Por favor, use este identificador para citar o enlazar este ítem: http://bibdigital.epn.edu.ec/handle/15000/14326
Registro completo de metadatos
Campo DCValorLengua/Idioma
dc.contributor.authorCáceres Guerrero, Mauricio Alfredo-
dc.date.accessioned2016-02-11T18:32:01Z-
dc.date.available2016-02-11T18:32:01Z-
dc.date.issued2016-11-20-
dc.identifier.citationCáceres Guerrero, M. A. (2016). Modelamiento basado en tecnología de Redes Neuronales Artificiales para el diseño y optimización de colectores solares utilizados para el calentamiento de agua sanitaria en zonas del Ecuador. 178 hojas. Quito : EPN.es_ES
dc.identifier.otherT-IM/1790/CD 6766-
dc.identifier.urihttp://bibdigital.epn.edu.ec/handle/15000/14326-
dc.descriptionLa presente investigación utiliza tecnología de Redes Neuronales Artificiales como base de un modelo para el diseño de colectores solares. El estudio se realizó en el Ecuador y se enfoca a la calefacción de agua por los colectores solares. Los conjuntos de datos de entrenamiento y validación se obtuvieron numéricamente a partir de un modelo teórico que describe la caracterización termodinámica de colectores solares de placa plana. Por otra parte, la información meteorológica para el Ecuador, y la topología de los colectores solares se obtuvieron de la literatura y catálogos disponibles respectivamente. Tres topologías diferentes fueron probadas: (1) un Perceptrón Multicapa con una capa oculta, que consiste de 61 neuronas, un vector de entrada de 15 neuronas, y la capa de salida con 1 neurona, (2) un Perceptrón Multicapa con una capa oculta que consiste en 95 neuronas, un vector de entrada de 9 neuronas, y una capa de salida con 2 neuronas y (3) un Perceptrón Multicapa con una capa oculta que consta de 37 neuronas, el vector de entrada con 10 neuronas y 3 neuronas para el vector de salida. El algoritmo que se utilizó para entrenar el modelo neuronal fue el Back-propagación (i.e. entrenamiento supervisado). El coeficiente de correlación, que evalúa la respuesta de los modelos durante el proceso de validación, fue superior al 99,72% para todos los modelos y muestra que el modelo propuesto es prometedor.es_ES
dc.description.abstractArtificial Neural Network technology is used as the core of a model, for the design of solar collectors. The study was conducted in Ecuador and targets water heating by solar collectors. The training and validation data sets were obtained numerically from a theoretical model that describes the thermodynamic characterization of flat plate solar collectors. On the other hand, the meteorological information for Ecuador, and the topology of the solar collectors were obtained from the available literature and catalogues respectively. Three different topologies were tested: (1) a multilayer perceptron with one hidden layer that consists of 61 neurons, an input vector of 15 neurons, and the output layer with 1 neuron, (2) a multilayer perceptron with one hidden layer that consists of 95 neurons, an input vector of 9 neurons, and the output layer with 2 neurons and (3) a multilayer perceptron with one hidden layer that consists of 37 neurons, the input vector with 10 neurons, and 3 neurons for the output vector. The Back-propagation Algorithm (i.e. supervised training) was used to train the ANN model. The correlation coefficient, that evaluates the response of the models during the validation process, was higher to 99.72 % for all models and shows that the proposed model is promising.es_ES
dc.description.sponsorshipÁvila Vega, Carlos Fabián, directores_ES
dc.language.isospaes_ES
dc.publisherQuito, 2016.es_ES
dc.rightsopenAccess-
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/-
dc.subjectMedio ambientees_ES
dc.subjectEnergías alternativases_ES
dc.titleModelamiento basado en tecnología de Redes Neuronales Artificiales para el diseño y optimización de colectores solares utilizados para el calentamiento de agua sanitaria en zonas del Ecuadores_ES
dc.typebachelorThesises_ES
Aparece en las colecciones:Tesis Mecánica (IM)

Ficheros en este ítem:
Fichero Descripción TamañoFormato 
CD-6766.pdf25,73 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.