Objetivo Este projeto destina-se ao estudo e à elaboração de modelos neurais artificiais, com o auxílio do programa Matlab. O objetivo principal deste.

Apresentação em tema: "Objetivo Este projeto destina-se ao estudo e à elaboração de modelos neurais artificiais, com o auxílio do programa Matlab. O objetivo principal deste."— Transcrição da apresentação:

1 Objetivo Este projeto destina-se ao estudo e à elaboração de modelos neurais artificiais, com o auxílio do programa Matlab. O objetivo principal deste trabalho é construir um modelo neural que identifique regimes de escoamento vertical água-ar, produzindo informações importantes para o desenvolvimento de estratégias de controle. A figura 1 mostra os regimes a serem identificados. Modelo Neural O modelo neural desenvolvido neste trabalho possui a seguinte estrutura: Matriz de entrada com 31 linhas e 30 colunas, sendo a primeira linha a saída desejada da rede e as demais, trechos de 30 pontos de sinais de pressão referentes aos 3 regimes (Anular, Bolhas e Dispersão). Trata-se, portanto, de uma rede com treinamento supervisionado. O tipo da rede utilizado foi o feed-foward, usando o algoritmo de treinamento backpropagation. Adicionalmente o algoritmo de treinamento utilizado foi o Levenberg-Marquardt. A figura 2 mostra o esquema de funcionamento do modelo neural (Entrada- saída). Figura 3: Modelo matemático de neurônio artificial Figura 2: Apresentação de dados ao modelo MODELO NEURAL PARA IDENTIFICAÇÃO DE REGIMES Introdução Redes Neurais Artificiais são técnicas computacionais que apresentam uma série de elementos simples que operam em paralelo, compondo um modelo matemático, inspirado em sistemas nervosos biológicos, podendo assim adquirir conhecimento através da experiência. O modelo de um neurônio artificial é mostrado na figura 3. As redes, como na natureza, normalmente precisam ser treinadas, assim uma entrada específica terá uma saída desejada. Um modelo neural é composto por várias unidades de processamento, chamadas de neurônios. Esses neurônios estão conectados entre si por canais de comunicação, que estão associados a um certo peso (W p ). Os neurônios fazem operações sobre dados que recebem, chamados de entradas. O comportamento “inteligente” de uma rede neural artificial vem das operações entre os neurônios da rede. O processo de ajuste dos pesos para que, dada uma entrada específica a saída desejada seja obtida é chamado de treinamento.. A tabela 1 mostra dados não utilizados no treinamento, e que foram posteriormente apresentados ao modelo neural. Este teste é chamado de generalização. Discussão Seleção dos dados de entrada: os dados foram selecionados de maneira que a rede pudesse saber qual é o comportamento da curva (gráfico de perfis de pressão) como um todo, e não somente um trecho dela. Também, os dados antes de passarem pelo treinamento ou pela simulação, foram normalizados. Isto significa que todos dados estavam entre zero e um (a rede divide todos os dados pelo maior deles), assim a rede não tem de lidar com valores muito altos ou muito baixos, conseqüentemente não há um grande intervalo de dados de entrada, o que pode causar saídas muito diferentes do esperado. Arquitetura da rede: a arquitetura refere-se ao modo de como os neurônios e camadas estão distribuídos ao longo da rede. Esta rede apresenta os neurônios diminuindo suavemente ao longo das camadas. Treinamento: no treinamento realizado, alguns parâmetros foram modificados. Estipulou- se um erro máximo extremamente baixo. Taxa de aprendizado pequena, evitando que a rede cometa erros no treinamento, pois poderia não alcançar o erro mínimo, passando dele e voltando a crescer. Conclusão O modelo neural desenvolvido obteve ótimos resultados. Notou-se que a simples normalização dos dados de entrada causou uma melhora significativa nos resultados obtidos. A correta seleção dos dados de entrada teve grande efeito nos resultados de generalização da rede. Como a arquitetura da rede e o algoritmo de treinamento, bem como seus parâmetros, quase não sofreram modificações, conclui-se que o modelo neural desenvolvido é capaz de identificar os regimes testados neste trabalho com erro máximo de 0.175%. GENERALIZAÇÃO Saída DesejadaSaída da RedeErro Relativo 10.99980.0002 11.0002-0.0002 10.99980.0002 10.99970.0003 10.99980.0002 10.99970.0003 10.99940.0006 10.99920.0008 10.99991E-04 10.99960.0004 21.99995E-05 22.0002-1E-04 22.0001-5E-05 21.99950.00025 21.99960.0002 21.99960.0002 21.99970.00015 21.99950.00025 21.99950.00025 22.0007-0.00035 32.94740.017533333 32.95820.013933333 32.96290.012366667 32.98850.003833333 32.99260.002466667 33.0261-0.0087 33.0105-0.0035 33.0145-0.004833333 33.0105-0.0035 33.0034-0.001133333 Bolsista: Henrique Mendes Castilho Orientador: Prof. Dr. Paulo Roberto Barbosa Junho/2008 Tabela 1: Resultados da generalização. Figura 1: Diferentes tipos de regimes Agradecimentos Ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq), e ao NETeF – EESC – USP, pelos dados experimentais cedidos.