Upload
others
View
13
Download
0
Embed Size (px)
Citation preview
UNIVERSIDAD AUTÓNOMA DE
BAJA CALIFORNIA SUR Área de Conocimiento de Ciencias del Mar Departamento de Ingeniería en Pesquerías
“MODELACIÓN DE UN SISTEMA DE
CALENTAMIENTO SOLAR DE AIRE MEDIANTE
REDES NEURONALES”
TESIS
Que como requisito para obtener
El título profesional de:
INGENIERO EN PESQUERÍAS
Presenta:
JOSÉ RODOLFO VALLE CALDERÓN
Director de tesis:
Dr. Alfredo Flores Irigollen.
La Paz, B.C.S., Diciembre de 2009
DEDICATORIA
A mis padres, Rodolfo Gabino Valle Martínez y Ma. Elena Calderón Cota con quienes he compartido mis
grandes satisfacciones como ser humano y logros en mi preparación profesional, por su enorme
dedicación y enseñanza en el transcurso de mi vida.
A mi mujer Irene Peña Galaviz quien me ha acompañado y comprendido en mi camino y por su
paciencia.
A mis hermanos, Sandra y Mario por ser mis compañeros de vida y su ayuda en los momentos difíciles.
A mi hijo, José Emiliano Valle Peña de una forma especial por su llegada a este mundo y que se ha
convertido en mi razón de superación y perseverancia.
A mi Abuelo, Manuel Calderón Cota quien a pesar de no estar conmigo fue quien formó mi interés por
estudiar la carrera profesional.
A mis maestros, en especial quienes han logrado la finalización de este trabajo.
Dr. Alfredo Flores Irigollen
M.C. Manuel Rodríguez Rodríguez
Dr. Federico Poujol Galván
AGRADECIMIENTO
A dios quien es mi guía y me mantiene existente para disfrutar los momentos más importantes de mi
vida.
Al personal académico que indirectamente me han ayudado en mi desempeño laboral y que me han
enseñado las herramientas para complementarme como profesional.
A mi director de tesis por su perseverancia y paciencia en el transcurso de la elaboración de este trabajo
y por su amistad desinteresada formando un buen ambiente de camaradería.
Al departamento de ingeniería en pesquerías por su apoyo como miembro del mismo y su apoyo en el
ámbito laboral.
A mis compañeros de generación con quienes formé una fuerza de trabajo y con su ayuda superé
obstáculos como estudiante.
A mis amigos universitarios y personales que están al pendiente de mis logros.
RESUMEN
En el presente trabajo se estudia el comportamiento dinámico de un sistema de calentamiento solar de
aire mediante la técnica de modelación que emplea redes neuronales artificiales.
El proceso de modelación con redes neuronales implica una fase de entrenamiento y una fase de
validación. Para efectuar este proceso, se utilizó el software de simulación Alyuda Forecaster XL, que es
una aplicación que se integra a la hoja electrónica de Excel.
Para el desarrollo del presente trabajo, se emplearon 6 bases de datos generadas en el verano del 2002,
correspondientes al proyecto de instalación y puesta en marcha del túnel inflable de calentamiento solar
ubicado en las inmediaciones del área de Ingeniería en Pesquerías, las cuales contenían todas las
variables de interés.
En este trabajo se utilizaron 7 variables de interés o de “Entrada” y una variable de respuesta o “Salida”.
Las variables de entrada son tiempo, temperatura a la entrada del colector, velocidad del viento en el
interior del túnel, velocidad del viento en el exterior, temperatura de la superficie absorbedora,
temperatura ambiente y radiación solar global, mientras que como variable de respuesta se empleó la
temperatura del aire a la salida
Posteriormente se realizó el proceso de entrenamiento de una red neuronal artificial utilizando equipo de
cómputo adaptado a aplicaciones científicas y un software, Alyuda Forecaster XL, el cual cuenta con
una amplia capacidad experimental en redes neuronales artificiales aplicadas. Para efectuar esto, se
realizó un trabajo de preprocesamiento consistente en el ordenamiento y homogenización de los datos
propuestos por el grupo de trabajo y posteriormente se validó la red creada empleando un día de prueba,
cuyos datos no fueron utilizados en los entrenamientos.
Los resultados revelan que en la fase de entrenamiento las redes creadas reproducen con alta fidelidad
el comportamiento dinámico del colector, lo cual se refleja en un alto grado de correlación (R > 0.97)
entre la temperatura real y la temperatura predicha por la red.
En lo que respecta a la fase de validación, las redes solo tuvieron una eficiencia máxima de predicción
del 45%, lo cual sugiere que se requiere un mayor número de conjuntos de datos en la fase de
entrenamiento.
INDICE
1. INTRODUCCIÓN ....................................................................................................................... 1
2. MARCO TEORICO: REDES NEURONALES .......................................................................... 3
2.1 Las neuronas “verdaderas” ..................................................................................................... 3
2.2. Modelos de RNA ....................................................................................................................... 6
2.3 Topología de una RNA .............................................................................................................. 9
2.4. Elementos de una red neuronal artificial ................................................................................ 12
2.4.1. Pesos ................................................................................................................................. 12
2.4.2. Tipo de aprendizaje .......................................................................................................... 12
2.4.3. Operación de una Red Neuronal Artificial ....................................................................... 13
2.4.4. Topologías ....................................................................................................................... 13
2.4.5. Tipo de Red-Back Propagation ....................................................................................... 14
2.4.6. Tamaño de Una Red Neuronal ........................................................................................ 15
2.4.7. Taxonomía de las Redes Neuronales ............................................................................... 15
2.5. Antecedentes de aplicaciones a la energía solar. ................................................................... 17
3. JUSTIFICACIÓN ....................................................................................................................... 18
4. OBJETIVOS ............................................................................................................................... 19
4.1. Objetivo general: ................................................................................................................. 19
4.2. Objetivos Particulares: ........................................................................................................ 19
5. METODOLOGÍA ...................................................................................................................... 20
6. SISTEMA FÍSICO EXPERIMENTAL Y EQUIPOS DE MEDICIÓN. .................................. 22
6.1. Colector solar tipo túnel inflable. ........................................................................................ 22
6.1.1. Medición de temperatura .................................................................................................. 22
6.1.2. Medición de Radiación ..................................................................................................... 23
6.1.3. Medición de Velocidad de Aire. ...................................................................................... 24
7. FASE EXPERIMENTAL .......................................................................................................... 25
7.1. Planeación y ordenamientos ................................................................................................ 25
7.2. Alyuda Forecaster XL Software ......................................................................................... 26
8. RESULTADOS .......................................................................................................................... 31
8.1. Configuración (24/1) ........................................................................................................... 31
8.2. Configuración (24/6/4hr)..................................................................................................... 37
8.3. Datos Normalizados Filtrado cada 15 min. ....................................................................... 41
8.3.1. Gráficas comparativas y de correlación entre los datos reales y los predichos. ........... 44
8.4. Configuración 24/1/15 min ................................................................................................. 45
8.4.1. Grafica representativa del Coeficiente de Correlación................................................. 51
9. CONCLUSIÓN ......................................................................................................................... 52
10. RECOMENDACIONES. ........................................................................................................ 54
11. BIBLIOGRAFÍA ...................................................................................................................... 55
12. ANEXOS. ................................................................................................................................. 57
1. INTRODUCCIÓN
1
1. INTRODUCCIÓN
El presente trabajo trata sobre la aplicación de una herramienta de modelación en el análisis del
comportamiento dinámico de un colector solar tipo túnel inflable.
