Beruflich Dokumente
Kultur Dokumente
LENNY G GARCíA
Escuela de Ingeniería Química
Universidad Industrial de Santander
OSCAR GUALDRÓN
Escuela de Ingenierías Eléctrica, Electrónica y lelecomunicaciones
Universidad Industrial de Santander
gualdron@uis.edu.co
RODRIGO CORREA
Escuela de Ingenierías Eléctrica, Electrónica)' 7elecomunicaciolles
Universidad Industrial de Santander
crcorrea@uis.edu.ca
RESUMEN
AnSTRACT
UIS Ingenierías. Volumen 2, No. 1, pags. 5]-61, Mayo 2003; Facultad de Ingenierías Fisícomecánicas, UIS
52 um 111g;;;;AS REVISTA DE LA FACULTAD DE INGENIERjAS FISICOMECÁNICAS
K, Conductividad térmica aT
y=B K +H(T-T )=0
8.Y <
~, Dilatación térmica
v, Viscosidad cinemática
ex, Difusividad térmica
S4 UIB ln;;~';.S REVISTA DE LA FACULTAD DE INGENIERíAS FISICOMECÁNICAS
T(x,y,t)=(I; -T~)r(x,L,h)r(y,B,h)+Too (8) Condiciones de frontera: Para t > Oen las superficies
x~O y~O z=O T(O,O,O,t)~Tco
Un rectángulo vertical serrilinfinito de O.lmde ancho x=L y~O Z~O T(L,O,O,t)=Tco
y 0.15mde alto, desde la condición inicial hasta alcanzar el x~O y=B Z~O T(O,B,O,t)=Tco
estado estable en 3000 segundos. lniciahnente se encuentra x~L y=B z=O T(L,B,O,t)=Tco
a una temperatura constante de 25'C y para t>O las x~O y~O z=C T(O,O,C,t)~Tco
superficies(x=O x=O.1 y=0 y=0.15) entran en contacto x=L y~O Z~C T(L,O,C,t)~Tco
con agua, con coeficiente convectivo promedio de 297 x=O y~B Z~C T(O,B,C,t)~Tco
W Irn2'C y temperatura constante de 10'C; mostrando un x~L y=B Z~C T(L,B,C,t)~Tco
enfriamiento lento comparado con el Caso 3 ocasionado
por el pequeño gradiente de temperatura dado por las SoluciónAnalítica:
condiciones de frontera convectivas y más rápido que el
Caso 2, debido a un incremento del 9.2% del coeficiente T(x, y, z, t) = (r" - T.)q>(x,L)q>(y,B)q>(z,C) + To (JO)
convectivo gracias a un aumento de las superficies en
contacto con el medio. Este caso considera la distribución de temperatura
de un paralelepipedo de O.lm de ancho, 0.15m de alto y
Sobre un rectángulo, el coeficiente convectivo de 0.2m de profundidad, en el transcurso de 55 segundos,
calor por convección natural para el agua, fue calculado considerados desde t=0 hasta el tiempo donde se consigue
por el promedio del coeficiente sobre una placa vertical y la estabilidad del sistema. Inicialmente se halla a una
sobre una placa horizontal caliente con cara hacia arriba temperatura constante de 25 'c y luego todas sus superficies
y hacia abajo haciendo uso de las ecuaciones empíricas (x~O x=O.1 y=0 y=O.15 Z~O z="0.2) son sometidas auna
[6]: temperatura de 10 'C.
Placa horizontal caliente con cara hacia abajo Condición inicial: T(x,y,z,O)~T,
Nu . = O 27Ra1/4 para 3xl05<Ra<3xlOlO
promedio •
Condiciones de frontera: Para t > Oen las superficies
Donde NUpromedio y R a Se definen de la misma manera que
8T
en la sección 1. 1. 2 -K fu +H(T-To)=O
8T
K fu + H(T-T",) =0
C. Casos Tridimensionales
8T
y~ O -K ay +H(T-Tro)=O
La ecuación (1) para flujo.en tres dimensiones, en
8T
estado transitorio, con conductividad térmica uniforme y K ay +H(T-Tro)=O
constante con la temperatura, sin generación de calor se
reduce a: 8T
-K-+H(T-Tro)=O
8z ""
8'T 8'T 8'T 1 8T 8T
-+ -+-=-- (9) z=C Ka;+H(T-Tro)=O
ax 2 ~l az 2 a at
Caso 5 SoluciónAnalítica:
· d o L = --'-'--'--
S len LHLv Regla de aprendizaje
e LH +Lv
~' Longitud horizontal más grande Como prueba preliminar para la elección de la regla
Iv Longitud vertical de aprendizaje y función de activación más adecuadas, se
realizaron entrenamientos de las RNAs que predicen la
temperatura de los casos estudiados, con las variables de
SELECCIÓN DE LAS REDES NEURONALES entrada sin ninguna nonnalización, salida nonnalizada entre
ARTIFICIALES O y 1, variando el número de nodos en la capa oculta,
utilizando las reglas de aprendizaje mencionadas y
funciones de activación sigmoidal o tangente hiperbólica
A. Especificaciones de las RNAs
en los nodos de la capa oculta.
