Feed- foward backprop), dicho
proceso se corrió sobre los datos de entrenamiento
que constan de 99 datos obtenidos de los registros
climáticos y de cosecha de la empresa durante
treinta años, de los cuales los últimos once años
han sido homogéneos en cuanto a las inversiones
y reformas tecnológicas desarrolladas dentro de la
empresa durante el periodo analizado, al final se
realiza la verificación y predicción con un vector de
entrada de ocho variables (unidades o neuronas).

La red neuronal encontró los pesos adecuados

para la generalización de patrones hacia toda
la población, observándose que las variables
con mayor relevancia fueron en primer lugar:
las variaciones de temperaturas, hectáreas
de caña sembradas, seguido de la humedad y

Volumen 12, Número 29,

Enero-Abril 2019

, pp. 36 - 50

Figura 8: Predicción año 2018.

Fuente: Elaboración del autor.

IV. CONCLUSIONES

La creación de la red neuronal artificial y

su entrenamiento para predecir la cosecha de
la caña de azúcar en CAVSA, a través de datos
climatológicos históricos de los cultivos agrícolas
de caña de azúcar, se constató que el valor
final predictivo arrojado por la red, es bastante
aproximado al resultado obtenido por el método
tradicional de aforo , realizados por los técnicos del
departamento agrícola de cultivo y cosecha para el
año 2018, obteniendo un resultado satisfactorio
con un margen de error de 1,56%.

Comprobando la hipótesis con dicho resultado,

las redes neuronales son herramientas de
predicción eficientes en cuanto a su funcionabilidad
ya que garantizan resultados para tomarlos
como referentes en temas de planificación de
presupuestos y productividad en una organización
agroindustrial como CAVSA.

Matlab es un software matemático diseñado

como “traje a la medida” para aplicaciones como la
investigada y trae en su configuración un Interfaz
GUIDE que es amigable y permite interactuar
con las variables de entrada de la Red Neuronal

entrenada, obteniéndose resultados eficaces para
analizarlos y cuestionarlos.

Durante el trabajo de investigación a través de

la interfaz se llegó a determinar que las variables
climatológicas como: temperatura máxima,
temperatura mínima. y Precipitaciones afectan
positivamente al rendimiento de la caña de
azúcar aumentado las toneladas de producción,
mientras que la Heliofanía por su parte tiene
un efecto negativo en el rendimiento cañero,
análisis realizado individualmente los parámetros
mencionados. Si se analizan las variables de
entrada en forma de conjunto, se puede concluir
que ellas están relacionadas entre sí y seria motivo
de otra investigación profundizar en su estudio.

Alcanzan niveles de eficacia por encima del 90%

evidenciándose que se mantienen los resultados
del modelo acordes a los de expertos humanos.
(López, 2016).

V. RECOMENDACIONES

La investigación puede ser tomada como

base para experimentar e involucrar los procesos
fabriles, para predecir la producción de azúcar

Cálculo de capacidades de producción iniciales Óptimas considerando elementos de incertidumbre

Mendoza y Marquetti. Redes Neuronales Artificiales: factores que determinan la cosecha de caña en la industria.

y sus derivados, misma que servirá como guía
para presupuestar la cantidad de caña cosechada
y producción final de azúcar por zafras, que se
destinarían como materia prima para producir
azúcar, sus derivados y alcohol, producto de
actualidad con el tema de los biocombustibles.

VI. REFERENCIAS
ARIAS. (2004). El proyecto de Investigación, Guía

para su Elaboración. CARACAS,. VENEZUELA
.

Avila, R., Rodriguez, V., & Hernandez, E. (2012).

Prediccion de rendimiento de un cultivo de
platano mediante redes neuronales de regresion
generalizada. Publicaciones en Ciencias y
Tecnologia, VI(1), 31-40.

Banko, C. (2005). La industria azucarera en

México y Venezuela. Un estudio comparativo.
Carta Económica Regional, 41-54.

Chagoya, E. R. (2008). Métodos y técnicas de

investigación. Gestiopolis, 16.

Coello, L. (4 de FEBRERO de 2015). Redes

neuronales artificiales en la producción de
tecnología. Discover scientific knowledge.
Obtenido de https://www.researchgate.net/
publication/283847824_Redes_neuronales_
artificiales_en_la_produccion_de_tecnologia

Eerikäinen, T., Linko, P., Linko, S., Siimes, T., &

Zhu, Y.-H. (1993). Lógica difusa y aplicaciones
de redes neuronales en la ciencia y tecnología
de los alimentos. Elsevier Ltd, IV, 237-242.

Fauconnier, R. (1975). La caña de azucar. Técnicas

agrícolas y producciones tropicales. Editorial
Blume., 405.

FREEMAN, J. A. (1993). Redes neuronales:

algoritmos, aplicaciones y técnicas de
programación, . New York, USA,: Addison-
Wesley Iberoamerican.

Kanali. (30 de julio de 1997). Predicción de

cargas por eje inducidas por la caña de azúcar
utilizando vehículos industriales. 2-7.

Laura Plazas Tovar. (2017). Prediction of overall

glucose yield in hydrolysis of pretreated
sugarcane bagasse using a single artificial
neural network: good insight for process
development.

López, S. T. (2016). Red neuronal multicapa para la

evaluación de competencias laborales. Revista
Cubana de Ciencias Informáticas. Obtenido
de http://scielo.sld.cu/scielo.php?script=sci_
arttext&pid=S2227-18992016000500016

Ma, F. L. (2002). Knowledge Acquisition Based on

Neural Networks for Performance Evaluation
of Sugarcane Harvester. 4-7.

Marquetti, H. (13 de DICIEMBRE de 2016). El

desarrollo económico local en Cuba. La Habana,
Cuba. Obtenido de file:///C:/Users/Usuario/
Downloads/Desarrollo-EconmicoLocalCuba.
pdf

MATICH, D. J. (2001). Redes neuronales,

Conceptos básicos y aplicaciones. Mexico: Ed.
Universidad Tecnológica Nacional, .

Miceli, G. (2002). Regulación enzimàtica de la

acumulación de sacarosa en cañas de azúcar
(Saccharum spp.). Agrociencia, 411-419.

Mutran, V. M. (2018). Bioenergy investments

in sugarcane mills: an approach combining
portfolio theory with neural networks. 3-7.

NOGUEZ, H. R. (1993). Comparación entre

imágenes Landsat Thematic. Tesis de
licenciatura. División de Ciencias Forestales,
Universidad Autónoma Chapingo, 115.

SALAS, M. I. (2000). Redes neuronales artificiales

en la medición de temperatura y humedad
relativa. Mexico: Universidad Autónoma
Chapingo.

Sampieri, D. R. (2010). Metodología de la

investigación. México D.F: McGRAW-HILL /
INTERAMERICANA EDITORES, S.A. DE C.V.