Show simple item record

Professor Advisordc.contributor.advisorDinter, Frank
Authordc.contributor.authorPuentes Alarcón, Ana Valentina
Associate professordc.contributor.otherFuentes Herlitz, Francisco Ignacio
Associate professordc.contributor.otherMeruane Naranjo, Viviana Isabel
Admission datedc.date.accessioned2023-07-18T13:38:54Z
Available datedc.date.available2023-07-18T13:38:54Z
Publication datedc.date.issued2023
Identifierdc.identifier.urihttps://repositorio.uchile.cl/handle/2250/194763
Abstractdc.description.abstractConsiderando el gran recurso solar que posee Chile, la generación de energía térmica mediante energía solar es una propuesta con gran potencial, pero es necesario que estas sean atractivas en un nivel tecno-económico. Una forma de lograr esto es mediante el uso de algoritmos computacionales, así el objetivo general del presente trabajo corresponde a desarrollar y aplicar un modelo basado en algoritmos de Machine Learning para optimizar el diseño de una planta solar térmica integradas a procesos industriales. La metodología sería diseñar los modelos de Machine Learning mediante herramientas de calibración (tuner) de hiperparámetros, identificar que tipo de preprocesamiento tiene menor error para ser utilizados en la optimización, diseñar los algoritmos de optimización para finalmente realizar nuevas simulaciones para la validación de resultados. Para esto se utilizaron Redes Neuronales y Árboles de Decisión entrenados con dos datasets diferentes, uno uniforme con datos equiespaciados, y el otro con datos al azar, dentro de respectivos rangos. También se utilizaron preprocesamientos diferentes para analizar cual permite un mejor aprendizaje de los modelos. Se realizaron optimizaciones correspondientes mediante Algoritmos Genéticos y su variación NSGA-II. Todos los modelos fueron desarrollados en el lenguaje de programación Python utilizando las librerías TensorFlow, Scikit-Learn, PyGad y Pymoo principalmente. Los resultados obtenidos corresponden a que el mejor tipo de preprocesamiento para todos los modelos correspondió a Standard Scaler, donde se obtuvieron los menores errores de predicción; para el caso de Redes Neuronales entrenados con el primer dataset mencionado un 0.12%. También que para este caso Redes Neuronales tuvo un mejor desempeño de Árboles de Decisión, y que los modelos entrenados con el dataset uniforme era capaz de entregar mejores resultados con una gran capacidad de predicción e interpolación de los datos. Así, en el trabajo se concluye que la optimización multiobjetivo con el modelo de Redes Neuronales entrenados con un dataset uniforme entrega resultados con muy bajo error porcentual, bajo el 2%, en comparación a los nuevamente simulados. También se concluye que los modelos de Machine Learning utilizados en la optimización deben tener un muy bajo error, para evitar problemas en la optimización y que los resultados no sean concluyentes.es_ES
Lenguagedc.language.isoeses_ES
Publisherdc.publisherUniversidad de Chilees_ES
Type of licensedc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States*
Link to Licensedc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
Títulodc.titleOptimización subrogada de una planta solar térmica integrada a procesos industriales mediante herramientas de Machine Learninges_ES
Document typedc.typeTesises_ES
dc.description.versiondc.description.versionVersión original del autores_ES
dcterms.accessRightsdcterms.accessRightsAcceso abiertoes_ES
Catalogueruchile.catalogadorgmmes_ES
Departmentuchile.departamentoDepartamento de Ingeniería Mecánicaes_ES
Facultyuchile.facultadFacultad de Ciencias Físicas y Matemáticases_ES
uchile.carrerauchile.carreraIngeniería Civil Mecánicaes_ES
uchile.gradoacademicouchile.gradoacademicoLicenciadoes_ES
uchile.notadetesisuchile.notadetesisMemoria para optar al título de Ingeniera Civil Mecánicaes_ES


Files in this item

Icon
Icon

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivs 3.0 United States
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivs 3.0 United States