REDES NEURONALES ARTIFICIALES APLICADAS A LA GENERACIN DE

REDES NEURONALES ARTIFICIALES APLICADAS A LA GENERACIÓN DE ESPECTROS DEL OLEAJE Marco Matamala Castro Prof. Guía Luis Zamorano Riquelme Proyecto Innova Corfo código 09 CN 14 -5718 “Catastro del recurso energético asociado a oleaje para el apoyo a la evaluación de proyectos de generación de energía Undimotriz”

¿Qué son las Red Neuronal Artificial (RNA)? • Son modelos computacionales que tratan de replicar, de manera simplificada, el complejo funcionamiento del cerebro humano. • Consisten en un sistema interconectados de neuronas que colaboran para producir un estímulo de salida. • Mediante métodos de propagación permiten ajustar sus interconexiones hasta lograr una estimación deseada o una clasificación aceptable. 2

Principales Características de las RNA son: • Aprender. • Generalizar. • Abstraer. 3

Aplicaciones de RNA. • Lenguaje • Reconocimiento del habla. • Inferencia gramatical. • Medicina • Diagnóstico de enfermedades. • Estimación de expectativa de vida de un enfermo terminal (Específicamente en casos de Cáncer y VIH). 4

Aplicaciones de RNA. �Predicción y correlación Predicciones económicas. � Correlaciones de series. � Predicción de series temporales. � �Búsqueda de patrones Ecualización de canales digitales. � Reconocimientos de patrones. � Reconocimientos de rostros. � 5

Aplicaciones de RNA. �Manufacturación Robots automatizados. � Sistemas de control (visión artificial, sensor de presión, etc. ). � Filtrado de señales. � �Militares Clasificación de señales de radar. � Creación de armas inteligentes. � Optimización de los recursos escasos. � 6

Esquema RNA Multicapa. 7

Entrenamiento de las RNA. • Entrenamiento supervisado: En este tipo de algoritmos la red neuronal cuenta con el apoyo externo de un “maestro” que informa de la corrección de la salida producida por la red de acuerdo con la salida considerada correcta. • Entrenamiento no supervisado: En este caso no existe tal maestro y la red neuronal debe extraer sin ayuda características de los datos que se le suministra. 8

Descripción de RNA. • La acumulación Patrón de entrada Peso sináptico o peso • Función de activación Salida de la neurona k 9

Método Backpropagation. A Inicio Ajustar los pesos de la red. Selecciona un vector de entrada desde el conjunto de entrenamiento. Aplica esta entrada a la red y calcula la salida. Estimar el error (RMS) entre la salida calculada y la salida deseada. A NO ¿Buen ajuste en el testeo de la RNA? (RMS) SI Fin 10

Construcción de espectros sintéticos direccionales por medio de RNA 11

Set de Datos Utilizados para Entrenamiento y Testeo RNA Coordenadas Nodo: 35º 00’ 00. 00’’ S 73º 00’ 00. 00’’ W Parámetros resumen Wave. Watch III (NOAA) (Hs, Tp, MWD, PWD, Wind. U, Wind. V) Espectros de densidad direccional de oleaje (SHOA y INH) Set de entrenamiento : 20 -11 -2000 12: 00 al 31 -12 -2005 21: 00 Set de testeo : 01 -01 -2006 00: 00 al 31 -12 -2006 18: 00 12

Metodología de entrenamiento A Inicio Preparar set de datos: parámetros de resumen (Hs, Tp, MWD, Wind. U, Wind. V) y espectros de oleaje. Normalización de los datos entre los valores [0, 1] Pasar espectros de forma matricial a vectorial. Selección de los subconjunto de entrenamiento y testeo de la RNA. Entrenamiento RNA para distintos tipos de Arquitecturas neuronales. ¿Se alcanzó un buen ajuste en el testeo de la RNA? (RMS) NO SI Desnormalización de los datos y vuelta a reconstruir los espectros en forma matricial. A Fin 13

Arquitecturas Neuronales Realizadas 1. 2. 3. 4. Una capa oculta con 250 neuronas. Una capa oculta con 300 neuronas. Una capa oculta con 350 neuronas. Dos capas ocultas con 250 neuronas en la primera y 400 neuronas en segunda. Ajuste promedio para el testeo de la red de 91. 63% y un R 2 de 84. 76%. 14

Resultado Entrenamiento 5 años 15

Resultado Testeo 1 año 16

Resultados espectros sintéticos Espectro RNA Espectro Medido 4 de Diciembre del 2006 a las 03: 00 horas 6 6 4 4 2 2 0 82. 5 37. 5 52. 5 112. 5 127. 5 67. 5 82. 5 142. 5 157. 5 172. 5 97. 5 112. 5 187. 5 202. 5 217. 5 127. 5 142. 5 232. 5 247. 5 262. 5 157. 5 172. 5 277. 5 292. 5 307. 5 187. 5 202. 5 322. 5 337. 5 352. 5 217. 5 232. 5 247. 5 262. 5 277. 5 292. 5 37. 5 7. 6 11. 2 67. 5 16. 4 52. 5 23. 9 T [s] 2. 4 7. 6 22. 5 30 de Enero del 2006 a las 15: 00 horas Dir. [º] 307. 5 T [s] 7. 5 22. 5 337. 5 52. 5 67. 5 97. 5 Dir [º] 112. 5 Dir. [º] 322. 5 37. 5 352. 5 82. 5 127. 5 2. 4 67. 5 11. 2 16. 4 3. 2 37. 5 97. 5 23. 9 6. 3 1 2. 3 7. 5 22. 5 52. 5 7. 5 2 3. Tp [s] 9 Dir [º] 5. 2 7. 5 0 3. 2 3. 6 6. 3 3. 6 1 2. 3 5. 2 2 3. [s] Tp 9 17

Resultados espectros sintéticos Espectro Medido Espectro RNA 20 de Abril 2006 a las 12: 00 horas 80 80 60 60 40 40 20 20 0 0 2 Tp. [s] 3 7. 5 9 82. 5 157. 5 232. 5 10 307. 5 8 1 2. 22. 5 3 97. 5 172. 5 247. 5 322. 5 6. 3 37. 5 112. 5 187. 5 262. 5 337. 5 52. 5 127. 5 202. 5 277. 5 352. 5 3. Dir [º] 2 67. 5 142. 5 217. 5 292. 5 2 Tp [s] 3. 7. 5 9 37. 5 6. 3 52. 5 3. 2 67. 5 Dir [º] 82. 5 24 de Noviembre del 2006 a las 06: 00 horas 10 8 6 6 4 4 2 2 0 0 2 Tp 3[s]. 9 1. 22. 52 3 6. 3 3. 2 1 2. 7. 5 3 22. 5 37. 5 52. 5 67. 5 82. 5 97. 5 112. 5 Dir [º] 2 Tp 3[s]. 9 7. 5 82. 5 1 2. 3 22. 5 97. 5 3. 2 6. 3 Dir [º] 37. 5 52. 5 67. 5 112. 5 127. 5 142. 5 18

Resultados espectros sintéticos Espectro Medido Espectro RNA 13 de Mayo del 2006 a las 06: 00 horas 5 4 4 3 2 3 . 1 2 9 2 1. 6 . 7. 5 22. 5 37. 5 3. 3 52. 5 2 82. 5 97. 5 112. 5 157. 5 172. 5 232. 5 247. 5 307. 5 322. 5 Tp[s] 2 2 3 0 Dir [º] 9 2 . 6 3 . 3 3 0 Dir [º] . 7. 5 22. 5 2 37. 5 52. 5 127. 5 142. 5 67. 5 82. 5 97. 5 112. 5 157. 5 172. 5 262. 5 277. 5 292. 5 337. 5 352. 5 16 de Junio del 2006 a las 15: 00 horas 187. 5 202. 5 217. 5 127. 5 142. 5 1 2. 3 6. 3 37. 5 127. 5 217. 5 5 3. 2 -15 52. 5 142. 5 232. 5 67. 5 157. 5 247. 5 187. 5 202. 5 217. 5 232. 5 247. 5 262. 5 277. 5 307. 5 322. 5 337. 5 292. 5 25352. 5 2 3. 9 Dir [º] 22. 5 112. 5 202. 5 1 67. 5 Tp [s] 7. 5 97. 5 187. 5 . Tp [s] 25 2 3. 9 3 82. 5 172. 5 262. 5 1 2. 3 6. 3 5 3. 2 -15 Tp [s] 7. 5 97. 5 187. 5 Dir [º] 22. 5 112. 5 202. 5 37. 5 127. 5 217. 5 52. 5 142. 5 232. 5 67. 5 157. 5 247. 5 82. 5 172. 519 262. 5

Validación Cruzada • La correlación presentada por este caso es de 89. 70% con un R 2 de 81. 07% lo que promediado con el resultado anterior (con el testeo para el último año), da un coeficiente de correlación de 90. 67% con un R 2 82. 92%. Este valor representa a la validación cruzada, de lo que se concluye que la red es capaz de generalizar no importando el orden de los set de entrenamiento y testeo. 20

Resultados Metodología JONSWAP • JONSWAP (JOint North Sea WAve Project) (Hasselmann et al, 1973). • Los espectros sintéticos generados de por la herramienta JONSWAP para el año de testeo se utiliza en esta investigación a modo de comparación con los resultados de la Red neuronal utilizada para este caso. Quedando finalmente una correlación de 80. 28 % y un R 2 de 64. 45% con respecto al espectro medido y un RMS de 0. 798 m 2 s. 21

Conclusiones y Comentarios Finales 22

Conclusiones y Comentarios Finales • Presentando una correlación promedio para el testeo de la red de 91. 63% y un R 2 de 84. 76% con un RMS de 0. 013 m 2 s para el entrenamiento y con un RMS de 0. 025 m 2 s para el testeo con respecto al valor medido. • Finalmente comparando los resultados con los obtenidos con la formulación JONSWAP, las redes neuronales obtienen una superioridad de más de un 10% en el coeficiente de correlación, además de poder reproducir bimodalidades del oleaje. Además el RMS obtenido de JONSWAP fue de 0. 798 m 2 s versus los 0. 025 m 2 s de las redes. 23

Agradecimientos Marco Matamala Castro Consultas? Preguntas? Otros?