Ingenieria Quimica · 2015
Implementación de un sistema de redes neuronales en MATLAB para la predicción del equilibrio líquido – vapor de mezclas Binarias selectas
Dentro de las técnicas de la inteligencia artificial se encuentran las Redes Neuronales Artificiales, esta técnica emplea modelos computacionales que semejan el funcionamiento de porciones del cerebro humano1. En este proyecto se hará énfasis en redes neuronales artificiales para obtener un modelo que relacione un conjunto de variables de salida con un conjunto de variables de entrada. Las Redes Neuronales Artificiales son muy utilizadas en diversos ámbitos de la Ingeniería (ver apartado 2.1), puesto que permiten resolver problemas complejos. Entre los que se destaca la capacidad de la Red Neuronal Artificial para predecir el comportamiento de ciertos fenómenos a través de una serie temporal de datos o valores, que muchas veces no es conveniente resolver utilizando técnicas de regresión polinómica o lineal2. Esta técnica tiene la habilidad para aprender a reconocer patrones basándose en ejemplos, a través de un proceso llamado entrenamiento3. La implementación de la Red Neuronal backpropagation se realizó mediante el software MATLAB, el cual ofrece tres formas para trabajar en el ámbito de redes neuronales las cuales se describen en el marco teórico. Vale resaltar que es muy extenso la información sobre Redes Neuronales Artificiales, por tal razón se compila la información haciendo énfasis en los puntos más relevantes.
Texto completo 71 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- INTRODUCCIÓNp. 10
- PROBLEMA DE INVESTIGACIONp. 11
- PLANTEAMIENTO DEL PROBLEMAp. 11
- FORMULACIÓN DEL PROBLEMAp. 13
- JUSTIFICACIÓNp. 13
- OBJETIVOSp. 14
- Objetivo Generalp. 14
- Objetivos específicosp. 15
- 2. MARCO DE REFERENCIAp. 16
- ANTECEDENTESp. 16
- MARCO TEÓRICOp. 19
- Neurona artificialp. 19
- Selección de un modelo de red neuronalp. 20
- Estructura de las redesp. 20
- Función de transferenciap. 21
- Algoritmos de entrenamientop. 20
- Método de Levenberg-Marquardtp. 23
- Función de rendimientop. 24
- Redes neuronales en MATLABp. 24
- Introducción a la GUIp. 25
- Parámetros de entrenamientop. 26
- Datos de entrenamiento, validación y testp. 27
- Funciónp. 28
- Normalización de datosp. 28
- Datos de equilibrio de fasesp. 29
- Acetato de isopropilop. 30
- Acetato de isoamilop. 30
- MARCO LEGALp. 31
- MARCO CONCEPTUALp. 33
- DISEÑO METODOLÓGICOp. 38
- TIPO DE INVESTIGACIÓNp. 38
- ENFOQUE ADOPTADOp. 38
- DISEÑO DE LA INVESTIGACIÓNp. 38
- RECOLECCIÓN DE DATOSp. 39
- fuentes primariasp. 39
- Fuentes secundariasp. 39
- HIPÓTESIS DE TRABAJOp. 39
- VARIABLESp. 40
- Variables independientesp. 40
- Variables dependientesp. 40
- OPERACIONALIZACIÓN DE VARIABLESp. 40
- PROCESAMIENTO DE LA INFORMACIÓNp. 41
- RESULTADOSp. 42
- 4.1 SELECCIÓN DE LAS MEZCLAS TERMODINÁMICASp. 42
- FEEDFORWARDp. 43
- Descripción Generalp. 43
- Feedforwardp. 43
- Arquitectura De Las Redes Neuronales Artificialesp. 44
- ARTIFICIALESp. 45
- INTERFAZ GRÁFICA DE USUARIO (G.U.I.)p. 50
- DISCUSIÓNp. 51
- CONCLUSIONESp. 53
- RECOMENDACIONESp. 54
- BIBLIOGRAFÍAp. 55
- ANEXOSp. 62
- Anexo A. Cronograma de actividadesp. 63
- Anexo B. Presupuestop. 64
- – Acetato de Isopropilop. 65
- – Acetato de Isoamilop. 66
- Anexo E. Propiedades físicas del Acetato de Isopropilo ( )p. 67
- Anexo F. Propiedades físicas del Acetato de Isoamilo ( )p. 68
- Anexo G. Requerimientos Del Productop. 69
- Anexo H. Instrucciones De La Interfaz Gráfica De Usuario (GUI)p. 70
- Tabla 1. Parámetros para detener el entrenamientop. 26
- Tabla 2. Marco legalp. 31
- Tabla 3. Operacionalización de las variablesp. 40
- neuronales artificialesp. 42
- líquido para el sistema Dióxido de Carbono – Acetato de Isopropilop. 44
- líquido para el sistema Dióxido de Carbono – Acetato de Isoamilop. 44
- Dióxido de Carbono – Acetato de Isopropilop. 49
- Dióxido de Carbono – Acetato de Isoamilop. 50
- Tabla 9. Requerimientos para MATLAB & Simulink Student Versionp. 69
- Figura 1. Estructura de una neurona artificialp. 19
- Figura 2. Perceptrón multicapap. 21
- Figura 3. Funciones de transferenciap. 22
- Figura 4. Ventana administradora de redes neuronales artificialesp. 25
- Figura 5. Ventana Network: ANDNetp. 27
- Figura 6. Datos de entrenamiento, validación y testp. 28
- Isopropilop. 47
- Isoamilop. 48
- Isopropilop. 48
- Isoamilop. 49
- Figura 13. Interfaz gráfica de usuariop. 51
- Figura 14. Current Folderp. 70
- Figura 15. Workspacep. 70
- Figura 16. Runp. 71
- Figura 17. GUIp. 71