Marco Matamala Castro Prof. Guía Luis Zamorano Riquelme

Presentación del tema: "Marco Matamala Castro Prof. Guía Luis Zamorano Riquelme"— Transcripción de la presentación:

1 REDES NEURONALES ARTIFICIALES APLICADAS A LA GENERACIÓN DE ESPECTROS DEL OLEAJE
Marco Matamala Castro Prof. Guía Luis Zamorano Riquelme Proyecto Innova Corfo código 09CN “Catastro del recurso energético asociado a oleaje para el apoyo a la evaluación de proyectos de generación de energía Undimotriz”

2 ¿Qué son las Red Neuronal Artificial (RNA)?
Son modelos computacionales que tratan de replicar, de manera simplificada, el complejo funcionamiento del cerebro humano. Consisten en un sistema interconectados de neuronas que colaboran para producir un estímulo de salida. Mediante métodos de propagación permiten ajustar sus interconexiones hasta lograr una estimación deseada o una clasificación aceptable.

3 Principales Características de las RNA son:
Aprender. Generalizar. Abstraer. Aprender: adquirir el conocimiento de una cosa por medio del estudio, ejercicio o experiencia Generalizar: extender o ampliar una cosa. Las RNA generalizan de manera automática debido a su propia estructura y naturaleza. Abstraer: aislar mentalmente o considerar por separado las cualidades de un objeto. Discriminando así las características importantes de las entradas por sobre las irrelevantes.

4 Aplicaciones de RNA. Lenguaje Medicina Reconocimiento del habla.
Inferencia gramatical. Medicina Diagnóstico de enfermedades. Estimación de expectativa de vida de un enfermo terminal (Específicamente en casos de Cáncer y VIH).

5 Aplicaciones de RNA. Predicción y correlación Búsqueda de patrones
Predicciones económicas. Correlaciones de series. Predicción de series temporales. Búsqueda de patrones Ecualización de canales digitales. Reconocimientos de patrones. Reconocimientos de rostros.

6 Aplicaciones de RNA. Manufacturación Militares Robots automatizados.
Sistemas de control (visión artificial, sensor de presión, etc.). Filtrado de señales. Militares Clasificación de señales de radar. Creación de armas inteligentes. Optimización de los recursos escasos.

7 Esquema RNA Multicapa.

8 Entrenamiento de las RNA.
Entrenamiento supervisado: En este tipo de algoritmos la red neuronal cuenta con el apoyo externo de un “maestro” que informa de la corrección de la salida producida por la red de acuerdo con la salida considerada correcta. Entrenamiento no supervisado: En este caso no existe tal maestro y la red neuronal debe extraer sin ayuda características de los datos que se le suministra.

9 Descripción de RNA. La acumulación Función de activación
Patrón de entrada Peso sináptico o peso Función de activación Salida de la neurona k

10 Método Backpropagation.
Inicio Ajustar los pesos de la red. Selecciona un vector de entrada desde el conjunto de entrenamiento. ¿Buen ajuste en el testeo de la RNA? (RMS) Aplica esta entrada a la red y calcula la salida. NO Estimar el error (RMS) entre la salida calculada y la salida deseada. SI Fin A

11 Construcción de espectros sintéticos direccionales por medio de RNA

12 Set de Datos Utilizados para Entrenamiento y Testeo RNA
Coordenadas Nodo: 35º 00’ 00.00’’ S 73º 00’ 00.00’’ W Parámetros resumen WaveWatch III (NOAA) (Hs, Tp, MWD, PWD, WindU, WindV) Espectros de densidad direccional de oleaje (SHOA y INH) Set de entrenamiento : :00 al :00 Set de testeo : :00 al :00

13 Metodología de entrenamiento
Fin A SI Inicio Pasar espectros de forma matricial a vectorial. Normalización de los datos entre los valores [0,1] Selección de los subconjunto de entrenamiento y testeo de la RNA. Desnormalización de los datos y vuelta a reconstruir los espectros en forma matricial. ¿Se alcanzó un buen ajuste en el testeo de la RNA? (RMS) Preparar set de datos: parámetros de resumen (Hs, Tp, MWD, WindU, WindV) y espectros de oleaje. Entrenamiento RNA para distintos tipos de Arquitecturas neuronales. NO

14 Arquitecturas Neuronales Realizadas
Una capa oculta con 250 neuronas.  Una capa oculta con 300 neuronas. Una capa oculta con 350 neuronas. Dos capas ocultas con 250 neuronas en la primera y 400 neuronas en segunda. Ajuste promedio para el testeo de la red de 91.63% y un R2 de 84.76%.

15 Resultado Entrenamiento 5 años

16 Resultado Testeo 1 año

17 Resultados espectros sintéticos
Espectro Medido Espectro RNA 4 de Diciembre del 2006 a las 03:00 horas 30 de Enero del 2006 a las 15:00 horas

18 Resultados espectros sintéticos
Espectro Medido Espectro RNA 20 de Abril 2006 a las 12:00 horas 24 de Noviembre del 2006 a las 06:00 horas

19 Resultados espectros sintéticos
Espectro Medido Espectro RNA 13 de Mayo del 2006 a las 06:00 horas 16 de Junio del 2006 a las 15:00 horas

20 Validación Cruzada La correlación presentada por este caso es de 89.70% con un R2 de 81.07% lo que promediado con el resultado anterior (con el testeo para el último año), da un coeficiente de correlación de 90.67% con un R %. Este valor representa a la validación cruzada, de lo que se concluye que la red es capaz de generalizar no importando el orden de los set de entrenamiento y testeo.

21 Resultados Metodología JONSWAP
JONSWAP (JOint North Sea WAve Project) (Hasselmann et al, 1973). Los espectros sintéticos generados de por la herramienta JONSWAP para el año de testeo se utiliza en esta investigación a modo de comparación con los resultados de la Red neuronal utilizada para este caso. Quedando finalmente una correlación de % y un R2 de 64.45% con respecto al espectro medido y un RMS de m2s.

22 Conclusiones y Comentarios Finales

23 Conclusiones y Comentarios Finales
Presentando una correlación promedio para el testeo de la red de 91.63% y un R2 de 84.76% con un RMS de m2s para el entrenamiento y con un RMS de m2s para el testeo con respecto al valor medido. Finalmente comparando los resultados con los obtenidos con la formulación JONSWAP, las redes neuronales obtienen una superioridad de más de un 10% en el coeficiente de correlación, además de poder reproducir bimodalidades del oleaje. Además el RMS obtenido de JONSWAP fue de m2s versus los m2s de las redes. Esto se pudo deber principalmente a la gran cantidad de información contenida por cada espectro y si a eso le sumamos que los registros están medidos cada 3 horas por 5 años. La cantidad de información puede llegar a ser abrumadora y con un costo en tiempos de cómputo muy alto (sobre 7 a 10 días) para obtener buenos resultados.

24 Marco Matamala Castro Consultas? Preguntas? Otros?
Agradecimientos Marco Matamala Castro Consultas? Preguntas? Otros?