Aprendizaje por refuerzo profundo para la prevención de incendios
Tesis
![Thumbnail](/themes/Mirage2/images/cubierta.jpg)
Access note
Acceso abierto
Publication date
2023Metadata
Show full item record
Cómo citar
Weintraub Pohorille, Andrés
Cómo citar
Aprendizaje por refuerzo profundo para la prevención de incendios
Author
Professor Advisor
Abstract
En las últimas décadas, la escalada tanto en la frecuencia como en la intensidad de incendios
forestales de gran magnitud ha surgido como consecuencia del cambio climático,
convirtiéndolos en una considerable amenaza natural. La necesidad imperante de diseñar
paisajes resilientes capaces de resistir tales catástrofes se ha vuelto primordial, lo que hace
necesario el desarrollo de herramientas avanzadas de apoyo a la toma de decisiones. Las metodologías
existentes, incluyendo la Programación Entera Mixta, Optimización Estocástica y
Teoría de Redes, han demostrado ser efectivas pero se ven obstaculizadas por sus demandas
computacionales, limitando su aplicabilidad a bosques extensos.
En respuesta a este desafío, proponemos el uso de técnicas de inteligencia artificial, en
particular el Aprendizaje por Refuerzo Profundo, para abordar el complejo problema de la
asignación de cortafuegos. Específicamente, empleamos enfoques basados en la función de
valor como Deep Q-Learning, Double Deep Q-Learning y Dueling Double Deep Q-Learning.
Aprovechando el poder del simulador de propagación de incendios, Cell2Fire, y las Redes
Neuronales Convolucionales, hemos programado con éxito un agente computacional capaz
de aprender la ubicación de cortafuegos dentro de un entorno forestal limitado, logrando
resultados cercanos a óptimos.
Además, incorporamos un bucle de preentrenamiento, enseñando inicialmente a nuestro
agente a imitar un algoritmo basado en heurísticas y observamos que coincide consistentemente
o supera el rendimiento de estas soluciones. Nuestros hallazgos subrayan el inmenso
potencial del Aprendizaje por Refuerzo Profundo para abordar desafíos de investigación operativa,
especialmente en el ámbito de la prevención de incendios. Específicamente, nuestro
enfoque demuestra convergencia con resultados altamente favorables en instancias del problema
tan grandes como 20x20 celdas, marcando un hito significativo en la aplicación del
Aprendizaje por Refuerzo a este problema crítico.
Hasta donde sabemos, nuestro estudio representa un esfuerzo pionero en la utilización del
Aprendizaje por Refuerzo para abordar el problema mencionado anteriormente, ofreciendo
perspectivas prometedoras en el ámbito de la prevención de incendios y la gestión del paisaje.
xmlui.dri2xhtml.METS-1.0.item-notadetesis.item
Tesis para optar al grado de Magíster en Gestión de Operaciones Memoria para optar al título de Ingeniero Civil Industrial
Patrocinador
FONDECYT y FONDEF JC acknowledges the support of the ANID, through funding Postdoctoral Fondecyt project No 3210311
Identifier
URI: https://repositorio.uchile.cl/handle/2250/197488
Collections
The following license files are associated with this item: