Universidad Nacional de Colombia

Facultad de Ingenierı́a
Maestrı́a en Automatización Industrial

“Método de negociación para riego en

condiciones de baja disponibilidad de agua”

Trabajo de grado para obtener el tı́tulo de:

Master en Automatización Industrial

Presenta:
Carlos Alejandro Salazar Sánchez

Director:
Pedro Fabián Cardenas Herrera
Ingeniero Electrónico
Asesor:
Andrés Fernando Jı́menez Lopes
Ingeniero Mecatrónico
20 de agosto de 2019
 Nota de aceptación

Firma del presidente del jurado

Firma del jurado

Firma del jurado

Bogotá, 20 de agosto de 2019

ii
 Agradecimientos

Colocar Agradecimientos

iii
 Contenido

Lista de Figuras VII

Lista de Tablas IX

Lista de sı́mbolos XI

Glosario XV

1 Formulación del proyecto 1

1.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Planteamiento del problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3 Justificación de la investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.1 Preguntas de investigación . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.2 Meta de la investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Objetivos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4.1 Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4.2 Objetivos Especı́ficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2 Marco Referencial 5
2.1 Marco contextual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Marco Teórico y Conceptual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2.1 Sistemas Multiagentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2.2 Control por consenso en Sistemas Distribuidos . . . . . . . . . . . . . . . 7
2.2.3 Modelamiento Basado en Agentes ABM . . . . . . . . . . . . . . . . . . 8

v
Contenido

2.2.4 Técnicas de Inteligencia Artificial . . . . . . . . . . . . . . . . . . . . . . 8

2.3 Marco legal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

3 Desarrollo del proyecto 13

3.1 Disposición del lugar tomado como muestra . . . . . . . . . . . . . . . . . . . . 13
3.2 Agente Gestor de agua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2.1 Elementos usados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2.2 Agente Gestor de agua con redes neuronales ordinarias y extracción de
caracterı́sticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2.3 Agente Gestor de agua con redes neuronales convolucionales . . . . . . . 17
3.3 Simulación de cultivos y requerimiento hı́drico . . . . . . . . . . . . . . . . . . . 17
3.3.1 Elementos usados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.3.2 Ejecución de la simulación . . . . . . . . . . . . . . . . . . . . . . . . . . 20

4 Resultados y conclusiones 21
4.1 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.2 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

Bibliografı́a 21

vi
 Lista de Figuras

2-1. Modelamiento de un sistema multiagente, Fuente: Autor . . . . . . . . . . . . . 6

2-2. Ejemplo de emergencia en Netlogo. Las hormigas se mueven de forma aleatoria
hasta que una encuentra comida, dejando un rastro que las otras hormigas siguen
y modifican su comportamiento. Fuente: Autor . . . . . . . . . . . . . . . . . . . 8
2-3. Arbol de decisión creado para resolver un problema sencillo. Fuente Autor . . . 9
2-4. Ejemplo de emergencia en Netlogo. Las hormigas se mueven de forma aleatoria
hasta que una encuentra comida, dejando un rastro que las otras hormigas siguen
y modifican su comportamiento. Fuente: Autor . . . . . . . . . . . . . . . . . . . 10
2-5. Ejemplo de un método de aprendizaje supervisado, Artificial Neural Networks,
Fuente [2] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

3-1. Modelo de caja negra del agente . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

3-2. Pipeline Feature extraction and ANN . . . . . . . . . . . . . . . . . . . . . . . . 15
3-3. Imagen de entrada en escala de grises . . . . . . . . . . . . . . . . . . . . . . . . 16
3-4. Imagen binarizada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3-5. Imagen contorno del embalse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3-6. Interfaz del programa AquaCrop . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3-7. Salida de simulación del programa AquaCrop . . . . . . . . . . . . . . . . . . . 19
3-8. Resultados de simulación de Aquacrop . . . . . . . . . . . . . . . . . . . . . . . 20

vii
Lista de Tablas

ix
 Lista de sı́mbolos

Esta sección es opcional, dado que existen disciplinas que no manejan sı́mbolos y/o abreviatu-
ras.