La Teoría de Redes Neuronales Artificiales (RNA) se ha aplicado a problemas donde los métodos
tradicionales no son lo suficientemente convincentes o son demasiado complejos. Esta herramienta no
considera los principios físicos fundamentales que rigen y explican los fenómenos que tienen lugar en el
sistema dinámico bajo análisis al menos no en la forma habitual en que se generan los modelos de estos
sistemas, se trata más bien de un sistema adaptativo; es decir, un sistema que ajusta los datos
suministrados minimizando el error que hay entre los datos presentados y los procesados por la RNA. En
este proceso crea una función que mejor se adapta a la información suministrada. Posee cierto grado de
generalidad y también tolerancia al error.
Hace más de sesenta años han surgido los primeros modelos neurofisiológicos del cerebro.
Originalmente eran muy primitivos, si eran capaces de reproducir rasgos muy elementales de la
complejidad observada en la actividad cerebral. Con el tiempo estos modelos neuronales han
evolucionado mucho, Actualmente son capaces de reproducir la actividad de áreas más o menos
extensas del tejido cerebral. Por otro lado, las RNA representan modelos más bien elementales y que no
pretenden describir con fidelidad la actividad de las neuronas biológicas. Esta simplicidad ha permitido
explorar las capacidades computacionales de esta clase de modelos, culminando con todo un conjunto
de algoritmos que permiten el procesamiento paralelo de la información. Como fruto de esta labor, ha
surgido un nuevo paradigma computacional denominado “conexionismo”, el cual consiste de construir
una red de procesadores elementales adaptativos capaces de mostrar un comportamiento emergente, es
decir, un comportamiento no previsto en el funcionamiento de las unidades elementales que integran la
red. Es gracias a esta cualidad emergente que una red neuronal es capaz de aproximar cualquier función
acotada. Resolver esta clase de problemas hace de las RNA una herramienta muy poderosa en diversas
aplicaciones como ajuste de funciones, reconocimiento de patrones, aprendizaje, clasificación, toma de
decisiones, control, optimización y muchas más.
1. INTRODUCCIÓN
2
En particular, diversas ramas de la ingeniería han sido enriquecidas por las aportaciones metodológicas
de esta línea de investigación. La ingeniería asociada al aprovechamiento de fuentes alternas de energía
no es la excepción.
En particular, el papel que desempeña las redes neuronales artificiales en la evaluación del colector es
en el sentido de reproducir el comportamiento dinámico del mismo en diferentes condiciones de
operación.
2. MARCO TEÓRICO: REDES NEURONALES.
3
2. MARCO TEORICO: REDES NEURONALES
2.1 Las neuronas “verdaderas”
El objeto de estudio de los neurofisiólogos es el cerebro, que bien puede denominarse, el "órgano de la
mente". Una disección del cerebro, como un todo, es mostrada en la Figura 2.1.
Figura 2.1 Tomado de: Mind and Brain, Gerald D. Fishbach, Sci. Am. 1994.
El estudio de las redes neuronales comienza a fines del siglo XIX, en esta época se iniciaron los estudios
del tejido cerebral. Santiago Ramón y Cajal quién fue galardonado con el premio Nobel de fisiología,
2. MARCO TEÓRICO: REDES NEURONALES.
4
describió las funciones individualizadas del tejido cerebral. Descubrió que las neuronas son las
responsables de la actividad cerebral, estas células se encuentran entrelazadas unas con otras formando
una intrincada red. Ahora se sabe que en la corteza cerebral hay un número de neuronas del orden de
1011
y cada una conectada con miles de otras neuronas. El cerebro es un órgano sumamente complejo,
en varios sentidos. Su intrincada interconectividad hace difícil estudiar en detalle las señales eléctricas
que se trasmiten unas a otras, además la química involucrada en la propia transmisión de las señales y el
aparato fisiológico de la célula, aunado a la gran variedad de distintas células, con múltiples funciones
diferenciadas, agregan dificultades hasta hace unos años imposibles de superar. Afortunadamente las
nuevas técnicas de microscopía y la nueva micro instrumentación hacen posible manipular in vivo
neuronas individuales y grupos de ellas. También técnicas, como la de resonancia magnética nuclear,
permiten trazar la actividad del cerebro como un todo, mientras realiza actividades (Curtis 2002).
Figura 2.2 En este campo pueden apreciarse las estructuras centrales, el cuerpo de las neuronas, un tallo largo de la
arborescencia representa al axón, a las terminaciones filamentosas se les denomina dendritas. Se pueden apreciar multitud de
interconexiones entre las células, a cada una de ellas se les denomina sinapsis.
2. MARCO TEÓRICO: REDES NEURONALES.
5
En la Figura 2.3 se presenta un esquema de una pequeña porción de la corteza cerebral y la forma como
se encuentran organizadas las neuronas. Una de las características de la corteza cerebral es su gran
extensión, las circunvoluciones del cerebro hacen posible aumentar mucho el área en un volumen
limitado. Las neuronas se organizan a su vez en columnas con haces de dendritas enlazados, ligando
unas cien neuronas en cada columna. En estas estructuras puede guardarse información y ligarla con la
información en otras partes de la corteza, aún cuando estén remotas.
Figura 2.3
Estructuras columnares características de la corteza cerebral, formadas
por capas que conectan haces dendríticos.
2. MARCO TEÓRICO: REDES NEURONALES.
6
2.2. Modelos de RNA
La Figura 2.4 muestra varios enfoques de una neurona, a la izquierda, la neurona concreta, o
“verdadera”, a la derecha una abstracción extrema, en la que la neurona es considerada como una
unidad de entrada/salida. Un modelo de compartimentos describe esta clase de neurona. Un modelo
intermedio, que permite la autorregulación y que no ofrece muchas complicaciones matemáticas es el
que aparece en el centro. Este es el que adoptamos como modelo de una unidad en una RNA. Podemos
considerar este enfoque como el modelo “mínimo” de una red de unidades acopladas de tal forma que
produzcan procesos emergentes; por consiguiente, representan análogos crudos de las redes neuronales
verdaderas. En ellos no deseamos retratar con fidelidad los aspectos fisiológicos del cerebro, sino
analizar las posibilidades computacionales de estos modelos. Los modelos de McCulloch-Pitts y otros
que discutiremos aquí, son de esta clase.
