Predicción del Factor Local de Potencia en Celdas de Combustible BWR mediante una Red Neuronal Multicapas
|
|
- Juan Palma Cruz
- hace 5 años
- Vistas:
Transcripción
1 Simposio LAS/ANS 2007 / 2007 LAS/ANS Symposium XVIII Congreso Anual de la SNM / XVIII SNM Annual Meeting XXV Reunión Anual de la SMSR / XXV SMSR Annual Meeting Copatrocinado por la AMEE / Co-sponsored by AMEE Cancún, Quintana Roo, MÉXICO, del 1 al 5 de Julio 2007 / Cancun, Quintana Roo, MEXICO, July 1-5, 2007 Predicción del Factor Local de Potencia en Celdas de Combustible BWR mediante una Red Neuronal Multicapas José Luis Montes, Juan José Ortiz, Raúl Perusquía del Cueto, Instituto Nacional de Investigaciones Nucleares Carretera México-Toluca s/n, La Marquesa, Ocoyoacac; México CP jlmt@nuclear.inin.mx; jjortiz@nuclear.inin.mx; mrpc@nuclear.inin.mx; Juan Luis François, Cecilia Martín-del-Campo M. Departamento de Sistemas Energéticos Facultad de Ingeniería Universidad Nacional Autónoma de México Paseo Cuauhnáhuac Jiutepec, Mor. México jlfl@fi-b.unam.mx;cmcm@fi-b.unam.mx Resumen Al inicio de un nuevo ciclo de operación en un reactor BWR la reactividad de éste se incrementa mediante la introducción de combustible fresco, el denominado combustible de recarga. El problema de la definición de las características de este combustible de recarga representa un problema de optimización combinatoria que requiere significativamente una gran cantidad de tiempo de CPU para su determinación. Esta situación ha motivado estudiar la posibilidad de sustituir el código HELIOS, el cual se utiliza para generar los parámetros de las celdas nuevas del combustible de recarga, por una red neuronal artificial, con el fin de predecir los parámetros de celda del combustible de recarga de un reactor BWR. En este trabajo se presentan los resultados del entrenamiento de un red neuronal multicapas que puede predecir el factor de potencia local (LPPF) en dichas celdas de combustible. La predicción del LPPF se realiza en las condiciones de inicio de la vida de la celda (0.0 MWD/T), a 40% de vacíos en el moderador, temperatura de 793 ºK en el combustible y una temperatura del moderador de 560 ºK. Las celdas consideradas en el presente estudio consisten de un arreglo de 10x10 varillas, de las cuales 92 contienen U 235, algunas de estas varillas contienen también una concentración de Gd 2 O 3 y 8 de ellas contienen solamente agua. La ubicación axial dentro del ensamble de recarga de estas celdas es justo arriba de las celdas que contienen uranio natural en la base del núcleo del reactor. El entrenamiento de la red neuronal se realiza mediante un algoritmo de retro-propagación, que utiliza un espacio de entrenamiento formado a partir de evaluaciones previas de celdas mediante el código HELIOS. Se presentan también los resultados de la aplicación de la red neuronal encontrada para la predicción del LPPF de algunas celdas utilizadas en la operación real de la Unidad Uno de la Central Nuclear de Laguna Verde. Memorias CIC Cancún 2007 en CDROM 128 Proceedings IJM Cancun 2007 on CDROM
2 J.L. Montes et al, Predicción del Factor Local de Potencia en Celdas de Combustible BWR 1. INTRODUCCIÓN La principal motivación para considerar el uso de una Red Neuronal Artificial (RNA) es su capacidad para reducir efectivamente el tiempo de cómputo necesario para realizar cálculos de alto consumo de tiempo de CPU. Esto se puede observar en los trabajos de algunos autores como A.Yamamoto [1] quien utiliza redes neuronales artificiales para el diseño de patrones de recarga, encontrando que efectivamente mejora sus resultados de optimización, ya que el tiempo muy pequeño utilizado por la red neuronal le permite explorar de manera más amplia el espacio de búsqueda. Otra aplicación de las redes neuronales artificiales la realiza Gonzalves et al. [2] quien muestra una red neuronal para predecir la distribución de potencia radial y la concentración de boro soluble en el núcleo del reactor al final del ciclo de operación, estos resultados se utilizan para optimizar la recarga de combustible. Por su parte, Ortiz y Requena [3] usaron una red neuronal para predecir los límites térmicos y el factor de multiplicación efectiva al final de la operación de un ciclo en un reactor BWR. Roh et al. [4] usó una RNA para estimar los niveles de potencia en el núcleo de un reactor usando mediciones reales de potencia. Jang et al. [5] entrenó una RNA para predecir la potencia en cada uno de los canales de combustible en un octavo de núcleo, y posteriormente usó la técnica de recocido simulado con el fin de optimizar la recarga de combustible en un reactor PWR. Con base en los resultados obtenidos en los trabajos antes mencionados se puede observar que el uso de las RNA s aporta un mayor alcance de los algoritmos de búsqueda en problemas de tipo combinatorio. Aunque es importante mencionar que las RNA s no representan la única manera de afrontar exitosamente los mencionados problemas de optimización, como se puede observar por ejemplo en G. F. Cuevas et al. [6] quien aplicó el método simplex para la optimización de la distribución de enriquecimientos MOX en ensambles LWR típicos. J. Zheng et al. [7] quien muestra una aplicación del modelo de superposición lineal para la estimación de los parámetros de celda. François et al. [8] exitosamente aplica la técnica heurística tabu para minimizar el contenido de enriquecimiento en celdas de combustible BWR usando una función multiobjetivo. Finalmente, R. Perusquia [9] muestra que tomando en cuenta las condiciones iniciales apropiadas para conocer los parámetros de celda al inicio de la vida de una celda de combustible, esto es suficiente para predecir un buen comportamiento de dichos parámetros a través de toda la vida de la misma. 