Javascript must be enabled to continue!
Identificação de um Sistema de Bombeamento Hidráulico com Algoritmo Evolucionário Multi-objetivo
View through CrossRef
A seleção de estruturas de modelos que representam sistemas reais desempenha um papel fundamental no processo de identificação de sistemas. Neste trabalho, busca-se encontrar modelos NARMAX polinomiais com bom desempenho no regime dinâmico e estático que representam um sistema de bombeamento hidráulico de 15 kW. Para a seleção de estruturas, o NSGA-II é implementado a fim de minimizar três objetivos: i. o erro da curva estática do modelo, ii. o erro de predição um passo a frente (erro em regime dinâmico), e iii. o número de regressores do modelo. Como apoio na decisão, o critério "joelho" da curva de Pareto é utilizado em conjunto com os limites de erro do sensor de pressão na escolha do modelo mais adequado do conjunto Pareto ótimo resultante do otimizador de estruturas. O modelo selecionado apresenta seis regressores, com erro em regime estático de 0,00659 [mlc²], erro em regime dinâmico de treino 2,85348 de [mlc²] e erro em regime dinâmico de validação de 2,5614 [mlc²]. Este modelo se mostrou uma boa alternativa uma vez que apresentou resultados satisfatórios nos regimes dinâmico e estático, com um número menor de regressores quando comparado com outro trabalho em que foi utilizando o mesmo banco de dados.
Title: Identificação de um Sistema de Bombeamento Hidráulico com Algoritmo Evolucionário Multi-objetivo
Description:
A seleção de estruturas de modelos que representam sistemas reais desempenha um papel fundamental no processo de identificação de sistemas.
Neste trabalho, busca-se encontrar modelos NARMAX polinomiais com bom desempenho no regime dinâmico e estático que representam um sistema de bombeamento hidráulico de 15 kW.
Para a seleção de estruturas, o NSGA-II é implementado a fim de minimizar três objetivos: i.
o erro da curva estática do modelo, ii.
o erro de predição um passo a frente (erro em regime dinâmico), e iii.
o número de regressores do modelo.
Como apoio na decisão, o critério "joelho" da curva de Pareto é utilizado em conjunto com os limites de erro do sensor de pressão na escolha do modelo mais adequado do conjunto Pareto ótimo resultante do otimizador de estruturas.
O modelo selecionado apresenta seis regressores, com erro em regime estático de 0,00659 [mlc²], erro em regime dinâmico de treino 2,85348 de [mlc²] e erro em regime dinâmico de validação de 2,5614 [mlc²].
Este modelo se mostrou uma boa alternativa uma vez que apresentou resultados satisfatórios nos regimes dinâmico e estático, com um número menor de regressores quando comparado com outro trabalho em que foi utilizando o mesmo banco de dados.
Related Results
Proposta de melhoria de um sistema de bombeamento de caldo clarificado
Proposta de melhoria de um sistema de bombeamento de caldo clarificado
Este trabalho propõe-se a analisar um sistema de bombeamento de caldo clarificado para a fabricação de açúcar em uma usina localizada no interior do estado de São Paulo. O sistema ...
Reverse logistics of recovery and recycling of non-returnable beverage containers in the brewery industry
Reverse logistics of recovery and recycling of non-returnable beverage containers in the brewery industry
Purpose– The purpose of this paper is to analyse the processes of collecting used non-returnable packaging. The objective is to increase the quality and quantity of recycling mater...
OTIMIZAÇÃO DO DIMENSIONAMENTO HIDRÁULICO DE UMA SUBUNIDADE DE IRRIGAÇÃO LOCALIZADA
OTIMIZAÇÃO DO DIMENSIONAMENTO HIDRÁULICO DE UMA SUBUNIDADE DE IRRIGAÇÃO LOCALIZADA
OTIMIZAÇÃO DO DIMENSIONAMENTO HIDRÁULICO DE UMA SUBUNIDADE DE IRRIGAÇÃO LOCALIZADA
FERNANDA OLIVEIRA DA SILVA1 E JOÃO BATISTA TOLENTINO JÚNIOR2
...
Hierarchical information representation and efficient classification of gene expression microarray data
Hierarchical information representation and efficient classification of gene expression microarray data
In the field of computational biology, microarryas are used to measure the activity of thousands of genes at once and create a global picture of cellular function. Microarrays allo...
Análisis de un algoritmo para la clasificación semiautomática de latidos en ECG
Análisis de un algoritmo para la clasificación semiautomática de latidos en ECG
En este trabajo se presenta un algoritmo para la clasificación de latidos en la señal deECG, que puede operar tanto de manera automática como asistida. El mismo se compone porun cl...
Machine learning algorithms for 5G optical networks
Machine learning algorithms for 5G optical networks
(English) Throughout this thesis we addressed 5G network challenges. The non-coherent optical modulation
tradeoff has been addressed, as we proposed FBMC and artificial intelligen...
Comportamiento hidráulico de aliviaderos escalonados sin cajeros laterales en presas de HCR
Comportamiento hidráulico de aliviaderos escalonados sin cajeros laterales en presas de HCR
Tradicionalmente la construcción de aliviaderos escalonados en presas de hormigón compactado con rodillo (HCR) se caracteriza por la presencia de muretes guías que imponen un ancho...
Dynamic routing and spectrum allocation in elastic optical networks
Dynamic routing and spectrum allocation in elastic optical networks
Triggered by emerging services such as high-definition video distribution or social networking, the IP traffic volume has been exponentially increasing to date. Furthermore, the tr...