Figura 2.4
2. MARCO TEÓRICO: REDES NEURONALES.
7
El modelo de RNA más primitivo es el Modelo de McCulloch-Pitts. Ellos supusieron que las entradas de
otras neuronas (x1, x2,.. xj en la Figura 2.5) a la neurona i-ésima dependen de ciertos pesos o
parámetros, que son una representación de la intensidad de la conexión entre una entrada j y la
neurona i, medida por ij. La neurona dispara si la suma pesada con las entradas es mayor o igual a
cierto valor umbral de disparo. Esto los llevó a modelar dispositivos lógicos con funciones AND y OR, de
aquí que modelan el cerebro como de una red de circuitos eléctricos analógicos.
Mostraron que cualquier función lógica o aritmética en principio puede ser computada haciendo uso de
estos elementos simples. Esto representó un gran avance, ya que se demostró que una red de
procesadores trabajando en paralelo pueden realizar Computación Universal, esto si se escogen
apropiadamente los pesos ij . Lo anterior significa que puede realizarse de nuevo, en principio toda
operación que una máquina digital convencional puede hacer, “a lo Turing”, es decir, en forma
secuencial. Sin embargo, pese a este resultado tan importante, este tipo de redes no pueden aprender,
algo que obviamente si pueden hacer las redes neuronales naturales.
Figura 2.5
Diagrama de una neurona de McCulloch-Pitts.La unidad dispara si la suma de los pesos ijxj de las
entradas alcanza o excede el valor i.
2. MARCO TEÓRICO: REDES NEURONALES.
8
El modelo puede expresarse:
j
ijiji xw
0 xw si 0
0 xw si
)(f
xwf)t(x
ij
jij
ij
jij
i
ij
jiji
1
1
El tiempo avanza en lapsos discretos (0, 1, 2,…) y los valores de los pesos (wij ) pueden ser positivos
(excitadores) o negativos (inhibidores).
Este modelo de red presenta muchas limitaciones que imposibilitan el aprendizaje. No obstante esto ha
inspirado trabajos seminales en el desarrollo de esta rama de la computación, particularmente explotando
sus capacidades de cómputo (Sen-Yang 2002).
A menudo las neuronas reales no pueden considerarse como dispositivos con umbral, sino que
responden a sus entradas de una manera continua. Este proceso a veces es referido como una
respuesta gradual. La relación entre el estímulo y la respuesta universalmente es reconocida como un
fenómeno no lineal. Sin importar específicamente como modelar este proceso no lineal, esta no linealidad
puede adoptarse como principio heurístico. En cualquier caso, unidades de respuesta gradual pueden
considerarse más convenientes que las unidades con umbral.
Muchas células reales también realizan una suma no lineal con las entradas. Esto incluso puede llevar a
realizar dentro del árbol dendrítico procesamiento lógico con funciones AND, OR, NOT, etc. Esta última
parte merece una investigación más extensa, cuyos resultados quizás pronto estén a la vista.
2. MARCO TEÓRICO: REDES NEURONALES.
9
2.3 Topología de una RNA
En este trabajo de tesis es necesario adoptar una topología para la RNA. Básicamente hay dos tipos, una
topología basada en la supervisión, en la que es necesario contar con un ejemplar de datos que habrán
de irse ajustando de acuerdo a ciertos criterios de entrenamiento (un modelo de capas, con propagación
hacia adelante, o Feedforward, sería un caso) y la basada en la no-supervisión, son las redes
recurrentes, en las cuales no es necesario someter a la red a la fase de entrenamiento supervisado.
Del primer caso, el Algoritmo de Retro propagación (BPA) es el más utilizado en el entrenamiento de las
RNA con propagación hacia adelante (Becerra 2001). Esquemáticamente representado en la Figura 2.6
Figura 2.6El BPA se aplica a una topología por capas. Las capas de entradas propagan la información
hacia las capas intermedias, cuando éstas no convergen a los valores de entrenamiento, retro-propagan
la información modificando los pesos de las capas anteriores, esto procede hasta que el error entre los
valores mostrados y los calculados en la capa de salida coincidan dentro de un error pre-establecido.
Del segundo caso, las Redes de Hopfield son un ejemplo (Figura 2.8).
2. MARCO TEÓRICO: REDES NEURONALES.
10
Figura 2.8
Cada unidad se conecta con las demás unidades de la red, no hay capas. Cuando la información es
suministrada mediante los valores I1, I2,…,In la red se adapta hasta que converge.
Hemos adoptado el modelo de RNA basado en el algoritmo BP debido a que ofrece características de
convergencia razonablemente buenas, es fácil de aplicar, hay una multitud de aplicaciones que validan
sus cualidades computacionales y hay una gran variedad de paquetes computacionales que lo han
adoptado como una de sus funciones principales.
A pesar de que se cuenta con la tecnología de vanguardia y conocimiento con soporte fundamentado en
cuestión de sistemas y programación para el desarrollo de inteligencia artificial, estas máquinas son
utilizadas bajo una filosofía “Von Newman” y esto deriva en una descripción secuencial en el proceso y
tratamiento de la información.
Las primeras explicaciones teóricas sobre el cerebro y el pensamiento fueron dadas por algunos filósofos
griegos, como Platón y Aristóteles, quienes fueron apoyados después por Descartes y filósofos
empiristas (Notas del curso “Redes Neuronales,. Manuel Rodriguez).
2. MARCO TEÓRICO: REDES NEURONALES.
11
En 1936 Alan Turing fue el primero en estudiar al cerebro desde un punto de vista computacional, siendo
Warren McCulloch y Walter Pitts los primeros que fundamentaron las redes neuronales en sistemas
computacionales.
En 1957 Frank Rosenblatt desarrolló la red neuronal más antigua el “Perceptron”.
2. MARCO TEÓRICO: REDES NEURONALES.
12
2.4. Elementos de una red neuronal artificial
2.4.1. Pesos
Existen o hasta ahora se han descrito dos tipos de pesos, los fijos y los adaptables, siendo el primero
aquél que realiza sus tareas previamente definidas y cuyos pesos partirán de una descripción completa
del problema, los pesos adaptables son aquellos que se utilizan en todo lo contrario a los fijos, es decir,
cuando no se conoce previamente cual será su conectividad. Emplean leyes de aprendizaje para la
interconexión con otras neuronas.
2.4.2. Tipo de aprendizaje
El aprendizaje de una red neuronal se divide en dos tipos: Supervisado y no supervisado.
El aprendizaje supervisado es aquel que se da cuando su conectividad está definida en sus pesos de
entrada y salida y la red trata de minimizar el error ajustando sus pesos.
Este tipo de aprendizaje se emplea en el proceso de reconocimiento de patrones (forma, color,
características, etc.).
El entrenamiento no supervisado se presenta cuando los patrones de entrada de la red y esta hace una
clasificación de acuerdo a sus características más sobresalientes (Anderson 2007).
En el aprendizaje Auto-supervisado la propia red corrige los errores en la interpretación utilizando la
retroalimentación de los mismos.
2. MARCO TEÓRICO: REDES NEURONALES.
13
2.4.3. Operación de una Red Neuronal Artificial
La operatividad de una red neuronal se define en dos fases.
El entrenamiento de la red donde el usuario proporciona a la red un número de estímulos de entrada y de
salida con el objetivo de producir la interconexión o sinapsis hasta que tenga un resultado de salida muy
similar a la salida correcta.
La red es capaz de calcular su salida de acuerdo a los estímulos de entrada, aunque en algunos casos
se necesita reajuste en sinapsis en el entrenamiento No Supervisado (Moore 2007).
2.4.4. Topologías
Perceptron.
En 1962 Bernard Widrow propuso la regla de aprendizaje Widrow-Hoff, y Frank Rosenblatt desarrolló una
prueba de convergencia, y definió el rango de problemas para los que su algoritmo aseguraba una
solución. El propuso los 'Perceptrons' como herramienta computacional.
En la siguiente figura se representa una neurona "artificial", que intenta modelar el comportamiento de la
neurona biológica. Aquí el cuerpo de la neurona se representa como un sumador lineal de los estímulos
externos zj, seguida de una función no lineal yj = f(zj). La función f(zj) es llamada la función de activación,
y es la función que utiliza la suma de estímulos para determinar la actividad de salida de la neurona.
2. MARCO TEÓRICO: REDES NEURONALES.
14
Este modelo se conoce como perceptrón de McCulloch-Pitts, y es la base de la mayor parte de la
arquitectura de las RNA que se interconectan entre sí. Las neuronas emplean funciones de activación
diferentes según la aplicación, algunas veces son funciones lineales, otras funciones sigmoidales (p.ej. la
tanh), y otras funciones de umbral de disparo. La eficiencia sináptica se representa por factores de peso
de interconexión wij, , desde la neurona i, hasta la neurona j.
En un perceptrón, cada entrada es multiplicada por el peso W correspondiente, y los resultados son
sumados, siendo evaluados contra el valor de umbral. Si el resultado es mayor al mismo, el perceptrón se
activa.
2.4.5. Tipo de Red-Back Propagation
Una red neuronal muy eficaz para resolver fundamentalmente problemas de reconocimiento de patrones
es la red neuronal de propagación hacia atrás, en inglés back propagation network.
En esta red, se interconectan varias unidades de procesamiento en capas. Las neuronas de cada capa
no se interconectan entre sí. Sin embargo, cada neurona de una capa proporciona una entrada a cada
una de las neuronas de la siguiente capa, esto es, cada neurona transmitirá su señal de salida a cada
neurona de la capa siguiente (Moore, 2007).
2. MARCO TEÓRICO: REDES NEURONALES.
15
2.4.6. Tamaño de Una Red Neuronal
En una red multicapa de propagación hacia delante, puede haber una o más capas ocultas entre las
capas de entrada y salida. El tamaño de las redes depende del número de capas y del número de
neuronas ocultas por capa.
Número de capas: en una red multicapa, hay una o más capas de neuronas ocultas entre la
entrada y la salida. El número de capas se cuenta a menudo a partir del número de capas de
pesos (en vez de las capas de neuronas).
Número de unidades ocultas: El número de unidades ocultas está directamente relacionado con
las capacidades de la red. Para que el comportamiento de la red sea correcto (esto es,
generalización), se tiene que determinar apropiadamente el número de neuronas de la capa
oculta.
2.4.7. Taxonomía de las Redes Neuronales
Existen dos fases en toda aplicación de las redes neuronales: la fase de aprendizaje o entrenamiento y la
fase de prueba. En la fase de entrenamiento, se usa un conjunto de datos o patrones de entrenamiento
para determinar los pesos (parámetros de diseño) que definen el modelo neuronal. Una vez entrenado
este modelo, se usará en la llamada fase de prueba o funcionamiento directo, en la que se procesan los
patrones de prueba que constituyen la entrada habitual de la red, analizándose de esta manera las
prestaciones definitivas de la red.
Fase de Prueba: los parámetros de diseño de la red neuronal se han obtenido a partir de unos
patrones representativos de las entradas que se denominan patrones de entrenamiento. Los
resultados pueden ser tanto calculados de una vez como adaptados iterativamente, según el tipo
de red neuronal, y en función de las ecuaciones dinámicas de prueba. Una vez calculados los
pesos de la red, los valores de las neuronas de la última capa. Se comparan con la salida
deseada para determinar la validez del diseño.
Fase de Aprendizaje: una característica de las redes neuronales es su capacidad de aprender.
Aprenden por la actualización o cambio de los pesos sinápticos que caracterizan a las
2. MARCO TEÓRICO: REDES NEURONALES.
16
conexiones. Los pesos son adaptados de acuerdo a la información extraída de los patrones de
entrenamiento nuevos que se van presentando. Normalmente, los pesos óptimos se obtienen
optimizando (minimizando o maximizando) alguna "función de energía". Este es un criterio
popular en el entrenamiento supervisado
Las aplicaciones del mundo real deben acometer dos tipos diferentes de requisitos en el procesado. En
un caso, se requiere la prueba en tiempo real pero el entrenamiento ha de realizarse "fuera de línea". En
otras ocasiones, se requieren los dos procesos, el de prueba y el de entrenamiento en tiempo real. Estos
dos requisitos implican velocidades de proceso muy diferentes, que afectan a los algoritmos y hardware
usados.
Atendiendo al tipo de entrenamiento, una posible taxonomía de las redes neuronales es
Redes Neuronales
Fijo No supervisado Supervisado
Red de Hamming Mapa de características Basadas en decisión
Red de Hopfield Aprendizaje competitivo Perceptrón
ADALINE (LMS)
Perceptrón Multicapa
Modelos Temporales Dinámicos
Modelos Ocultos de Markov
Dada la estructura básica de un problema, la simple categorización, consideremos el problema de
encontrar el mejor conjunto de fuerzas de conexión de una red para que pueda aprender la categoría
apropiada de un patrón de entrada. Los categorizadores más sencilloss, suponen una representación de
salida de una célula abuela, donde una unidad está encendida, representando la categoría y las otras
deben estar apagadas.
2. MARCO TEÓRICO: REDES NEURONALES.
17
2.5. Antecedentes de aplicaciones a la energía solar. La utilización de redes neuronales en proyectos de energía solar ha sido un método optativo para el
desarrollo de la misma. Entre algunas aplicaciones podemos encontrar la modelación del rendimiento de
un sistema dinámico de tipo cerrado y consta de dos colectores de placa plana. Los resultados fueron
utilizados para formar una red apropiada con el fin de predecir el rendimiento a largo plazo del
rendimiento del sistema. (Soteris & Panteliou 2002).
Otra aplicación relevante fue en la utilización de redes neuronales para determinar la media diaria
mensual de la irradiación solar global para la ubicación de estaciones climáticas. (Murbiru & E.J.K.B.,
junio2006)
Los modelos a largo plazo utilizando datos de ocho estaciones del año en Osman USA. Se demuestra
que tanto los modelos MLP rbf y un buen desempeño sobre la base del error cuadrado medio entre el
observado y el estimado de radiaciones solares. (Dorvlo, Jervase & Al-Lawat, Febrero 2002.
