Modelación y Optimización de Procesos Industriales mediante diferentes Algoritmos en vista de su Computación en Automatización Dr.Youness El Hamzaoui

La IA modela el comportamiento inteligente

Sistemas basados en Inteligencia Computacional (IC) Sistemas Expertos Experto Experiencia Usuarios Recomendaciones Consultas

Beneficios percibidos atribuibles al uso de la Inteligencia Computacional son: Alta calidad en las decisiones Comunicación mejorada Reducción de costos Incremento en la productividad Ahorro de tiempo - Mayor satisfacción de empleados y clientes

La IA modela el comportamiento inteligente Inteligencia Computacional Redes Neuronales Lógica Difusa Algoritmos Evolutivos Sistema Inmune Artificial

Modelación y Simulación, Optimización, Control Líneas de Investigación en Ingeniería de Procesos : Modelación y Simulación, Optimización, Control Automatización de Procesos Industriales, Tratamientos de Datos, Análisis de Imagen en Tiempo Real.

Herramientas Practicas de la Inteligencia Computacional Red Neuronal Artificiales

Herramientas Practicas de la Inteligencia Computacional Arquitectura de una red neuronal artificial Interna IWij LWij Entrada Salida E(x1) E(x2) Sij = f1( IWij*Ej + b1) S(1) = f2( LWij*Sij+b2)

Herramientas Practicas de la Inteligencia Computacional Redes Neuronales Artificiales (RNA) Presentación de una simple neurona (Demuth y Beale, 2003) Modelo RNA multicapas (Demuth y Beale, 2003)

Performance plots of ANN Training and Validating

Herramientas Practicas de la Inteligencia Computacional Redes Neuronales Artificiales inversa (RNAi) Conjuntos de pesos y bias

Herramientas Practicas de la Inteligencia Computacional Redes Neuronales Artificiales inversa (RNAi) El modelo general de la RNAi

Herramientas Practicas de la Inteligencia Computacional Red neuro difusa (TSK) Capa de entrada: Base datos Capa oculta 1: Cada nodo en esta capa es un nodo cuadrado con un nodo función Función de pertenecía

Herramientas Practicas de la Inteligencia Computacional Red neuro difusa Capa oculta 2: Fuerzas de disparos de las reglas Capa oculta 3: Fuerzas de disparos normalizadas Capa oculta 4: Consecuente TSK Capa de salida

Codigo de RNA en C++ Codigo de RNA en C++

Codigo de RNA en C++

RNA es un excelente algoritmo para ayudarnos a entender por qué las sosas funcionan de la manera que lo hacen, pero no tan buenos para predecir cosas nuevas."Somos buenos para los experimentadores". El arte de RNA es encontrar una aproximación suficientemente simple para ser computable, pero no es tan simple que se pierde los detalle útiles "

Herramientas Practicas de la Inteligencia Computacional Algoritmo genético (AG) [Wang et al. 1996]

Eval (X1) 6.084492,5.652242 Eval (X2) 10.348434,4.380264 Eval (X3) -2.516603,4.390381 Eval (X4) 5.278638, 5.593460 Eval(X5) -1.255173,4.734458 Eval(X6) -1.811725,4.391937 Eval(X7) -0.991471,5.680258 Eval(X8) 4.910618,4.703018 Eval(X9) 0.795406,5.381472 Eval(X10) -2.554851,4.793707 Eval (X11) 3.130078,4.996097 Eval (X12) 9.356179,4.239457 Eval (X13) 11.134646,5.378671 Eval (X14) 1.335944,5.151378 Eval(X15) 11.089025,5.054515 Eval(X16) 9.211598,4.993762 Eval(X17) 3.367514,4.571343 Eval(X18) 3.843020,5.158226 Eval(X19) -1.746635,5.395584 Eval(X20) 7.935998,4.757338

q15<0.814723<q16; Entonces, el chromosome (X16) fue seleccionado. q2<0.126986<q3; Entonces, el chromosomo (X3) fue seleccionado. q18<0.913375<q19; Entonces, el chromosomo (X19), fue seleccionado. q12<0.632359<q13; Entonces, el chromosomo (X13), fue seleccionado. q2<0.097540<q3; Entonces, el chromosomo (X3), fue seleccionado. q5<0.278498<q6; Entonces, el chromosomo (X6) fue seleccionado. q11<0.546881<q12; Entonces, el chromosomo (X12) fue seleccionado. q18<0.957506<q19; Entonces, el chromosomo (X19) fue seleccionado. q19<0.964888<q20; Entonces, el chromosomo (X20) fue seleccionado. q3<0.157613<q4; Entonces, el chromosomo (X4) fue seleccionado. q19<0.970592<q20; Entonces, el cromosomo (X20) fue seleccionado. q18<0.957166<q19; Entonces, el cromosomo (X19) fue seleccionado. q10<0.485375<q11; Entonces, el cromosomo (X11) fue seleccionado. q15<0.800280<q16; Entonces, el cromosomo (X16) fue seleccionado. q3<0.141886<q4; Entonces, el cromosomo (X4) fue seleccionado. q8<0.421761<q9; Entonces, el cromosomo (X9) fue seleccionado. q18<0.915735<q19; Entonces, el cromosomo (X19) fue seleccionado. q15<0.792207<q16; Entonces, el cromosomo (X16) fue seleccionado. q18<0.959492<q19; Entonces, el cromosomo (X19) fue seleccionado.