Se incluyen sı́mbolos generales (con letras latinas y griegas), subı́ndices, superı́ndices y abre-
viaturas (incluir sólo las clases de sı́mbolos que se utilicen). Cada una de estas listas debe estar
ubicada en orden alfabético de acuerdo con la primera letra del sı́mbolo.

Sı́mbolos con letras latinas

Sı́mbolo Término Unidad SI Definición

RR
A Área m2 dxdy
m2
ABET Área interna del sólido g
ver DIN ISO 9277
Ag Área transversal de la fase gaseosa m2 Ec...
As Área transversal de la carga a granel m2 Ec...
a Coeficiente 1 Ec...
mceniza
a Contenido de ceniza 1 mbm,0
mC
c Contenido de carbono 1 m

c Longitud de la cuerda m Figura...

mol n
c Concentración de la cantidad de materia m3 V

xi
Lista de sı́mbolos

Sı́mbolo Término Unidad SI Definición

D Diámetro m
kJ
EA Energı́a de activación mol
Ec....
F Fracción de materia volátil 1 ver DIN 51720
ω2 R
Fr Número de Froude 1 g0
→
−
g Aceleración de la gravedad m d2 −
→
r
s2 dt2

H Entalpı́a J U + PV
MJ
Ho Poder calorı́fico superior kg
ver DIN 51857
mH
h Contenido de hidrógeno 1 m

K Coeficiente de equilibrio 1 Ec...

L Longitud m DF
L Longitud del reactor m Figura...
m Masa kg DF
kg m
ṁ Flujo de masa s t
1 ω
n Velocidad de rotación s 2π

n Cantidad de materia mol DF

~ ·~
F n
P Presión Pa A

Q Calor kJ 1. LT
T Temperatura K DF
t Tiempo s DF
ni
xi Fracción de la cantidad de materia 1 n
R
V Volumen m3 dr3
m
~u Velocidad s
( dr
dt
, r dυ , dz )
dt dt
mi
wi Fracción en masa del componente i 1 m0
mH2 O
ww,i Contenido de humedad de la sustancia i 1 mi,0
pv
Z Factor de gases reales 1 RT

xii
Sı́mbolos con letras griegas

Sı́mbolo Término Unidad SI Definición

m2
αBET Factor de superficie g
(wF,waf )(ABET )
mi
βi Grado de formación del componente i 1 mbm,0

γ Wandhaftreibwinkel (Stahlblech) 1 Sección...

ρs
 Porosidad de la partı́cula 1 1− ρw

η mittlere Bettneigungswinkel (Stürzen) 1 Figura...

θ Ángulo de inclinación de la cama 1 Figura...
θO Ángulo superior de avalancha 1 Figura...
θU Ángulo inferior de avalancha 1 Figura...
K dT
κ Velocidad de calentamientoe s dt

ν Coeficiente estequiométrico 1 ver DIN 13345

kg mS
ρb Densidad a granel m3 VS
(Sección...)
kg mF
ρs Densidad aparente m3 VP
(Sección...)
kg mF
ρw Densidad verdadera m3 VF
(Sección...)
τ Tiempo adimensional 1 Ec....
m3 ∆V
ΦV Flujo volumétrico s ∆t
1 dυ
ω Velocidad angular s dt

Subı́ndices

Subı́ndice Término
bm materia orgánica
DR Dubinin-Radushkevich
E Experimental
g Fase gaseosa
k Condensado

xiii
Lista de sı́mbolos

Subı́ndice Término
Ma Macroporos
P Partı́cula
p Poro
p Pirolizado
R Reacción
t Total
wf Libre de agua
waf Libre de agua y de ceniza
0 Estado de referencia

Superı́ndices

Superı́ndice Término
n Coeficiente x

Abreviaturas

Abreviatura Término
1.LT Primera ley de la termodinámica
DF Dimensión fundamental
RF F Racimos de fruta fresca

xiv
 Glosario

BANDA TRANSPORTADORA: sistema de transporte, consiste en una cinta que se mueve

continuamente entre dos tambores, arrastrada por fricción.