En particular, en el área de las aplicaciones térmicas las redes neuronales han sido utilizadas con
resultados exitosos. Han sido utilizadas, por ejemplo, para modelar el factor de intercepción de colectores
(Kalogirou, et al 1996) solares, las razones de concentración local alrededor de la periferia
concentradores ( Kalojirou, 1996). Adicionalmente, se han usado también con éxito para predecir la
energía extraída y la elevación de la temperatura del agua de colectores solares planos funcionando a
termosifón.
3. JUSTIFICACIÓN.
18
3. JUSTIFICACIÓN
Nuestra meta u objetivo de este proyecto es describir el comportamiento dinámico de un
calentador solar tipo túnel haciendo uso de redes neuronales artificiales con el fin de
implementar una metodología alterna para el diseño y operatividad de sistemas solares y, del
mismo modo, explotar la nueva tendencia a la utilización de métodos informáticos de inteligencia
artificial aplicada.
Se considera importante el uso de redes neuronales artificiales por la complejidad que deriva en cierto
modo la operatividad de un sistema de calentamiento solar en el sentido de su comportamiento y eficacia
a la hora de ser utilizado en una línea de producción como podría ser su uso en la obtención de
productos secos o seco-salado.
Para el diseño de un calentador solar tipo túnel inflable intervienen ciertas características y materiales
para su óptima operación. Usando modelos de redes neuronales podemos desarrollar un sistema con
base en los requerimientos del diseño y evaluar su comportamiento dinámico.
De este modo garantizaríamos reducir los costos tanto de construcción, operación y mantenimiento de
este tipo de sistemas y a su vez optimizar su rendimiento de trabajo.
4. OBJETIVOS.
19
4. OBJETIVOS
4.1. Objetivo general:
Describir el comportamiento dinámico de un calentador solar tipo túnel inflable mediante el uso de redes
neuronales.
4.2. Objetivos Particulares:
Efectuar una revisión crítica de la literatura en torno al tema de las redes neuronales artificiales.
Discutir los fundamentos teóricos y prácticos de aplicaciones de las redes neuronales en
diversos casos relacionándolos con la energía solar.
Diseñar y seleccionar la red neuronal adecuada para predecir el funcionamiento de un colector
tipo túnel.
Aplicar varias metodologías de entrenamiento de una RNA y predecir el comportamiento
dinámico de un colector tipo túnel inflable.
Validar la eficiencia de la red neuronal seleccionada para describir el comportamiento del colector
mediante el empleo de nuevos conjuntos de datos de entrada.
Discernir sobre el uso de redes neuronales de los métodos tradicionales como método optativo
para predicción en problemas de este tipo.
Obtener resultados que favorezcan como alternativa analítica para su uso productivo y
posteriores aplicaciones.
5. METODOLOGIA.
20
5. METODOLOGÍA
1. Revisión crítica de literatura en torno al tema de las redes neuronales artificiales y sus aplicaciones en
la modelación del comportamiento de sistemas dinámicos.
2. Descripción del sistema bajo estudio.
3. Recabar y organizar la información de variables de interés en el estudio, a saber:
Radiación solar instantánea.
Temperatura de aire a la entrada al sistema.
Velocidad del viento en el interior del túnel
Velocidad del viento en el exterior.
Temperatura de la superficie absorberdora.
Valores de temperatura del aire en la descarga. Esto con el fin de tener valores objetivos para el
entrenamiento de las redes neuronales.
4. Seleccionar y aplicar la metodología más adecuada para este estudio.
5. Simulación.
Realizar una serie de pruebas para el entrenamiento de la red y para la determinación de la mejor
topología.
6. Validar el modelo de red seleccionado mediante conjuntos de datos nuevos de entrada.
7. Análisis y discusión de resultados generados.
5. METODOLOGIA.
21
La Red Neuronal está constituida en si por 6 unidades de entrada o mejor dicho neuronas de entrada
como se muestra en la figura 6.1;
Temperatura de Entrada (Tentrada): Temperatura del Aire a la entrada del túnel inflable.
Temperatura Ambiente (Tambiente): La registrada en el medio.
Temperatura de Piedra (TPiedra): Registrada vía termopar en la zona media del túnel.
Velocidad Exterior (Vel.Ext): Velocidad del Aire en el exterior del tunel.
Velocidad Interior (Vel.Int): Velocidad del Aire en el interior del túnel impulsado por un ventilador
centrifugo.
Radiación (G): Registrada por un Piranómetro blanco y negro marca Eppley.
Mientras que la unidad de respueta o Neurona de Salida Objetivo es:
Temperatura de Salida: (Ts): Temperatura del Aire a la Salida del túnel inflable.
Figura 6.1. Esquema representativo de las variables de entrada y salida del sistema.
6. SISTEMA FISICO EXPERIMENTAL Y EQUIPO DE MEDICIÓN.
22
6.05 3,23 2,87 6,11 2,87 3,24 6,11 6,046,135,07 5,17
E1A2P3
A4P5
A6P7
A8P9
A10P11 S12
Flujo de aire
BTANE
6. SISTEMA FÍSICO EXPERIMENTAL Y EQUIPOS DE MEDICIÓN.
6.1. Colector solar tipo túnel inflable.
El sistema objetivo fue un colector solar tipo túnel inflable Tiene la forma de un ducto con sección
transversal segmento-circular con una altura máxima de 0.80 metros, 50 metros de longitud y 5 metros
de ancho, el cual contiene 15 metros cúbicos de cantos rodados pintados con vinílica negro mate,
distribuidos sobre 242 metros cuadrados de su superficie de colección de energía, con un espesor
promedio de 5.5 centímetros. A través del túnel circula aire, el cual se calienta a medida que avanza en
su interior. Su cubierta es una película de polietileno semitransparente de 178 μm de espesor, con
tratamiento UV, sujeta a perfiles estructurales metálicos en el perímetro del absorbedor. Se utilizó un
ventilador centrífugo de 10 HP de potencia, para impulsar el aire a través del colector solar, el cual
maneja como máximo 5 kg/s de aire. (Salas 2003)
6.1.1. Medición de temperatura
Para medir la temperatura se construyeron y calibraron termopares de cobre-constatan, y estos a su vez
se conectaron a un dispositivo de entradas analógicas tipo diferencial, el cual cuenta con una resolución
de 16 bits, rango programable, exactitud de ± 0.05%, interfaz RS485.
6. SISTEMA FISICO EXPERIMENTAL Y EQUIPO DE MEDICIÓN.
23
El software utilizado para la adquisición de datos esta desarrollado en Lab Windows CVI, el cual es un
lenguaje de programación C. Este software permite el almacenamiento en disco y la presentación de
datos en forma gráfica y numérica en pantalla.
Figura 7.2. Termopares de cobre utilizados para el
monitoreo de temperaturas en el sistema.
6.1.2. Medición de Radiación
Para la medición de la radiación solar se utilizó un piranómetro blanco y negro marca Eppley de
fotodiodo de silicio, respuesta espectral de 280 a 2800 nm, calibrado contra un piranómetro espectral de
precisión que da un error de ± 3%. Este sensor se conectó a una tarjeta acondicionadora con convertidor
de corriente a voltaje y amplificador del voltaje con rango de medición de 0 a 1100 w/ m2. Su constante
de calibración es 9.8 X 10-6
V/Wm-2
.