¡Por un solo una generación¡!

Ventajas del Algoritmo Genético Resuelve problemas no estructurados Variables combinatorias Optimización multicriterio Incertidumbre

Herramientas Practicas de la Inteligencia Computacional Enjambre de partículas [Kennedy y Eberhart 1995]

Errores Aleatorios ‘’Error es la diferencia entre el resultado correcto y el calculado’’ (Diccionario math) Diferencia entre el error y la incertidumbre: El error describe la diferencia entre una cantidad medida y un valor verdadero, se expresa como un solo valor para una determinada medición. La incertidumbre de un resultado se caracteriza por un intervalo que es válido para un grupo de mediciones. En principio, un error se puede corregir, mientras que la corrección de la incertidumbre no es factible (Bevington y Robinson (2003))

Números aleatorios gaussianos Los números aleatorios gaussianos tienen la distribución normal que se muestra en la figura siguiente:

Ejemplos

El calculo del flujo del Calor Validación del metodo de Monte Carlo para ecuación compleja, por ejemplo la ecuación del flujo del calor:

Análisis teórico

Código de programación Resultados

Otro ejemplo que no se puede calcularlo con Bevengton Código

Problema 2 Transformador térmico por absorción

Transformación de la distribución uniforme a la distribución normal Etapa Importante Transformación de la distribución uniforme a la distribución normal

(1) Código en lenguaje .m

(2) Código en lenguaje .m

(3) Código en lenguaje .m

(4) Código en lenguaje .m

Resultados

Aplicaciones RNA 1. Reconocimiento de rostros

1. Reconocimiento de rostros

Aplicaciones RNA 2. Reconocimiento de objetos

Problemas del Smart Grid Monitorear y Controlar de forma remota la iluminación y los seguros de las puertas del hogar, mediante una interfaz gráfica en comunicación con la tablilla controladora Arduino.

Realización de un sistema de control domésticos en el que podamos controlar vía remota elementos eléctricos dentro del hogar mediante un Arduino programado por RNA.

Preguntas de investigación ¿Qué tablillas controladoras Arduino existen?

Solución propuesta (proyecto en progreso) a) Base de datos b) Clasificación de base de datos c) Normalización de entradas d) Aprendizaje e) Validación

Algoritmo que esta bajo de desarrollo

Problema de Investigación Condiciones Ambientales (Temperatura, Radiación, Velocidad Viento, Humedad …) - Interacciones Fisicoquímicas Muy Complejas, Interacciones Espacio-Temporales - Inherentemente Periódicas (Día-Noche, Estación-Estación) 2004 2005 Radiación Solar Casablanca, Morocco Temperatura Ambiente Rabat, Morocco Cómo Manejar y Cuantificar Incertidumbre?

Problema de Investigación Control de la seguridad de la aerolínea (Airline security control) Gestión de las inversiones y el control de riesgos ( Investment management and risk control). Diseño mecánico,diagnóstico de fallas y predicción de la vida útil. (Prediction of thrift failures). Predicción del inventario y los factores de inflación. (Prediction of stock price index).

Conclusiones generales 1. La inteligencia computacional, si bien limitada, por ahora, en lo que se refiere a creatividad y sentido común, puede hacer uso de una capacidad que no poseen las criaturas humanas: la inteligencia evolutiva. 2. Si bien ninguno de los paradigmas puros de softbots inteligentes cumple estrictamente las condiciones establecidas por la definición de Sistema Inteligente, puede afirmarse que todos ellos poseen, al menos, una característica que la diferencia claramente de los no inteligentes, por ejemplo, de los Sistemas Automáticos. 3. La complementación aprovechada por los Sistemas Híbridos actuales abre una perspectiva muy grande de mejoramiento en el comportamiento de los mismos, muy especialmente, cuando se puedan instalar en las futuras plataformas de hardware, como las que prometen la computación cuántica o la computación basada en ADN, entre otras.

Basado en todo lo desarrollado y, resumido, en las conclusiones anteriores, se está en condiciones de responder a la pregunta planteada: Son INTELIGENTES… los SISTEMAS INTELIGENTES ?

Referencias Demuth H., Beale M., Eds., Neural Network Toolbox for Matlab-User’s Guide Version 3, MathWorks, MA, 1998. Hernández J.A., Bassam A., Siqueiros J., Romero D.J., Optimum operating conditions for a water purification process integrated to a heat transformer with energy recycling using neural networks inverse, Renewable Energy, 34(2009) 1084-1091. Nelder J. A., Mead R., A simplex method for function optimization, Computer Journal, 07 (1965) 308-313. Siqueiros J., Romero R.J., Increased COP for heat transformer in water purification systems, Part I: temperature increase for heat source, Appliel Thermal Engineering, 27 (2007) 1043–1053. Verma S. P., Andaverde J, Santoyo E., Application of the error propagation theory in estimates of static formation temperatures in geothermal and petroleum boreholes, Heat Transfer in Components and Systems for Sustainable Energy Technologies: Heat-SET 5–7 April 2005, Grenoble, France, 47 pp. 3659-3671. Wang C., Quan H., Xu X., Optimal design of multiproduct batch chemical process using genetic algorithm. Industrial engineering and chemistry research, 1996, 35, 10, 3560-6.

¡MUCHAS GRACIAS POR SU ASISTENCIA Y ATENCIÓN! THANK YOU VERY MUCH MERCI BEAUCOUP! شكرا جزيلا