Aplicación de redes neuronales al pronóstico de consumo de agua potable
Tipo de material:![Texto](/opac-tmpl/lib/famfamfam/BK.png)
Tipo de ítem | Biblioteca actual | Colección | número de clasificación | Copia número | Estado | Fecha de vencimiento | Código de barras |
---|---|---|---|---|---|---|---|
![]() |
Biblioteca Central | Memorias | M 628.14 A779 (Navegar estantería(Abre debajo)) | 1 | Disponible | 3560900118899 |
Navegando Biblioteca Central Estantes, Ubicación: Memorias, Código de colección: Memorias Cerrar el navegador de estanterías (Oculta el navegador de estanterías)
CONSULTE EN LINEA A TRAVES DE REPOSITORIO INSTITUCIONAL
Tesis (Ing. Civil) -- Prof. guía: Raúl Galindo Urra
Incluye bibliografía
El propósito de esta memoria es explorar las posibilidades ofrecidas por las redes neuronales y determinar sus fortalezas y debilidades en la aplicación al pronóstico de consumos de agua potable. En la administración de los sistemas de agua potable contar con un pronóstico anticipado del consumo de agua a la salida de los estanques, permite tomar decisiones operacionales y optimizar el funcionamiento de los sistemas. Las redes neuronales conforman un instrumento actual con mucha potencialidad para encarar problemas del tipo señalado, lo anterior se fundamenta en que muchas de las áreas de desarrollo son de naturaleza multivariada y es en estos casos que las redes neuronales ofrecen importantes ventajas al permitir obtener respuestas adecuadas a nuevas situaciones una vez que las redes han sido entrenadas satisfactoriamente. El estudio se abordó con una revisión del estado del arte, se incluyen, definiciones, ventajas, tecnología, fundamentos y aplicaciones de las redes neuronales. Se incluye la descripción del sistema de producción de agua potable de La Serena Coquimbo fuente de la información utilizada en el desarrollo de la presente memoria, describiendo el análisis y preparación de los datos, así como los criterios para la identificación de las variables del problema, el relleno de información y eliminación de distorsiones. Especial atención se dedica a la implementación de la red neuronal, se pone énfasis en el análisis del problema, la elección de las variables de entrada y salida y su codificación, software empleado y tipos de redes. Se incluye también el análisis de los resultados obtenidos de los pronósticos en tres estanques reales. Finalmente se presentan conclusiones y recomendaciones para la preparación de los datos, elección de las variables de entrada, elección del tipo de red, arquitectura, algoritmo de entrenamiento, grado de ajuste y precisión, requerimientos de reentrenamiento y las limitaciones del pronóstico.
2