Figura 7.3. piranómetro utilizado para el registro de radiación en el sistema.
6. SISTEMA FISICO EXPERIMENTAL Y EQUIPO DE MEDICIÓN.
24
6.1.3. Medición de Velocidad de Aire.
Para la medición de la velocidad, tanto interior del túnel como en el exterior, se utilizó un anemómetro de
tres copas de rápida respuesta y baja inercia, el cual es sensor tipo generador eléctrico con frecuencia de
salida proporcional a la velocidad de giro, linealidad ± 1% y frecuencímetro para la medición de la
velocidad del viento implementado con un contador digital controlado con un microprocesador (Salas
2002).
Figura 7.4. Anemómetro de 3 copas
7. FASE EXPERIMENTAL.
25
7. FASE EXPERIMENTAL
7.1. Planeación y ordenamientos
Contamos con 5 días de medición fechados de la siguiente manera.
13 de julio, 20 de julio, 20 de septiembre, 22 de septiembre y 25 de septiembre Todos corresponden al
año 2002.
De tales días se obtuvieron nuestras variables de temperatura, velocidad y radiación organizados y
registrados en minutos. Es decir cada día cuenta con aproximadamente 10087 datos de entrada en el
transcurso de 24 horas.
Figura 8.1 muestra de la organización de datos en Excel
La primera fase consistió en la adaptación y homogenización tanto en estructura como en contenidos ya
que un detalle importante sobre el uso de Forecaster es la homogeneidad de entrada de datos,. En el
aprendizaje de su uso pudimos percatarnos de la importancia en el entrenamiento.
7. FASE EXPERIMENTAL.
26
7.2. Alyuda Forecaster XL Software
Forecaster XL le permite crear redes neuronales para hacer pronósticos y clasificaciones directamente
dentro de las hojas de cálculo Excel. Se pueden aplicar al instante las capacidades de las redes
neuronales a datos de Excel, conservando al mismo tiempo todas las capacidades de manipulación de
datos de Excel.
Las características sobresalientes de este software son las siguientes:
• Algoritmos de avance automático
• Diseño Automático de Topología de Red.
• Facilidad de Seleccionar el tipo de Algoritmo.
Se procuró establecer tanto posición como número de datos incluso nombre de la “hoja” de cálculo en
nuestro archivo Excel.
Posteriormente a la organización y homogenización de nuestros datos se procede a la configuración de
nuestra herramienta Forecaster definiendo en si las tolerancias determinadas de Entrenamiento y de
Test.
En cada una de las configuraciones de red se utilizo una tolerancia de error relativo del 20% para la fase
de entrenamiento y 30% para fase de prueba (test).
Se utilizó a su vez el método “random” o aleatorio, lo cual nos recomienda el mismo software para las
pruebas de predicción.
A su vez un 83 % de los datos son utilizados para el entrenamiento y el resto para realizar pruebas de
interacción (Testing).
Lo cual es totalmente regulado en la configuración del software en el apartado general de entrenamiento.
7. FASE EXPERIMENTAL.
27
Ese sería nuestro ajuste a considerar antes de trabajar con la herramienta y sobre todo antes de
comenzar a manipular nuestros datos.
7.3. Configuraciones adoptadas para fase de entrenamiento de RNA.
La utilización de esta herramienta informática exige ciertos criterios especificados por los creadores del
software para el desarrollo de entrenamiento experimental en sus diversas funcionalidades. Esto exige
que los datos de entrada de la red tienen que contar con un orden, una capacidad y a su vez una
homogeneidad en todas partes implicadas en el experimento.
Para esto optamos por planear diferentes configuraciones de la base de datos de modo de satisfacer un
mejor desempeño del software procurando la fase de validación lo mas optima posible.
Configuración (24/1RNA): Es decir, 24 horas, 1 Red Neuronal.
Configuración (24/6RNA/4Hrs): Es decir, 24 horas, 6 Redes Neuronales en Bloques de 4 horas.
Configuración Normalizada.
Configuración (24/1/15min): Es decir, 24 horas, 1 Red Neuronal filtrada cada 15 minutos.
Estas configuraciones se describen a continuación:
Configuración (24/1RNA).
En esta configuración se tomó el primer día como día pivote, es decir, el día 1 será quien contenga a
nuestra red neuronal principal y a su vez sea entrenada por sus mismos datos.
El entrenamiento se realizó el registro de 24 horas, minuto a minuto para un total de 10,087 datos de
entrada y 1441 datos de Salida para su respectivo entrenamiento y creación de la red.
Configuración (24/6RNA/4Hr).
Esta configuración consistió en particionar cada corrida (cada día) en 6 bloques de datos que abarcan 4
horas cada uno.
7. FASE EXPERIMENTAL.
28
Para cada bloque se creó una red independiente a su corrida pero a su vez correspondiente a su
respectivo bloque de tiempo en los demás días.
Finalmente obtuvimos 6 redes neuronales las cuales se entrenaron con su bloque correspondiente, es
decir, la primer red (de 0 a 4hr) se alimentó y entrenó con los datos de los cuatro primeros bloques de 0-
4hrs. De las corridas 2,3,4 y 5. Así sucesivamente se entrenaron las 5 redes posteriores.
Configuración Normalizada.
La normalización es el proceso mediante el cual se transforman datos complejos a un conjunto de
estructuras de datos más pequeñas, que además de ser más simples y más estables, son más fáciles de
mantener.
Los datos fueron Normalizados con el fin de evitar redundancia de los datos y proteger la integridad de
los mismos buscando de cierto modo la obtención de mejores resultados en la fase de valorar el Día
Predictorio. Dicha normalización se efectuó con la siguiente formulación:
X= Valor de la Base de Datos
Xmin= Valor mínimo de La Base de Datos Total.
Xmax= Valor Máximo de la Base de Datos Total.
Los datos fueron filtrados cada 15 minutos, es decir, C/15min se extrajo una fila y se colocó en una
Hoja Excel alterna. Este procedimiento se agilizó con la utilización de un macro o código de programación
en visual Basic explotando en si el uso de esta herramienta predestinada en Excel Office.
7. FASE EXPERIMENTAL.
29
Macro Visual Basic.
Sub COPIARCELDAS()
'' COPIARCELDAS Macro
'Dim i As Integer
Dim p As Integer
p = 1
For i = 2 To 1500 Step 15
Sheets("Datos Normalizados").Select
Range(Cells(i, 1), Cells(i, 8)).Select
Selection.Copy
Sheets("Hoja3").Select
ActiveSheet.Range("A1").Offset(p, 0).Select
ActiveSheet.Paste
p = p + 1
Next i
Sub End
Se obtuvo un total de 97 fila para posteriormente generar una nueva red con una tolerancia determinada
al entrenamiento de 10% y una tolerancia de Test de 30% obligando en si a la red a ser mas especifica.
Configuración (24/1/15min).
