Combinación de técnicas heurísticas y Redes Neuronales Artificiales para la optimización de procesos industriales en una planta de producción de hidrógeno

Blanco Linares, Jaime (2018). Combinación de técnicas heurísticas y Redes Neuronales Artificiales para la optimización de procesos industriales en una planta de producción de hidrógeno. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S.I. de Sistemas Informáticos (UPM), Madrid.

Description

Title: Combinación de técnicas heurísticas y Redes Neuronales Artificiales para la optimización de procesos industriales en una planta de producción de hidrógeno
Author/s:
  • Blanco Linares, Jaime
Contributor/s:
  • García Pardo, Eduardo
  • Serradilla García, Francisco
Item Type: Final Project
Degree: Grado en Ingeniería de Computadores
Date: 2018
Subjects:
Freetext Keywords: Redes neuronales Inteligencia artificial
Faculty: E.T.S.I. de Sistemas Informáticos (UPM)
Department: Inteligencia Artificial
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img] PDF - Users in campus UPM only - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (1MB)
[img] Archive (ZIP) (Anexos) - Users in campus UPM only
Download (18kB)

Abstract

La producción de hidrógeno gaseoso en una planta industrial real se lleva a cabo mediante el método de Steam Reforming, permitiendo a la compañía propietaria exportar el hidrógeno, así como otros gases resultantes, obtenidos a partir de hidrocarburos y agua. Este proceso ha sido modelado utilizando Redes Neuronales Artificiales con la intención de estimar la producción de hidrógeno y el beneficio con un porcentaje de error reducido, en diferentes condiciones. El modelo de Redes Neuronales Artificiales toma una serie de valores de entrada, correspondientes con los parámetros de la planta de Steam Reforming, y predice cuál serán las salidas obtenidas. En el presente trabajo, se ha propuesto la utilización de técnicas de inteligencia artificial para calcular las mejores entradas posibles al modelo de Redes Neuronales Artificiales, bajo la influencia de una serie de restricciones de obligado cumplimiento presentes en la planta. Determinar el conjunto de valores de entrada, en un contexto donde cada variable puede tomar un valor real, constituye lo que se conoce como un problema de optimización continua. Por lo tanto, el conjunto de posibles soluciones definido por las variables de entrada al modelo no es finito, por lo que es computacionalmente ineficiente utilizar algoritmos de búsqueda exacta. Para la resolución de este problema de optimización continua se han empleado técnicas metaheurísticas, en concreto Algoritmos Genéticos y su extensión, Algoritmos Meméticos. Ambas técnicas pertenecen a la familia de las metaheurísticas de inspiración evolutiva, que utilizan abstracciones basadas en la teoría de la evolución biológica para describir procedimientos de optimización. El proyecto muestra los efectos de la combinación de estas técnicas de optimización, capaces de resolver problemas de optimización complejos en tiempos de cómputo reducidos, con el modelo de Redes Neuronales Artificiales, que actuará como función de evaluación. El rendimiento de las técnicas desarrolladas se ilustra mediante la experimentación con un conjunto de instancias del problema. Los resultados de ambas metaheurísticas son comparados. Abstract: A real-life industrial plant produces gaseous hydrogen through the Steam Reforming method, making possible that the owning company exports the amount of hydrogen, as well as other gases, obtained from hydrocarbons and water. This process has been modeled using Neural Networks in order to estimate the hydrogen production and the benefit with a low error rate, under different conditions. Given a set of input values, which are the parameters of the Steam Reforming plant, the Neural Network model predicts the outputs obtained in the plant. In this project, the use of artificial intelligence techniques has been proposed to calculate the best possible set of inputs to the Neural Network model, under the influence of many mandatory constraints. To determine the set of input values, in a context where each variable can take a real value, is known as continuous optimization. Therefore, the set of all possible solutions defined by the inputs to the model is not finite, so it is not computationally efficient to apply exact search algorithms to tackle this problem. For solving this continuous optimization problem, metaheuristic techniques have been used in this project, concretely Genetic Algorithms and their extension, Memetic Algorithms. Both methods belong to the family of evolutionary-inspired metaheuristics, which use abstractions based on the theory of biological evolution to describe optimization procedures. In this project the results of combining these optimization techniques, which are capable of solving complex optimization problems in reduced computational times, with the Neural Network model, which is the evaluation function itself, are shown. The performance of the developed techniques is presented after optimizing of a set of instances of the problem. The results of both metaheuristics are compared.

More information

Item ID: 52111
DC Identifier: http://oa.upm.es/52111/
OAI Identifier: oai:oa.upm.es:52111
Deposited by: Biblioteca Universitaria Campus Sur
Deposited on: 10 Sep 2018 13:06
Last Modified: 10 Sep 2018 13:06
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM