USANDO GMDH REDES NEURONALES PARA MODELAR

LA POTENCIA Y EL PAR DE UN MOTOR STIRLING

Fuente:
Autor editor: Francesco Asdrubali
Recibido el 4 de diciembre 2014 / Aceptado: 10 febrero 2015
Publicado: 17 febrero el ao 2015
Resumen:
Diferentes variables afectan el rendimiento del motor Stirling y son consideradas en las
actividades de optimizacin y diseo. Entre estos factores, el par y la potencia tienen el
mayor efecto sobre la robustez del motor Stirling, por lo que necesitan ser determinados
con baja incertidumbre y alta precisin. En este artculo, la distribucin de par y la potencia
se determinan usando datos experimentales. En concreto, se propone un enfoque novedoso
para especificar polinomio par y potencia, sobre la base del trabajo experimental anterior.
Esta investigacin se ocupa de la cuestin de si GMDH (mtodo de grupo de manejo de
datos) tipo de las redes neuronales se pueden utilizar para predecir el par y la potencia en
funcin de parmetros determinados.
Palabras clave: GMDH; la red neural; Motor Stirling; esfuerzo de torsin; poder

Introduccin: El motor Stirling puede ser muy eficiente, que tienen la misma eficiencia
energtica terica como el motor de Carnot para la transformacin de calor a trabajar. Es
ambientalmente ventajosa y puede reducir las emisiones de CO2 de la combustin. Stirling
motores de obras utilizan procesos de expansin y de compresin de un fluido de trabajo
(por ejemplo, gases tales como hidrgeno, helio y aire). La eficiencia de un motor de
Stirling vara con la presin de carga, conexiones mecnicas, la diferencia de temperatura
entre los depsitos fros y calientes, la eficiencia del regenerador, el coeficiente de
transferencia de calor, la relacin de impermeabilidad y propiedades fsicas y trmicas del
fluido de trabajo (por ejemplo, la conductividad trmica, la viscosidad, el calor capacidad).
Mtodos de identificacin de sistemas son capaces de demostrar y estimar el
comportamiento de los sistemas no identificadas y / o muy complicadas sobre la base de los
datos de entrada-salida especificados, para diversos campos de la ingeniera. Clculo acerca
de estos mtodos, que implican la especificacin en un entorno incierto, han atrado una
considerable atencin por parte de los investigadores. Los enfoques de clculo ms
comunes incluyen redes neuronales, lgica difusa y algoritmos evolutivos, y stos han
contribuido significativamente a mejorar la comprensin de las cuestiones de
reconocimiento y control de sistemas complejos, no lineales.
Diversas investigaciones se han realizado sobre los mtodos para la utilizacin de los
algoritmos evolutivos para el reconocimiento del sistema. Entre estos, el mtodo de los
grupos de tratamiento de datos (GMDH) es una tcnica de auto-organizacin que crea un
enfoque cada vez ms complejas sobre la base de la evaluacin de su eficacia para una
variedad de multi-entrada, parejas de datos de una sola salida (Xi, yi) (i = 1,2, ..., M).
GMDH fue introducido por Ivakhnenko como un enfoque de anlisis multivariante para el
modelado de sistemas complicados y reconocimiento. GMDH se puede utilizar para evitar
la complejidad de la obtencin de la informacin anterior con el enfoque algebraica de la
progresin. Por lo tanto, GMDH se puede utilizar para demostrar sistemas complicados sin
tener informacin particular de los sistemas.
En la actualidad, el empleo de redes de auto-organizacin ha aumentado la eficacia del
enfoque GMDH para una amplia variedad de campos y aplicaciones. Ha habido muchos
intentos en el pasado para ensamblar basados en la poblacin mtodos de bsqueda
estocstica como los enfoques evolutivos como las RNA (red neuronal artificial), en
particular, ya que tales mtodos evolutivos son tiles para problemas complicados que
tienen grandes espacios de bsqueda con muchos ptimos locales . Una revisin de los
enfoques evolutivos dentro de RNAs.
Desarrolla un modelo que incorpora GMDH y Stirling motor experimental Los resultados
en el primer tiempo. Los resultados se verifican contra los valores experimentales. En el
estudio, 112 nmeros de configuracin, obtenidos a partir de trabajos experimentales
previos, se utilizan tanto para la formacin del polinomio NN y la estimacin. Las entradas
para el modelo de NN son la temperatura del fluido, la presin de trabajo en caliente y el
combustible, mientras que las salidas son par y la potencia. El NN-estilo GMDH se
desarroll para determinar la relacin de entrada-salida en forma de polinomios.

Principios de los modelos que utilizan GMDH Tipos de redes neuronales artificiales:
Un enfoque se puede expresar como una variedad de neuronas donde varios pares a travs
de cada capa estn asociados a travs de un polinomio de segundo grado a travs del
algoritmo GMDH y, en consecuencia, generar neuronas limpias durante toda la capa
adicional. Tal informacin puede ser utilizada en el modelado de vincular las salidas a las
entradas. La definicin aceptada de la edicin de reconocimiento es para determinar una
funcin que puede ser ms o menos utilizada en lugar de uno real, con la intencin de la
estimacin de salida para un vector de entrada especificado que est cerca de su produccin
real y. Para las observaciones M especificados de parejas de datos multi-entrada-salida
nica el verdadero objetivo se puede expresar de la siguiente manera:

Aqu, denota el vector de constantes no identificados para el polinomio de segundo grado

en la ecuacin, e Y denota el vector de valores de salida a partir de observaciones. Por lo
tanto, la siguiente expresin puede formularse:

En Matlab la grfica de torque (Nm y GMDH)

Conclusiones
Un enfoque inteligente para determinar la potencia de salida y el par de un motor de calor
Stirling se propone y se desarroll. El enfoque emplea el mtodo GMDH para desarrollar
una herramienta de prediccin preciso para determinar la potencia de salida y el par de un
motor de calor Stirling de manera que es barato, rpido y preciso. Bancos de datos reales
precisas empleadas para las pruebas y la optimizacin de la herramienta predictiva. Los
criterios estadsticos sobre los resultados de salida del modelo GMDH desarrollado sugerir
que el mtodo sugerido tiene un alto nivel de robustez e integridad para la determinacin de
la potencia de salida y el par. En consecuencia, sobre la base de los resultados de la salida,
el enfoque GMDH puede ayudar a los expertos en energa para disear motores trmicos
Stirling con altos niveles de rendimiento, fiabilidad y robustez y con un bajo grado de
incertidumbre.

http://www.mdpi.com/2071-1050/7/2/2243/htm
Autor a quien debe dirigirse la correspondencia ; Tel .: + 98-912-286-6205 .
Editor Acadmico: Francesco Asdrubali
Recibido el 4 de diciembre 2014 / Aceptado : 10 Febrero 2015 / Publicado : 17 Febrero
el ao 2015