BANDEJA DE SALIDA: elemento del mecanismo transportador, que se caracteriza por llevar
el material hasta la boca del molino de bola y que posee una forma de embudo lo cual facilita
la descarga del mismo.

CAJA CONDUCTORA: conjunto de engranajes con los cuales se consigue aumentar o dismi-
nuir la velocidad del motor al cual va conectada.

DOLOR LUMBAR: lumbago hace referencia a un molesto e incómodo dolor que se sitúa en la
espalda baja y que se intensifica con carga laboral alta y posturas inadecuadas; cuyos sı́ntomas
más claros son el dolor e inflamación.

ENGRANAJES: mecanismo en forma de rueda dentada, utilizado para transmitir potencia o

movimiento circular dentro de una máquina.

LESIÓN ARTICULAR: problemas que perjudican a la estructura articular ocasionados por el

desgate que a través del tiempo padecen las articulaciones

MINERAL: es sustancia cristalina, por lo general inorgánica, con caracterı́sticas fı́sicas y quı́mi-
cas propias debido a un agrupamiento atómico especifico.

MINERALIZACIÓN: proceso biológico que ocurre mediante la conversión de la materia orgáni-

ca a un estado inorgánico, a través de la acción de microorganismos.

xv
Glosario

MINERÍA MANUAL: es la forma más antigua rudimentaria y de menor escala en la que se

puede extraer minerales, pues no utilizan maquinaria.

MINERÍA: actividad económica del sector primario, representada por la explotación o extrac-
ción de los minerales que se han acumulado en el suelo y subsuelo en forma de yacimientos.

MOLINO DE BOLAS: tipo de molino utilizado para moler y mezclar materiales en proceso
de adobado de materiales, pinturas o cerámica; que funciona por el principio de impacto y
atrición.

MOTOR: pieza cuya función es convertir la energı́a eléctrica en energı́a mecánica por medio
de la acción de campos magnéticos

RIEL: barra metálica sobre en que se desplazan los sistemas de transporte minero.

RODILLO CONDUCIDO: tambor cuya función es transmitir el movimiento de la banda a

través del efecto (tensión) provocado por los tensores.

RODILLO MOTRIZ: pieza de impulso en forma de cilindro, como componente principal de

transmisión de energı́a hacia la cinta transportadora.

SENSOR: dispositivo que capta magnitudes fı́sicas (variaciones de luz, temperatura, sonido,
peso, etc.) u otras alteraciones de su entorno.

SISTEMA DE CARGUIO Y TRANSPORTE MINERO: consiste en la carga de material mi-

neralizado del yacimiento para conducirlo a los posibles destinos.

SISTEMA MECATRÓNICO: sistema digital que recoge señales, las procesa y emite una res-
puesta por medio de actuadores, generando movimientos o acciones sobre el sistema en el que
se va a actuar; están integrados con sensores, microprocesadores y controladores.

SOCAVÓN: excavación en roca con una sola entrada desde superficie, de una baja pendiente
y una geometrı́a tal que permite el libre tránsito de personal y/o maquinarias.

SOFTWARE: es una palabra que proviene del idioma inglés, pero que gracias a la masificación
de uso, ha sido aceptada por la real academia española. Según la RAE, el software es un con-
junto de programas que permiten ejecutar distintas tareas en una computadora.

SOLIDWORKS: programa de diseño mecánico en 3D, que está enfocado al diseño de producto,

xvi
diseño mecánico, ensambles y dibujos para taller.

TENSORES DE TORNILLO: piezas cuya función principal es lograr el adecuado contacto en-
tre la banda y el rodillo motriz, manteniendo una tensión adecuada, además, evitar derrames
de material y compensar las variaciones de longitud producidas por la banda.