El tipo, topología, variables de entrada y salida, Se concluyó que los entrenamientos que
funciones de activación, regla de aprendizaje y normalización emplearon la regla de aprendizaje Levenberg - Marquardt
de las variables de entrada y salida constituyen las y función de activación tangente hiperbólica, presentan
espec.ificaciones de las RNAs para todos los casos de mayor convergencia en la etapa de entrenamiento
conducción de calor estudiados en la sección 1. comparada con aquellos entrenamientos que emplearon
las otras reglas y función sigmoidal.
Tipo y topología
Los parámetros de entrenamiento de la regla de
En problemas de predicción, el tipo de red más aprendizaje Levenberg - Marquardt, fueron:
usado y recomendado por la literatura [3J, es elPerceptrón
Multicapa con conexiones intercapa hacia delante. Número máximo de épocas, 1000
Velocidad de aprendizaje inicial, 1e-3
Variables de entrada y salida Factor de incremento de la velocidad de aprendizaje, 10
Factor de decremento de la velocidad de aprendizaje, 1e-l
Velocidad de aprendizaje máxima, 1e1O
Las variables de entrada y salida se reportan en la
Tabla 2, según la dimensión del caso planteado.
56 019 Ing;;~¡lJtts REVISTA DE.LA FACULTAD DE INGENIERíAS FISICOMECÁNICAS
Se asumió que el error de entrenamiento deseado deseados y los calculados por la RNA y el coeficiente de
para cada una de las redes está uniformemente distribuido, variación de dicha diferencia, con el obj eto de seleccionar
es decir, que la diferencia entre la salida de todos los la coniiguración de la RNA más adecuada de cada caso [1].
ejemplos de entrenamiento y la calculada por la RNA es la Los criterios de selección fueron- convergencia del
misma. entrenamiento, capacidad de verificación y generalización,
simplicidad de configuración.
Normalización de las variables de entrada y
salida En las Figuras 1 a 8 se muestran las dos últimas
etapas de desarrollo de las RNAs de cada caso estudiado
Se utilizaron los siguientes tipos de nonnalización para las con diferente número de nodos en la capa oculta. Se
entradas: realizaron 5 entrenamientos para cada una de las
configuraciones elegidas, con el fm de comprobar los
Estadístico x; = (Xi - x) I (j (12) resultados, ya que los factores de peso iniciales son
aleatorios ypor 10 tanto no siempre conducen a los mismos
Preprocesamiento x' = [x, - (max, + min,)/ 2] (13) valores finales para una misma configuración. Además se
máximo - tn:ínllno ' (max; - minJ calculó la diferencia máxima promedio entre las salidas
x; deseadas y las obtenidas en la generalización y su
Xi;::::
Suma a uno Xl +X2+",+xi (14) coeficiente de variación como medida de dispersión, para
conocer cuál es la mayor desviación de la temperatura
Xi proporcionada p OI la RNA con respecto a la hallada por la
Raíz de la suma de Xl' =f 2
(15)
los cuadrados "\ XI +x 2 +",+xi2
2
solución analítica.
