FRTL - Investigación
Permanent URI for this communityhttp://48.217.138.120/handle/20.500.12272/205
Browse
3 results
Search Results
Item Análisis de una muestra de cereal aplicando lógica difusa(Universidad Tecnológica Nacional, 2019) Xodo, Daniel; Matassa, Marcelo Daniel; Galmes, Alberto FedericoLa elección de un tipo de cultivo en período de siembra tiene riesgos asociados a las condiciones del suelo que provocan pérdidas importantes de tiempo de trabajo e inversión para el empresario. Determinar los riesgos asociados según las condiciones con distintos tipos de suelo, y factores climáticos, puede significar importantes economías en variaciones en labor agrícola. Los principales factores que condicionan el riesgo son: régimen de lluvias, humedad del suelo y características y composición del suelo. Estas variables determinan los riesgos económicos, productividad y rendimiento, que son limitantes para los distintos productores o inversores. Un análisis predictivo o estadístico resulta útil para cuantificar su incidencia mediante mediciones sistemáticas, el trabajo presenta una alternativa de clasificación de riesgos por área o sector determinado a partir de la combinación de las variables mediante lógica difusa (Fuzzy Logic).Los datos a utilizar son información del Servicio Meteorológico Nacional y de la oficina de INTA local y recolección de datos rurales. La aplicación de lógica difusa, con un método Mandani, permitirá determinar las condiciones de riesgo a las labores de siembra y cosecha. A partir del desarrollo de la clasificación de las áreas y condiciones para un tipo de cereal, puede ser determinado en un suelo o un sector agrícola, acotado para cada muestra y determinar el nivel de riesgo asociado, a cada muestra de cereal seleccionado.Item Selección de lotes para la producción de manzanilla con programación lineal, ahp y focus loss(2017) Mavolo, Luca; Xodo, Daniel; Mavolo, PabloEl presente trabajo propone la selección de 600 hectáreas para producir manzanilla a partir de 6 alternativas de localización en el partido de Pehuajo utilizando el Software de Geo-referencia GIS ARCview 3.1 para el analizar los lotes de los productores.Se seleccionara la mejor combinación entre los 6 lotes a rentar para la siembra, a partir de la elaboración de un modelo de programación lineal, donde además de tener en cuenta el margen bruto por hectárea de cada alternativa con una función objetivo, seran elaboradas restricciones a partir de: disponibilidad máxima de cada lote, jerarquía entre los lotes a partir de puntos como distancia de traslado de materia prima, aptitud del suelo, y hectáreas disponibles, aplicando para la selección el método AHP. También será analizado el riesgo de selección de cada lote usando de FOCUS LOSS que considera el foco de pérdida del margen bruto ante un bajo rendimiento del suelo seleccionado. Este riesgo puede ser añadido al modelo de programación lineal de cada alternativa. El trabajo contiene 5 etapas: - Pre-selección de lotes a rentar, donde será utilizado el software ARCView 3.1 para este punto. - Elaboración del modelo de Programación lineal, determinación de la función objetivo y las restricciones básicas. - Elaboración de restricciones a partir del método AHP, determinando la jerarquía entre los lotes pre-seleccionados. - Aplicación del modelo de programación lineal sin Focus Loss - Aplicación del modelo de programación lineal con Focus Loss y conclusión final comparando la variación de ambos resultados al tener en cuenta el riesgo de cada alternativa.Item Análisis predictivo de lotes agrícolas para la siembra de soja(2019) Mavolo, Luca; Xodo, Daniel; Mavolo, PabloProblema y justificación, determinar el posible rendimiento de un lote agrícola en campos de gran extensión donde varia en gran medida la calidad de suelo y los escenarios climáticos año a año, dificultando una estrategia de siembra óptima. Objetivo, predecir 8 escenarios con el modelo de red neuronal a utilizar y estudiar la solidez del modelo. Luego predecir 7 escenarios viables para lograr una estrategia de siembra con asignación de lotes y tipos de semilla. Por ultimo realizar una predicción a modo de prueba usando el promedio histórico de lluvia en los meses estudiados y observar las variaciones en los rindes de acuerdo a las predicciones anteriores. Método utilizado, es un modelo de Red Neuronal, brindado por el soft RISK Industrial 7.6 (complemento Neural Tools). Resultado: se compara con los datos relevados de los lotes pertenecientes a la empresa “Nueva Castilla” de Trenque Lauquen, Buenos Aires, Argentina, donde se tiene información de mas de 17 años de datos climáticos, suelos y rendimientos cosecha de soja con distintos tipos de semilla, para determinar la viabilidad técnica y practica del modelo.