TIC: tecnologı́as de la Información y la comunicación.

TRITURADOR DE MUELAS: máquina que procesa un material de forma que produce dicho
material con trozos de un tamaño menor al tamaño original, mediante el uso de la fuerza para
romper y reducir el objeto de una serie de piezas de volumen más pequeñas.

VETA: depósito mineral que llena una antigua grieta de las rocas de un terreno y que suele ser
objeto de explotación minera.

YACIMIENTO MINERO: acumulación natural de una sustancia mineral o fósil, cuya concen-
tración excede el contenido normal de una sustancia en la corteza terrestre y hace que sea
económicamente rentable su explotación.

xvii
 Formulación del proyecto
1
1.1. Introducción
Añadir introducción al finalizar

1.2. Planteamiento del problema

La agricultura de precisión es una industria en crecimiento que cada vez toma mayor impor-
tancia alrededor del mundo, este aumento se ha provocado por la mayor necesidad de los paises
en poder tener la sustentabilidad alimenticia y ser autosustentables, ası́ como la posibilidad de
poder manejar las zonas agrı́colas de forma tal que se obtenga la mayor cantidad de productos
con un nivel de calidad deseado.

Uno de los factores que influyen altamente en el cultivo es el riego, actualmente en Colombia
se realiza control de riego en las fincas por temporización, es decir lazo abierto, cada finca tiene
2 horas disponibles al dı́a para obtener el preciado lı́quido desde la red y queda a decisión del
agricultor decidir la cantidad de agua que necesita. Esta situación puede conllevar a un pro-
blema cuando los recursos hı́dricos son limitados y las diferentes fincas requieren cantidad de
agua que pueden llegar a ser insustentables si se busca suplir la necesidad de todos los cultivos,
algunas de estas siguiendo el orden en el que se reparte el agua en la zona pueden quedar
sin recibir la cantidad mı́nima para los cultivos lo que puede conllevar a una baja calidad del
producto o incluso a desperdicio total del cultivo.

En el manejo de riego individualizado se pueden plantear peticiones de agua totales que ex-

1
1 Formulación del proyecto

cedan la cantidad disponible en el territorio, razón por la cual se evidencia la necesidad de

desarrollar sistemas que sean capaces de compartir información y de acuerdo a ello modificar
dichas peticiones o realizar ajustes que mantengan unas condiciones viables para los cultivos
que se manejan.

1.3. Justificación de la investigación

Lo que se propone hacer es modelar los lotes como agentes inteligentes los cuales tienen la
capacidad de determinar la cantidad de agua que necesitan, luego de eso se comprueba si la
cantidad requerida por todos los lotes se puede suplir, en caso que haya escasez de agua y
esta condición no se cumpla los lotes como agentes inteligentes deben estar en capacidad de
realizar un proceso de negociación para decidir qué cultivos se pueden someter a condiciones
más bajas a las requeridas para mitigar pérdidas. El proyecto está definido hasta el momento
como un desarrollo en software, los cultivos serán simulados a partir de modelos encontrados
en la literatura o construidos por medio de experimentación.

1.3.1. Preguntas de investigación

¿Cómo evaluar cuándo no se dispone de la cantidad de agua requerida para el riego de
todos los lotes?

¿Qué métodos podrı́a usar el sistema para la decisión?

¿Qué efecto puede tener la cantidad de lotes en el desempeño del sistema?

¿Qué tipos de cultivo podrá manejar el sistema?

1.3.2. Meta de la investigación

Se plantea la siguiente meta de la investigación
Tener un método basado en agentes inteligentes que, mediante interacción, negocie la cantidad
de agua en un área de varios lotes.

2
 1.4 Objetivos.

1.4. Objetivos.
1.4.1. Objetivo General
Desarrollar un método basado en agentes que administre las cantidades de agua para los lotes
cuando no se dipone de la requerida inicialmente.

1.4.2. Objetivos Especı́ficos

Modelar el agente reservorio el cual se encarga de monitorear la cantidad de agua dispo-
nible.