Esta configuración consiste en hacer un simple filtrado de cada 15 minutos nuestra corrida base (día 1) y
crear una sola red, haciendo la fase de manipulación mucho más simplificada y absoluta. Reduciendo en
si la robustez de nuestros datos.
7. FASE EXPERIMENTAL.
30
Debido a la experiencia adquirida en las configuraciones anteriormente atendidas nos dio pie a pensar
que fueron hasta cierto punto sobrevaloradas o mejor dicho más compleja de lo convenientemente
permitido, por eso fue la propuesta de realizar un proceso mucho más desahogado y contundente.
Metodología de la configuración.
Tomamos la base de datos de nuestro día base (día 1) de la cual extrajimos de su hoja de cálculo cada
15 minutos una fila por medio de un macro creado en Visual Basic, el cual nos extrajo dicha fila, copia y
pega en una hoja posterior de forma automática.
Al final de nuestra aplicación de macro obtuvimos una hoja Excel más en nuestra base de datos con 1288
datos.
Etapa de validación.
La metodología de validación de datos corresponde como punto crucial y a su vez finaliza la fase
experimental de entrenamiento, llevando esta a la etapa predictoria de nuestras diversas redes
neuronales artificiales creadas.
Para esto utilizamos un día o una base de datos que pudiéramos llamar como “incognito” que en su
principio se excluyó del entrenamiento con el fin de someter dicho día a modo de predicción en su
variable de salida, en este caso la temperatura de salida del túnel.
Este día “incógnito” se planteó para las diferentes configuraciones antes descritas, donde se consideró
homogeneizar su estructura, su orden y alteración numérica en la normalización.
En este caso obtuvimos como resultado 4 validaciones del día “incógnito” con el fin de identificar y definir
cuál de las configuraciones fue la más apropiada y flexible para el desarrollo del proyecto.
8. RESULTADOS.
31
8. RESULTADOS
8.1. Configuración (24/1)
Estructura de la Red
Número de entradas: 7
Número de salidas: 1
Número de unidades
ocultas: 7
El entrenamiento se realizó para el registro de 24 horas, minuto a minuto para un total de 10,087 datos de
entrada y 1441 datos de Salida para su respectivo entrenamiento y creación de la red.
Los Resultados generados se muestran a continuación:
Resumen
Set de
entrenamiento
Set de
prueba
# de filas: 1196 245
CCR: n/a n/a
Promedio AE: 0.5182062 0.5930883
Promedio MSE: 0.5589759 0.638831
Tolerancia tipo: Relativo Relativo
Tolerancia: 5% 20%
# de Buenas
predicciones: 1190 (99%) 245 (100%)
# de Malas
predicciones: 6 (1%) 0 (0%)
RSquared: 0.9962
Correlation: 0.9981
8. RESULTADOS.
32
Las siguientes graficas corresponden al análisis comparativo y la desviación estándar de los
datos reales y predichos.
13 de julio 2002
13 de julio 2002
8. RESULTADOS.
33
20 julio 2002
20 de julio 2002
8. RESULTADOS.
34
20 de septiembre 2002
20 de septiembre 2002
8. RESULTADOS.
35
22 de septiembre 2002.
22 de septiembre 2002.
8. RESULTADOS.
36
25 de
Septiembre 2002.
25 de
Septiembre 2002.
8. RESULTADOS.
37
Resumen:
En esta etapa el grado de correlacion muestra una fuerte dependencia entre los datos predichos y
los reales con un 99%.
El Error estándar fluctua de 0 a 4 grados de temperatura de salida principalmente en el principio
del entrenamiento, afinándose conforme se incrementa o se alimenta la red.
8.2. Configuración (24/6/4hr)
Esta configuración consistió en particionar cada corrida (cada día) en 6 bloques de datos que abarcan
intervalos de 4 horas cada uno.
Para cada bloque se creó una red independiente a su corrida pero a su vez correspondiente a su
respectivo bloque de tiempo en los demás días, en el cual se generaron 6 redes con las siguientes
estructuras.
Estructura de la
Red
Número de
entradas: 7
Número de salidas: 1
Número de
unidades ocultas: 5
Bloque A de 0 a 4hrs.
Estructura de la
Red
Número de
entradas: 7
Número de salidas: 1
Número de
unidades ocultas: 7
Bloque B de 4 a 8 hrs.
8. RESULTADOS.
38
Estructura de la
Red
Número de entradas: 7
Número de salidas: 1
Número de unidades
ocultas: 5
Bloque C de 8 a 12
Estructura de la
Red
Número de
entradas: 7
Número de salidas: 1
Número de
unidades ocultas: 0
Bloque D 12 a 16 hrs.
Estructura de la
Red
Número de
entradas: 7
Número de salidas: 1
Número de
unidades ocultas: 10
Bloque E 16 a 20 hrs.
Estructura de la
Red
Número de
entradas: 7
Número de salidas: 1
Número de
unidades ocultas: 7
Bloque F de 20 a 24 hrs.
Como se pudo observar las configuraciones automáticas arrojadas por Forecaster fueron diferentes para
cada bloque hablando del modo consecutivo, pero si presento similitud en cuatro de sus 6 bloques, es
decir, similitud en los bloques A y C, así mismo en los bloques B y F.
8. RESULTADOS.
39
Los siguientes resultados corresponden al registro comparativo de la variable de salida en cada bloque
.Predicción Real
Bloque A (0 a 4hr) Bloque B (4 a 8hr)
Bloque C (8 a 12 hr.) Bloque D (12 a 16 hr.)
Bloque E (16 a 20hr.)
Bloque F (20 a 24hr).
8. RESULTADOS.
40
Graficas de desviación estándar.
Bloque 1 (0 a 4hrs).
Bloque 2 (4 a8 hrs).
Bloque 3 (8 a 12 hrs).
Bloque 4 (12 a 16 hrs)
Bloque 5 (16 a 20 hrs.) Bloque 6(20 a 24hrs).
8. RESULTADOS.
41
8.3. Datos Normalizados Filtrado cada 15 min.
Predicción Real
13 de Julio- Normalizado
13 de Julio- Normalizado
30 de Julio - Normalizado
30 de Julio - Normalizado
8. RESULTADOS.
42
20 de septiembre - Normalizado
20 de Septiembre – Normalizados.
22 de Septiembre- Normalizados 22 de septiembre – Normalizados.
8. RESULTADOS.
43
Validación
La validación se llevo a cabo con un día “incognito” es decir un día no incluido en el entrenamiento el cual
fue homogeneizado, es decir, igualmente Normalizado y filtrado en pasos de 15 minutos el cual dio como
resultado un total de 97 datos de los cuales solamente 25 fueron predichos.
En esta etapa se presentaron muchos “huecos” debido a que se generó ruido
Predichos 26%
74%
Validacion- Datos Normalizados
La tabla a la izquierda muestra los 25 datos (26%) con su respectiva validación (color azul) , Dichos datos predichos se pueden definir con una similitud muy cercana
8. RESULTADOS.
44
8.3.1. Gráficas comparativas y de correlación entre los datos reales y los predichos.
Figura 8.1 La siguiente figura muestra una grafica de correlación entre los resultados predichos por la
red y los datos reales con el fin de determinar la eficiencia de predicción de la red.
