Diseño de una red neuronal para la predicción del coeficiente de pérdidas primarias en régimen de flujo turbulento

Abstract

La presente investigación está orientada al diseño de una red neuronal para la predicción del factor de fricción en régimen de flujo turbulento, siendo este indispensable para el cálculo de pérdidas primarias en conductos cerrados o tuberías. Se utiliza Neural Networks Toolbox de MATLAB® para diseñar la red neuronal artificial (RNA), con retropropagación, cuya base de datos comprende 724 puntos obtenidos del diagrama de Moody. Las variables de entrada de la RNA son el número de Reynolds y la rugosidad relativa de la tubería; la variable de salida es el coeficiente de fricción. Utilizando el algoritmo de entrenamiento de Levenberg-Marquardt se entrena la RNA con distintas topologías, variando el número de capas ocultas y el número de neuronas ocultas en cada capa. Con una estructura 2-30-30-1 de la RNA se obtuvo el mejor resultado, exhibiendo un error cuadrático medio (ECM) de 1,75E-8 y un coeficiente de correlación de Pearson R de 0,99999 entre la salida de la red neuronal y la salida deseada. Además, mediante un análisis descriptivo de variable en el software SPSS®, se obtiene que el error relativo medio es de 0,162 %, indicando que el modelo diseñado es capaz de generalizar con alta precisión.

Modelado del factor de fricción en tuberías a presión Utilizando Redes Neuronales de Aprendizaje Bayesiano

“…Se implementó el método de Retropropagación de Regularización Bayesiana, el objetivo del modelo es encontrar el mapeo oculto entre las variables de entrada y salida. El número de neuronas ocultas interviene en la eficiencia de aprendizaje y de generalización de la red [5]. Sin embargo, el aumento del número de capas y de neuronas puede originar un sobre ajuste (overfitting) de la red neuronal.…”