Obtener un modelo de cultivo para pruebas.

Simular el comporatamiento y requerimiento hidrı́co de cultivos con un software especia-

lizado

Implementar en simulación un control de riego para un solo agente

Implementar un algoritmo de necogiación basado en agentes para el manejo de cultivos

3
 Marco Referencial
2
2.1. Marco contextual

2.2. Marco Teórico y Conceptual

2.2.1. Sistemas Multiagentes
Con la información suministrada en [?] un sistema multiagente puede definirse como un sistema
computarizado compuesto de múltiples agentes en un ambiente. Este enfoque es usado para
problemas que son de un nivel de complejidad muy alto haciéndolo difı́cil o imposible de resolver
para un solo agente. En este sistema los agentes trabajan de forma conjunta o adversaria
dependiendo de la aplicación a desarrollar o la situación a modelar.

Definición de un agente inteligente

Un agente inteligente está definido como una entidad autónoma que puede recibir información
de su entorno, procesar dicha información y actuar acorde a ese procesamiento.

Clasificación de los agentes

Los agentes se pueden clasificar de acuerdo a su nivel individual de complejidad. Algunas
categorı́as usadas para distinguirlos son:

Agentes pasivos o sin metas (un obstáculo, una herramienta)

Agentes activos con metas simples (modelos de animales en comportamientos de depredador-

presa o manada)

5
2 Marco Referencial

Agentes cognitivos (los cuales cuentan con cálculos y actividades más complejas)

Caracterı́sticas de los Agentes

Los agentes en un sistema multiagente deben contar con las siguientes caracterı́sticas:

Autonomı́a: los agentes son por lo menos parcialmente independientes, autoconcientes y

autónomos.

Vistas locales: Ninguno de los agentes tiene una visión global del sistema o el hecho que
la tenga no tiene uso práctico ya que la complejidad no da cabida a poder interpretar
dicha información de forma individual.

Descentralización: No existe un único agente que administre a todos los demás.

Figura 2-1: Modelamiento de un sistema multiagente, Fuente: Autor

Clasificación del ambiente en MAS

El ambiente donde actúan los agentes se puede clasificar en virtuales, discretos y continuos.
Igualmente, existen otros criterios de clasificación como son:

Accesibilidad: Determina si es posible obtener la información completa del ambiente por

parte de los agentes

Determinismo: Estipula que una acción definida causa un efecto también definido en el
ambiente.

6
 2.2 Marco Teórico y Conceptual

Dinámica: Cuántas entidades influyen el ambiente en el momento observado.

Discreto: El número de acciones posibles en el ambiente es finito.

Episodicidad: Las acciones del agente en cierto periodo afecta otros periodos

Dimensionalidad: Si las caracterı́sticas espaciales o factores importantes en el ambiente y

el agente debe considerarlas en su decisión

2.2.2. Control por consenso en Sistemas Distribuidos

Un problema fundamental en la computación distribuido y los sistemas multiagentes es lograr
una confiabilidad del sistema en presencia de procesos tendientes a fallos. Esto suele requerir
que los procesos converjan en un valor que es necesario durante la computación. El problema de
consenso requiere un acuerdo entre un número de agentes para un mismo dato único Algunos
agentes pueden fallar o no ser confiables de otra forma, por lo que los protocolos de consenso
deben ser tolerantes a fallos o resilentes. Los agentes deben de alguna manera debe enseñar sus
valores propuestos, comunicarse con otros, y estar de acuerdo en un valor único de consenso [1].
Los protocolos que resuelven problemas de consenso están diseñados para lidiar con números
limitados de agentes defectuosos. Un agente se le dice correcto en una ejecución si no experi-
menta ningún fallo. Un protocolo de consenso tolerante a fallos debe satisfacer las siguientes
propiedades:

Terminación: Cada agente correcto decide un valor

Validez: Si todos los agentes proponen el mismo valor Λ, entonces todos los agentes
correctos deciden Λ

Integridad: Todos los agentes correctos deciden máximo un valor, y si deciden algún valor
Λ, entonces Λ debe haber sido propuesto por otros agentes

Acuerdo: Todos los agentes correctos deben estar de acuerdo en el mismo valor. Al evaluar
el desempeño de los protocolos de consenso dos factores de interés son el tiempo de
ejecución y la complejidad de los mensajes. Otros posibles factores pueden incluir uso de
memoria y tamaño de los mensajes

7
2 Marco Referencial

2.2.3. Modelamiento Basado en Agentes ABM

Emergencia

La Emergencia es determinada por lo se llamarı́a un proceso de abajo hacia arriba es decir, la

influencia de unos pocos terminan influyendo el todo, ejemplos, de este comportamiento pueden
verse en los trancones, los atajos formados por el paso de personas en el cesped y en la Ola
humana que se realiza en las gradas de partidos de futbol. La acción opuesta serı́a un sistema
de control de arriba hacia abajo, en esta clase de sistema se sigue un objetivo propuesto desde
el más alto nivel y los agentes se acoplan para conseguir ese objetivo, no se toma en cuenta
iniciativas individuales ya que pueden cortar con el orden hegémonico del sistema. [3]

Figura 2-2: Ejemplo de emergencia en Netlogo. Las hormigas se mueven de forma aleatoria
hasta que una encuentra comida, dejando un rastro que las otras hormigas siguen
y modifican su comportamiento. Fuente: Autor

2.2.4. Técnicas de Inteligencia Artificial

Teniendo como guı́a [4] se evidencian los siguientes métodos de inteligencia artificial.

8
 2.2 Marco Teórico y Conceptual

Algoritmos de Búsqueda

Para el caso de los algoritmos de búsqueda tenemos un problema a resolver el cual se modela
como un arbol de decisión como el que se observa en la figura 2-3, un algoritmo de búsqueda
es un método que recorre este árbol de decisión hasta que encuentra una solución que cumple
con unos parámetros definidos como restricciones.

Figura 2-3: Arbol de decisión creado para resolver un problema sencillo. Fuente Autor

Optimización de Colonia de Hormigas El método de Ant Colony Optimization es un méto-

do de inteligencia artficial que se basa en la busqueda de una solución válida a un problema,
las diferentes acciones que puede tomar un agente se modelan como un arbol de decisión donde
las ramas serı́an la acciones finales que puede tomar el agente.

Este método de optimización está modelado básicamente como se observa en la figura 2-4
navega el árbol de decisión hacia los nodos hijos de forma aleatoria, si un agente consigue una
solución apropiada, deja un rastro del trayecto , llamado feromona en el método, en el arbol

9
2 Marco Referencial

hacia la solución, las mejores soluciones obtienen mayor cantidad de feromona haciendo que
los agentes tiendan a escoger de forma emergente ese camino en iteraciones futuras.

Figura 2-4: Ejemplo de emergencia en Netlogo. Las hormigas se mueven de forma aleatoria
hasta que una encuentra comida, dejando un rastro que las otras hormigas siguen
y modifican su comportamiento. Fuente: Autor

Aprendizaje de Máquina

Otro ámbito en el desarrollo de la inteligencia artificial está enfocado a imitar el proceso de

aprendizaje, en este campo hay dos tipos de aprendizaje, supervisado y no supervisado.

Aprendizaje supervisado En este primer caso el se realiza una fase de entrenamiento del
sistema que consiste en muestras de entradas al sistema, cada muestra con su respectiva salida
esperada, el sistema ajusta de forma iterativa sus parámetros internos para reducir el error
entre la salida esperada y la salida del sistema de la mayor cantidad de muestras posible.

