Please use this identifier to cite or link to this item:
https://rinacional.tecnm.mx/jspui/handle/TecNM/2438Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Ayala Zambrano, Sandra%808968 | - |
| dc.creator | Ayala Zambrano, Sandra%808968 | - |
| dc.date.accessioned | 2021-09-02T20:33:07Z | - |
| dc.date.available | 2021-09-02T20:33:07Z | - |
| dc.date.issued | 2020-08-28 | - |
| dc.identifier.uri | https://rinacional.tecnm.mx/jspui/handle/TecNM/2438 | - |
| dc.description | A lo largo es éste trabajo se desarrolla una estrategia de optimización utilizan- do redes neuronales artificiales, para optimizar sistemas de calentamiento solar de agua con captadores solares de tubos evacuados y almacenamiento térmico, para diferentes ciudades, perfiles de carga, temperaturas requeridas y demandas de agua. En el sistema de calentamiento solar, la razón de uso (Ru), la razón volu- métrica (Rv), los ahorros solares (LCS) y el periodo de retorno (P B) son los pará- metros que se optimizan con una red neuronal diferente cada uno. El desarrollo de las redes neuronales se enfocó en tres aspectos principales. El primero fue la generación y análisis de la base de datos. El segundo fue la arquitectura de la red neuronal, donde se determinaron las funciones de activación de la(s) capa(s) ocul- ta(s) y de salida, el parámetro de regularización, el número de neuronas en cada capa oculta y el número de capas ocultas. El tercer punto fue el entrenamiento de la red, donde se estableció el método de entrenamiento y las ecuaciones utilizadas en éste. La optimización del desempeño de las redes neuronales tomó en cuenta la cantidad de datos utilizados para el entrenamiento, el número de capas ocul- tas, el número de neuronas en las capas ocultas y el parámetro de regularización. La cantidad mínima de datos fue de mil ejemplos, para asegurar el desempeño adecuado de la red. En las cuatro redes neuronales se utilizó una capa oculta, sin regularización y el número óptimo de neuronas para fue de 4000 para Ru, 1000 para Rv y 6000 para LCS y P B. El error medio cuadrático menores del 1.2 % para Ru, 5.7 % para Rv, 0.4 % para LCS y 1.3 % para P B. La velocidad de cómputo con el método de optimización de redes neuronales es considerablemente menor que el utilizado en el método variacional, ya que éste toma 23 min, mientras que la red neuronal 2 s. Con lo anterior, la red neuronal se observa como una herramienta útil para la optimización de Ru, y Rv, de los sistemas de calentamiento solar para agua con almacenamiento térmico. | es_MX |
| dc.language.iso | spa | es_MX |
| dc.publisher | Tecnológico Nacional de México | es_MX |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0 | es_MX |
| dc.subject | info:eu-repo/classification/cti/7 | es_MX |
| dc.subject.other | redes neuronales artificiales sistemas calentamiento solar agua captadores solares almacenamiento térmico | es_MX |
| dc.title | Implementación de Redes Neuronales para Optimización de Sistemas de Calentamiento Solar | es_MX |
| dc.type | info:eu-repo/semantics/masterThesis | es_MX |
| dc.contributor.director | Flores Prieto, Jose Jasson%120889 | - |
| dc.folio | 20-241 | es_MX |
| dc.rights.access | info:eu-repo/semantics/openAccess | es_MX |
| dc.publisher.tecnm | Centro Nacional de Investigación y Desarrollo Tecnológico | es_MX |
| Appears in Collections: | Tesis de Maestría en Ingeniería Mecánica | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| MM_Sandra_Ayala_Zambrano_2020.pdf | Tesis | 9.74 MB | Adobe PDF | View/Open |
| MM_Sandra_Ayala_Zambrano_2020.pdf Until 3021-06-23 | Cesión de derechos | 73.07 kB | Adobe PDF | View/Open Request a copy |
This item is protected by original copyright |
This item is licensed under a Creative Commons License