__ SSEi Gencrahncf6n
"
\\
\
\,
Figura 1. Desarrollo de las RNAs con configuraciones 2:n:l del Figura 2. Desarrollo de las RNAs con configuraciones 2:n:l del
Caso I Caso 2
RNA del Caso 2 incrementó a dos capas ocultas, lográndose entrenar varias
configuraciones pero sin una aceptable capacidad de
Las dos últimas etapas de desarrollo para las redes generalización reflejada en altos valores de diferencia
del Caso 2 con 450 ejemplos para cada una de ellas y con n máxima. Se dividió en dos partes el Caso 3 para representar
desde 1 hasta 10 nodos, se representan en la Figura 2. En cada una de ellas en una RNA; la parte A comprende la
la Figura 2a se observa que desde configuraciones distribución de temperatura desde la condición inicial hasta
pequeñas, 2:3:1 en adelante, se logra el error de 5 segundos, donde se agrupa el cambio más fuelte de
entrenamiento deseado de 4.2604e-5 yen la Figura 2b que temperatura y la parte B desde éste último hasta el tiempo
los menores SSE de generalización son alcanzados por las en el cual se alcanza la estabilidad del sistema equivalente
configuraciones 2:4:1, 2:5:1, 2:8:1 y2:9:l seleccionándose a los 60 segundos.
la primera con un S8E de generalización de 1.39l4e·2, como
la más adecuada para representar el Caso 2. Las redes que describen el Caso 3 parte A, desde la
configuración3:5:l hasta la 3:40: 1, empleando 1372 ejemplos
El perceptrón multicapa 2:4: 1 que predice la tarlto para la verificación como para la generalización, se
temperatura del caso unidimensional con condiciones de ilustran en la Figura 3. En la Figura 3a, se observa que las
frontera convectivas, Caso 2, suministró una diferencia redes con n desde 5 hasta 25 nodos presentan una
máxima en la etapa de generalización de ± 0.2918 OC con un disminución progresiva del 8SE de verificación y que a partir
coeficiente de variación de O. 0181. de 25 nodos enla capa acuIta, logran el error de entrenamiento
deseado de 7.00e-2. De acuerdo a la Figura 3b, el 8SE de
B. RNAs para Casos Bidimensionales generalización empieza a disminuir a medida que se
incrementa el valor de n y tiende a ser constante para las
RNA del Caso 3 redes que entrenan; el menor SSE de generalización es de
7.9438e-2 ylo obtiene la configuración 3:35: 1, eligiéndose
La verificación y generalización para las redes del ésta como la más apta según los criterios de selección
Caso 3, se nevaron a cabo inicialmente con variación del expuestos. La RNA 3:35: 1predice la temperatura del Caso 3
número de nodos en una capa acuita, posteriormente se parte A, para las posiciones x y, en metros y los tiempos
ss S REVISTA DE LA FACULTAD DE INGENIERíASFISICOMECANICAS
desde cero hasta 5 segundos, con una diferencia máxima 35 Y 40 nodos en la capa oculta, como se indica en la
promedio en la generalización de ± 0.8948 oC y coeficiente Figura 4a. De la Figura 4b, el menor valor del SSE de
de variación de 0.0494. generalización es de 1.227ge-1 para la configuración 3:25: 1
eligiéndose ésta, como la más conveniente por cumpfu los
- Eaor de EntrelBmiento deseadD
........... SSEVmfícaciiln tres criterios de selección. El perceptrón multicapa 3:25: 1
que predice la temperatura del Caso 3 parte B, desde 5
hasta 60 segundos proporcionó una diferencía máxima
promedio en la generalización de ± 0.9531 oc con un
coeficiente de variación de 0.0540.
- Elror de F..rurenamiemú ~o
--~. SSE Vcnficación
,
, \ _ SSE GenerJ.lii:<lCión
\""""'~~ -----~.J .
o., :,----',:-,---',:--,~""""----~,,:'-'---:'c,,-----c'c,,~--J,,
N"mollr~ Il."(lrlo-s <'111aca.¡¡1I OCloIH"., D
lO' ~-~-~-~--~-~--...,
C. RNAs para Casos Tridimensionales _ Error de EntnmamienLo deseadú
]
El estudio preliminar de las RNAs para la descripción del
caso de conducción de calor en tres dimensiones, con
condiciones de frontera de DirichIet, Caso 5, se realizó de
manera análoga al Caso 3; a diferencia de este último, las
dos RNAs que predicen la temperatura del Caso 5 parte A
y parte B, contienen una capa oculta más en su estructura.
a. Curva del Error de Verificación
'J-~-~-~-----------~----~--------~---:--~----==--_._.
diferencia máxima promedio de ± 2.4837 oC con un
coeficiente de variación de 0.18761.
,---,.j
5 '(] 15 25:10~.r.
La Tabla 3 resume el desarrollo de todas las RNAs seleccionadas para la predicción de temperatura de los fenómenos de
conducción de calor planteados.
Tabla 3. DeSalTol1o de las RNAs seleccionadas