10
 2.3 Marco legal

Figura 2-5: Ejemplo de un método de aprendizaje supervisado, Artificial Neural Networks,

Fuente [2]

Aprendizaje no supervisado El aprendizaje no supervisado constituye principalmente los

algoritmos de agrupamiento, estos se aplican cuando no se tiene información previa de las
posibles clases diferentes de datos pueden estar contenidos en la muestra,

Ejemplo de un algoritmo, Gaussian Mixture Model Fuente: Autor

2.3. Marco legal

11
 Desarrollo del proyecto
3
Se plantea un entorno con agentes de comportamientos heterogeneos. Los agentes de cultivo
tienen el rol de estimar individualmente la cantidad de agua necesaria para el cultivo que tienen
a cargo ası́ como el tiempo en el que se debe realizar el riego, el agente estimador de agua tiene
como rol estimar la cantidad de agua disponible en el embalse ası́ como la que puede ser usada
especı́ficamente para riego. Existen agentes coordinadores formando una estructura jerárquica
en que las peticiones de los agentes de cultivo son recibidas en los niveles bajos y se va subiendo
en el nivel de jerarquı́a, esto para descentralizar el sistema.

3.1. Disposición del lugar tomado como muestra

El sitio donde se realizará el montaje se encuentra a una altura 1.618 (msnm) en el sector de
gavia, en Riosucio caldas; el lugar cuenta con ventilación al aire libre.

En el sitio de beneficio hay un área propicia y adecuada para el montaje, mantenimiento y

limpieza de la máquina, teniendo en cuanta que debe contar con un buen espacio perimetral,
para que se desplace libremente al estar puesta en marcha.

El piso mortero no cuenta con el nivel adecuado ni la sedimentación propicia para el anclaje
de la máquina, ya que debe estar totalmente nivelado, pues el desnivel puede afectar el des-
plazamiento del sistema transportador perturbando la labor, debido a que la banda se va a
desplazar en una estructura que va anclada al piso.

El lugar donde se va a realizar el montaje de la máquina, cuenta con red eléctrica trifásica, con
un transformador de 45 kVA con un cable encauchetado AWG 4, que llega al totalizador, de

13
3 Desarrollo del proyecto

ahı́ se distribuye en la caja breaker contando con toma corrientes 220 v y 120 v.

El agua que con la que se trabaja en el lugar de beneficio es captada de una sequı́a, ésta se
transporta en manguera de 3” hasta tres tanques de reserva de 2000 L cada uno de los cuales
hace la distribución hidráulica para las tareas a realizar.

3.2. Agente Gestor de agua

Para el agente gestor de agua se plantea un modelo que tiene como entrada una imagen satelital
del cuerpo de agua (para el caso de estudio es el embalse la Copa en Boyacá) y como salida el
agua disponible en dicho cuerpo.

Figura 3-1: Modelo de caja negra del agente

Para el funcionamiento interno del agente se plantean los siguientes métodos, el de redes neu-
ronales ordinarias y extracción de caracterı́sticas, y el de redes neuronales convolucionales,
cabe anotar que las redes neuronales que se usarán deben funcionar para regresión en lugar
de clasificación.Para el entrenamiento se cuenta para las entradas con un dataset de imágenes
satelitales en las que se dispone de cielo despejado y para las salidas una base de datos del
sistema de gestión de calidad de USOCHICAMOCHA que registra el valor de nivel diario del
embalse, se cuenta con la información de nivel desde octubre de 2014 hasta marzo de 2019. Las
imagenes de entrada ya vienen previamente preprocesadas con un mapeo de pseudocolor que
resalta los cuerpos de agua y la tierra.

14
 3.2 Agente Gestor de agua

3.2.1. Elementos usados

Opencv

La librerı́a Opencv contiene funciones desarrolladas principalmente para la programación de

aplicaciones que requieren visión de máquina e inteligencia artificial, en este proyecto se usan
principalmente para el desarrollo del agente gestor de agua que usa redes neuronales ordinarias
y se realiza la extracción de caracterı́sticas definida de acuerdo a criterios humanos.

