Diseño de modelos computacionales para unidades de hidroturbina basados en un enfoque de regresión no paramétrica con adaptación mediante algoritmos evolutivos
Autores: Bukhtoyarov, Vladimir Viktorovich; Tynchenko, Vadim Sergeevich
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Diseño de modelos computacionales para unidades de hidroturbina basados en un enfoque de regresión no paramétrica con adaptación mediante algoritmos evolutivos
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Sistemas
Palabras clave
Modelos de regresión
Enfoque no paramétrico
Coeficientes de suavizado de núcleo
Algoritmo genético
Unidades de hidroturbina
Error de modelado
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 17
Citaciones: Sin citaciones
Este artículo trata sobre el problema de diseñar modelos de regresión para evaluar los parámetros de la operación de equipos tecnológicos complejos: unidades de hidroturbinas. Un enfoque prometedor para la construcción de modelos de regresión basados en estimaciones de núcleo de Nadaraya-Watson no paramétricas es considerado. Un problema conocido al aplicar este enfoque es determinar los valores efectivos de los coeficientes de suavizado del núcleo. Los factores de suavizado del núcleo impactan significativamente en la precisión del modelo de regresión, especialmente bajo condiciones de variabilidad de ruido y parámetros de muestras en el espacio de entrada de los modelos. Esto se corresponde totalmente con las características del problema de estimar los parámetros de las turbinas hidráulicas. Proponemos utilizar el algoritmo genético evolutivo con una adición en forma de una etapa de búsqueda local para ajustar los coeficientes de suavizado. Esto asegura la convergencia local del procedimiento de ajuste, lo cual es importante dada la alta sensibilidad del criterio de calidad del modelo no paramétrico. En un conjunto de problemas de prueba, se obtuvieron resultados que mostraron una reducción en el error de modelado del 20% y 28% para los métodos de ajuste de los coeficientes por los algoritmos genéticos estándar e híbrido, respectivamente, en comparación con el caso de una elección arbitraria de los valores de dichos coeficientes. Para la tarea de estimar los parámetros de la operación de una unidad de hidroturbina, se incluyeron en la investigación una serie de enfoques prometedores para construir modelos de regresión basados en redes neuronales artificiales, splines adaptativos multidimensionales y un método evolutivo de programación genética. Se encontró que el enfoque no paramétrico propuesto con un esquema de ajuste de coeficientes de suavizado híbrido fue el más efectivo con una reducción en el error de modelado de aproximadamente el 5% en comparación con el mejor de los enfoques alternativos considerados en el estudio, que, según los resultados de los experimentos numéricos, fue el método de splines de regresión adaptativos multivariables.
Descripción
Este artículo trata sobre el problema de diseñar modelos de regresión para evaluar los parámetros de la operación de equipos tecnológicos complejos: unidades de hidroturbinas. Un enfoque prometedor para la construcción de modelos de regresión basados en estimaciones de núcleo de Nadaraya-Watson no paramétricas es considerado. Un problema conocido al aplicar este enfoque es determinar los valores efectivos de los coeficientes de suavizado del núcleo. Los factores de suavizado del núcleo impactan significativamente en la precisión del modelo de regresión, especialmente bajo condiciones de variabilidad de ruido y parámetros de muestras en el espacio de entrada de los modelos. Esto se corresponde totalmente con las características del problema de estimar los parámetros de las turbinas hidráulicas. Proponemos utilizar el algoritmo genético evolutivo con una adición en forma de una etapa de búsqueda local para ajustar los coeficientes de suavizado. Esto asegura la convergencia local del procedimiento de ajuste, lo cual es importante dada la alta sensibilidad del criterio de calidad del modelo no paramétrico. En un conjunto de problemas de prueba, se obtuvieron resultados que mostraron una reducción en el error de modelado del 20% y 28% para los métodos de ajuste de los coeficientes por los algoritmos genéticos estándar e híbrido, respectivamente, en comparación con el caso de una elección arbitraria de los valores de dichos coeficientes. Para la tarea de estimar los parámetros de la operación de una unidad de hidroturbina, se incluyeron en la investigación una serie de enfoques prometedores para construir modelos de regresión basados en redes neuronales artificiales, splines adaptativos multidimensionales y un método evolutivo de programación genética. Se encontró que el enfoque no paramétrico propuesto con un esquema de ajuste de coeficientes de suavizado híbrido fue el más efectivo con una reducción en el error de modelado de aproximadamente el 5% en comparación con el mejor de los enfoques alternativos considerados en el estudio, que, según los resultados de los experimentos numéricos, fue el método de splines de regresión adaptativos multivariables.