Arquitetura ótima para redes neurais artificiais como estimadoras de pressão

Souza, Rui Gabriel Modesto de; Brentan, Bruno Melo; Lima, Gustavo Meirelles

Acessibilidade / Reportar erro

Brasil

Español English

sumário « anterior atual seguinte »

Sumário

Scientific/Technical Article • RBRH 26 • 2021 • https://doi.org/10.1590/2318-0331.262120210100 copiar

Arquitetura ótima para redes neurais artificiais como estimadoras de pressão

Autoria SCIMAGO INSTITUTIONS RANKINGS

RESUMO

O conhecimento dos parâmetros hidráulicos em uma rede de distribuição de água pode ser usado para indicar problemas em tempo real, como rompimentos de tubos, pequenos vazamentos, aumento da rugosidade do tubo e conexões ilegais. No entanto, uma indicação precisa depende da quantidade e qualidade dos dados adquiridos, ou seja, do número de sensores usados para monitorar a rede e sua localização. Entretanto, não é economicamente viável ter um grande número de sensores, portanto, o uso da inteligência artificial, como Redes Neurais Artificiais (RNAs) podem reduzir a falta de informações necessárias para identificar problemas, estimando parâmetros hidráulicos através das poucas informações coletadas. A confiabilidade das RNAs depende de sua arquitetura, então, neste trabalho, diferentes condições são testadas para o treinamento das RNAs de modo a identificar quais são os parâmetros mais relevantes a serem ajustados quando utilizadas na estimativa de pressão.

Palavras-chave:
Rede neural artificial; Rede de distribuição de água; Modelos guiados por dados

Architecture	*W_ij*	*b_j*	Hp	*DoF*
[10]	2,700	269	2,969	19,368
[20]	5,400	279	5,679	16,658
[50]	13,500	309	13,809	8,528
[10, 10]	2,800	279	3,079	19,258
[20, 20]	5,800	299	6,099	16,238
[50, 50]	16,000	359	16,359	5,978
[10, 10, 10]	2,900	289	3,189	19,148
[20, 20, 20]	6,200	319	6,519	15,818
[50, 50, 50]	18,500	409	18,909	3,428

Training parameters	Values	Description
net.trainParam.epochs	1.0e⁶	Maximum number of epochs to train
net.trainParam.goal	0	Performance goal
net.trainParam.min_grad	1.0e^-6	Minimum performance gradient
net.trainParam.max_fail	15	Maximum validation failures
net.trainParam.sigma	5.0e^-5	Determine change in weight for second derivative approximation
net.trainParam.lambda	5.0e^-7	Parameter for regulating the indefiniteness of the Hessian
net.trainParam.min_step	1.0e^-6	Minimum step length

No.	Acronym	Algorithm	Description
1	SCG	trainscg	Scaled conjugate gradient backpropagation
2	LM	trainlm	Levenberg-Marquardt backpropagation
3	GDA	traingda	Gradient descent with adaptive learning rate backpropagation
4	GDX	traingdx	Gradient descent with momentum and adaptive learning rate backpropagation
5	RP	trainrp	Resilient backpropagation
6	CGF	traincgf	Conjugate gradient backpropagation with Fletcher-Reeves updates
7	CGB	traincgb	Conjugate gradient backpropagation with Powell-Beale restarts
8	BFG	trainbfg	BFGS quasi-Newton backpropagation
9	CGP	traincgp	Conjugate gradient backpropagation with Polak-Ribiére updates
10	OSS	trainoss	One-step secant backpropagation
11	BR	trainbr	Bayesian regularization backpropagation
12	GDM	traingdm	Gradient descent with momentum backpropagation

	1 Hidden Layer
	[10]		[20]		[50]
Training Algorithm	ε_max	ε_mean	ε_max	ε_mean	ε_max	ε_mean
1	3.4	0.02	2.6	0.02	1.9	0.01
2	-	-	-	-	-	-
3	11.8	0.49	17.1	0.66	37.1	0.84
4	35.9	0.60	9.1	0.27	21.5	0.37
5	2.0	0.03	2.1	0.02	2.0	0.02
6	4.1	0.09	4.0	0.03	3.0	0.02
7	3.6	0.02	3.3	0.02	3.1	0.03
8	-	-	-	-	-	-
9	3.9	0.06	2.9	0.04	2.9	0.02
10	5.0	0.10	3.7	0.02	2.5	0.03
11	-	-	-	-	-	-
12	-	-	-	-	-	-

	2 Hidden Layer
	[10, 10]		[20, 20]		[50, 50]
Training Algorithm	ε_max	ε_mean	ε_max	ε_mean	ε_max	ε_mean
1	2.3	0.02	1.6	0.01	1.5	0.02
2	-	-	-	-	-	-
3	34.2	1.58	69.4	3.12	92.6	4.17
4	44.7	0.80	68.6	3.71	69.7	2.29
5	2.0	0.02	1.8	0.02	1.5	0.02
6	4.1	0.09	4.1	0.09	3.4	0.05
7	4.1	0.09	4.0	0.09	4.0	0.07
8	-	-	-	-	-	-
9	4.1	0.10	4.1	0.09	1.8	0.02
10	2.6	0.03	1.7	0.02	1.3	0.02
11	-	-	-	-	-	-
12	-	-	-	-	-	-

	3 Hidden Layer
	[10, 10, 10]		[20, 20, 20]		[50, 50, 50]
Training Algorithm	ε_max	ε_mean	ε_max	ε_mean	ε_max	ε_mean
1	1.9	0.03	2.0	0.02	1.8	0.02
2	-	-	-	-	-	-
3	45.7	2.28	84.5	4.40	110.4	9.42
4	23.1	0.37	63.4	3.35	61.6	2.27
5	3.7	0.01	2.1	0.01	1.7	0.03
6	4.1	0.13	4.6	0.13	4.1	0.09
7	4.0	0.10	4.1	0.10	4.0	0.09
8	-	-	-	-	-	-
9	4.2	0.12	4.1	0.10	4.1	0.10
10	4.1	0.10	4.2	0.10	4.1	0.09
11	-	-	-	-	-	-
12	-	-	-	-	-	-

Associação Brasileira de Recursos Hídricos Av. Bento Gonçalves, 9500, CEP: 91501-970, Tel: (51) 3493 2233, Fax: (51) 3308 6652 - Porto Alegre - RS - Brazil
E-mail: rbrh@abrh.org.br

Acompanhe os números deste periódico no seu leitor de RSS

[1] E-mails: rui.g182@gmail.com (RGMS), brentan@ehr.ufmg.br (BMB), gustavo.meirelles@ehr.ufmg.br (GML)