Keras

3.2.2. Agente Gestor de agua con redes neuronales ordinarias y

extracción de caracterı́sticas
Se plantea el siguiente pipeline para este sistema

Figura 3-2: Pipeline Feature extraction and ANN

Binarización y determinación de contornos

Se toma la imagen de entrada y se convierte a escala de grises, mediante pruebas se determina

el valor de umbral apropiado para la segmentación del cuerpo de agua el cual es el nivel entero
de 20 (entre una escala de 0 a 255 de valores enteros), como se puede ver en la figura 3-4 aún
puede haber contornos diferentes al cuerpo de agua de interés, para ello se extraen los contornos
y se selecciona el más grande ya que al ser una imagen que tiene ciertas condiciones de ambiente

15
3 Desarrollo del proyecto

estructurado permite hacer dicha determinación de que dicho contorno es el correspondiente al

embalse.

Figura 3-3: Imagen de entrada en escala de grises

Figura 3-4: Imagen binarizada

16
 3.3 Simulación de cultivos y requerimiento hı́drico

Figura 3-5: Imagen contorno del embalse

Extracción de Caracterı́sticas

Momentos de Hu (Generando un vector de 24 caracterı́sticas diferentes)

Área

Firma

3.2.3. Agente Gestor de agua con redes neuronales convolucionales

3.3. Simulación de cultivos y requerimiento hı́drico

Para el cumplimiento de los objetivos 2 y 3 se dispone de una simulación de modelos de cultivo
realizados con el software Aquacrop el cual funciona en sistemas windows, usando el software
wine y la librerı́a subprocess de python, se puede ejecutar Aquacrop en linux y componente de
los programas diseñados para el proyecto.

17
3 Desarrollo del proyecto

3.3.1. Elementos usados

Software Aquacrop

El software de simulación Aquacrop está descrito en palabras de la Organización Organización

de las Naciones Unidas para la Alimentación y la Agricultura FAO como ün modelo de simu-
lación de crecimiento de los cultivos (...) para abordar la seguridad alimentaria y evaluar el
impacto del medio ambiente y la gestión de los cultivos sobre la producción. AquaCrop simula
la respuesta del rendimiento de los cultivos herbáceos al agua y es particularmente adecuado
para las condiciones en las que el agua es un factor limitante en la producción de cultivos.”

Figura 3-6: Interfaz del programa AquaCrop

18
 3.3 Simulación de cultivos y requerimiento hı́drico

Figura 3-7: Salida de simulación del programa AquaCrop

Wine

El nombre de este software resulta del acrónimo Wine Is Not an Emulator, se ejecuta como
una capa capaz de permitir la ejecución de ejecutables del sistema operativo Windows en otros
sistemas basados en UNIX que manejan llamados POSIX ( Portable Operating System Interface
of uniX), a diferencia de otras maneras de realizar esta ejecución como emuladores o máquina
virtual, Wine hace la traducción directa eliminando las limitaciones y problemas de los otros
métodos.

19
3 Desarrollo del proyecto

3.3.2. Ejecución de la simulación

Figura 3-8: Resultados de simulación de Aquacrop

20
 Resultados y conclusiones
4
4.1. Resultados

4.2. Conclusiones

21
 Bibliografı́a

[1] Coulouris, George ; Dollimore, Jean ; Kindberg, Tim: Distributed Systems: Concepts and
Design. Vol. 4. 2012. – 772 p.. – ISBN 0321263545

[2] Cruz, John R. ; Baldovino, Renann G. ; Bandala, Argel A. ; Dadios, Elmer P.: Water usage
optimization of Smart Farm Automated Irrigation System using artificial neural network. En:
2017 5th International Conference on Information and Communication Technology, ICoIC7 2017
0 (2017), Nr. c. ISBN 9781509049127

[3] Janssen, Marco: Introduction to Agent Based Modeling. (2016), p. 688. – ISBN 1118762266,
9781118762264

[4] Russell, Stuart ; Norvig, Peter: Artificial Intelligence A Modern Approach. 2013. – 1151 p.. –
ISBN 9780136042594

23