Figura 8.2. Grafica de Correlación. Datos Predichos/ Datos Reales.
0.00
0.20
0.40
0.60
0.80
1.00
1.20
1 3 5 7 9 11 13 15 17 19 21 23 25
Datos Predecidos
Datos Reales
y = 0.9472x - 0.0368R² = 0.9772
-0.20
0.00
0.20
0.40
0.60
0.80
1.00
0.00 0.20 0.40 0.60 0.80 1.00 1.20
Series1
Lineal (Series1)
8. RESULTADOS.
45
8.4. Configuración 24/1/15 min
13 de julio Filtrado 15 min.
13 de julio Filtrado 15 min
8. RESULTADOS.
46
20 de Julio Filtrado 15 min
20 de Julio Filtrado 15 min
8. RESULTADOS.
47
20 Septiembre Filtrado 15 min.
20 Septiembre Filtrado 15 min.
8. RESULTADOS.
48
22 de Septiembre Filtrado 15 min.
22 de Septiembre Filtrado 15 min.
8. RESULTADOS.
49
25 de Septiembre Filtrado 15 min.
25 de Septiembre Filtrado 15 min.
8. RESULTADOS.
50
VALIDACION
La validación se realizó de manera satisfactoria con un porcentaje superior a las anteriores
configuraciones de la base de datos lo cual nos llevo a deducir que tal configuración fue hasta el
momento la más aceptable y adaptable para el software, es decir la complejidad fue reducida a un
filtrado de 15 min en cada corrida de 24 horas de medición siendo así mucho más fluida y contundente al
momento de predecir o validar el día “incógnito” obteniendo así el 45% de los datos satisfactoriamente
validados.
8. RESULTADOS.
51
8.4.1. Grafica representativa del Coeficiente de Correlación
y = 0.9666x + 1.5247R² = 0.9743R=0.9870
0
10
20
30
40
50
60
70
0 20 40 60 80
Coeficiente de Correlación
Lineal (Validados)
9. CONCLUSIÓN.
52
9. CONCLUSIÓN
El trabajo consistió básicamente en la manipulación de una exte {}
bzxnsa base de datos que se sometió a diversos esquemas de preprocesamiento con el fin de
administrar y entrenar una red neuronal artificial flexible y menos compleja.
A pesar de contar con una extensa serie de registros por día, no consideramos que fuera lo
suficientemente amplia como para haber logrado un entrenamiento completo o satisfactorio lo cual
generó muchos datos sin validar. En esta situación la red se consideró incapaz de identificar muchas de
las interacciones de dichos datos, lo cual se refleja en varios espacios huecos en que la red no pudo
predecir la temperatura de salida del colector.
La configuración diezmada fue la más aceptable, lográndose validar un 45% de los datos sometidos a la
validación, lo que indica que su reducción y simplicidad fue la apropiada y con menos ruido en su
proceso de entrenamiento.
En esta etapa para esta última configuración se tuvieron ciertos resultados interesantes: su coeficiente de
correlación fue el más aceptable, con una bondad del 98%, con tendencia positiva, lo que nos indica que
existe una fuerte dependencia entre los datos reales y los predichos que se acerca a la denominada
relación directa o perfecta.
Se pretendió obtener un resultado aun más favorable al 45% aplicando la técnica de normalización de los
datos con el fin de reducir aún más el ruido que mantenía por el simple diezmado, pero no fue en este
caso una opción exitosa ya que se acrecentó aun más la discordancia entre los valores predichos y los
valores reales, lo que nos llevó a concluir que para esta metodología experimental los datos deben tener
un cierto control y límite en su composición, es decir, la complejidad en la entrada de datos se pudiera
definir por el nivel de precisión en su expresión numérica y por la cantidad de éstos.
Para cualquiera de los esquemas de preprocesamiento, se concluye que se requiere un mayor número
de conjuntos de datos (días de prueba) en la fase de entrenamiento, que permitan a las diversas
9. CONCLUSIÓN.
53
configuraciones de red disponer de rangos de operación más amplios en las variables de entrada a fin de
incrementar la eficiencia de predicción de las redes en la fase de validación.
10. RECOMENDACIONES.
54
10. RECOMENDACIONES.
Para el presente trabajo puede considerarse las siguientes recomendaciones:
Realizar un Monitoreo más extenso con el fin de recabar más información de tal modo pueda
consolidarse una red neuronal mucho más efectiva y que satisfaga de manera más exitosa el
presente proyecto.
Realizar un entrenamiento adjunto utilizando promedios en lapsos de 15 min de tal modo que
podamos trabajar con datos mucho más involucrados en el entrenamiento de forma indirecta.
Aplicar nuestra red neuronal a condiciones ajenas al sistema objetivo, es decir, someterla a
criterios externos y valorar su eficacia de operación.
11. BIBLIOGRAFIA.
55
11. BIBLIOGRAFÍA
James A. Anderson (2007). Redes Neuronales. Alfa Omega USA.
Holly Moore (2007). Matlab para Ingenieros. Escuela superior de ingeniería química e industrial
extractivas. Instituto Politécnico Nacional. México.
Kazuo J. Esawa y Steven W. Norton (1996). Constructing Bayesian Networks to predict Uncollectible
Telecommunications Accounts.
M. Sen y K.T. Yang (2000). Applications of artificial neural networks and genetic algorithms in thermal
engineering. The CRC HandBook of Thermal Engineering. University Notredame, USA.
Acosta Jesús y Lenin Becerra 2001. Aplicaciones de las redes neuronales para la identificación de un
sistema de reacción continuo. Universidad politécnica de Cataluña. Barcelona, España.
Pacheco- Vega Arturo, Sen Mihir, Yang K.T., L. McClain Rodney (2000). Neural Network analysis of n-
tube refrigeration heat exchanger with limited experimental data. International journal heat and mass
transfer. Notredame , USA.
Karthik & Vasant Honavar (1995). Artificial Intelligence Research Group. Iowa, USA.
B. Guinand, A. Topchy, K. S. Page, M. K. Burnham-Curtis, W. F. Punch and K. T. Scribner (2002).
Comparisons of Likelihood and Machine Learning Methods of Individual Classification. The American
Genetic Association. USA.
11. BIBLIOGRAFIA.
56
Scorto Corporation (2004) Support and Solution, Dr. Terrace, N.V. USA.
Manuel Rodríguez Rodríguez Notas del curso ”Redes neuronales artificiales” (2007). México.
12. ANEXOS.
57
12. ANEXOS. FICHA TÉCNICA DEL SOFTWARE
Alyuda Forecaster XL uses a variation of the Quick propagation learning algorithm. And as for Alyuda Forecaster, you can select among 5 training algorithms:
Conjugate Gradient Descent
Levenberg-Marquardt
Quick propagation
Incremental back propagation
Batch back propagation
Sitio: http://www.alyuda.com/
Producto: http://www.alyuda.com/forecasting-tool-for-excel.htm