2. METODOLOGÍA 2.1. Las Redes Neuronales Artificiales Multicapas Con el fin de lograr el objetivo de predecir el LPPF (Local Power Peaking Factor) en una celda de combustible, se utiliza una red artificial multicapas. Para establecer la estructura de este tipo de RNA s, tanto el número de capas como el número de neuronas en cada una de ellas deben ser determinados. Y es necesario conocer el conjunto de pesos (w ij ) que se asocian con las conexiones entre neuronas. El proceso para conocer estas características de la RNA es denominado el entrenamiento de la misma. En otras palabras, el entrenamiento de una RNA consiste en obtener el conjunto óptimo de pesos asociados con las conexiones neuronales, de manera tal que el error entre los valores predichos por la RNA y los valores objetivos se Memorias CIC Cancún 2007 en CDROM 129 Proceedings IJM Cancun 2007 on CDROM
3 Congreso Internacional Conjunto Cancún 2007 / International Joint Meeting Cancun 2007 minimice. En este caso, el entrenamiento de la RNA se basa en el algoritmo de retropropagación o más conocido como BP. A continuación se describe brevemente dicho algoritmo Entrenamiento de una RNA Multicapas Si consideramos la neurona i en la capa de entrada y la neurona j en la capa intermedia en una RNA típica de tres capas (Fig.1), podemos denotar como ok al valor calculado por la neurona k en la capa de salida, ok=f(netk), donde a f se le denomina la función de activación. En nuestro caso f es de tipo sigmoide -cuya curva tiene forma de s, curvada en las direcciones opuestas, y genera valores entre 0 y 1-, entonces se tiene lo siguiente: 1 net k = w ikoi, es la entrada neta en la capa de salida k, o j =, es la forma explícita de -net j i= 1,n 1+ e la función f. La función del error esperado que deseamos minimizar toma la siguiente forma: 1 2 E = (1) 2 p k ( t pk - o pk ) Donde: p representa el patrón p de entrenamiento, k representa la capa de neuronas k de salida, t pk representa el valor objetivo para la neurona k y para el patrón p de entrenamiento, o pk representa el valor calculado por la RNA para la neurona k y para el patrón p de entrenamiento, Figura 1. Esquema típico de un RNA multicapas. Memorias CIC Cancún 2007 en CDROM 130 Proceedings IJM Cancún 2007 on CDROM
4 J.L. Montes et al, Predicción del Factor Local de Potencia en Celdas de Combustible BWR Tomando en cuenta las expresiones matemáticas en el proceso de minimización de la ecuación (1), es posible derivar dos de los parámetros más importantes usados en el proceso de entrenamiento de la RNA. Estos parámetros son la tasa de entrenamiento (η), que es una constante relativamente pequeña que puede relacionarse con la pendiente de la función de error como una función de un peso de conexión neuronal de la RNA, y el otro parámetro es el momento que permite orientar la dirección del gradiente descendente en el proceso de minimización de la función de error Datos de Entrada a la RNA En general, uno de los aspectos más importantes en el proceso de entrenamiento de una RNA es establecer la correcta codificación de los datos de entrada. Por ejemplo, en algunos casos no es necesario normalizar dichos datos, en nuestro caso si fue necesario realizar una normalización y codificación adecuada. Al principio del proceso de entrenamiento de la RNA para la predicción del LPPF en una celda dada de combustible, fue necesario codificar los datos de la combinación de U 235 w/o y Gd 2 O 3 que aparece en ciertas varillas de arreglo 10x10 de la celda. Dada esta situación, se decidió considerar los siguientes tres casos: a) Codificación de la combinación de e(u 235 ) y g(gd 2 O 3 ) en términos del valor dado por la diferencia entre estos datos de concentración del U 235 y el Gd 2 O 3. b) Codificación de la combinación de e(u 235 ) y g(gd 2 O 3 ) en términos del valor dado por la suma de estos valores de concentración. c) Codificación de la combinación de e(u 235 ) y g(gd 2 O 3 ) en términos de un valor equivalente de e (U 235 ) para e(u 235 ) + g(gd 2 O 3 ). Como ejemplo, a continuación se muestra un patrón típico de entrenamiento y sus diferentes formas de codificación. En la primera de las siguientes cuatro figuras, se muestra el patrón de entrenamiento en términos de diferentes valores de U 235 y de concentraciones de Gd 2 O 3. Posteriormente, se muestran las tres formas de codificación. La normalización de los datos de los patrones de entrenamiento se hizo de manera tal que los valores encontrados durante la aplicación de la RNA y cercanos a los valores extremos de dichos datos pudiesen ser correctamente predichos por la RNA; esta modificación se hace al considerar el 10% del intervalo definido por los valores máximo y mínimo de los datos de entrenamiento. El origen de esta consideración parte de la suposición de que la RNA durante su aplicación, puede encontrar valores en su dominio cercanos, pero no utilizados en el conjunto de entrenamiento de la RNA. En cada uno de los patrones de entrenamiento el último valor corresponde al valor objetivo del factor local de potencia de la celda de combustible. Memorias CIC Cancún 2007 en CDROM 131 Proceedings IJM Cancun 2007 on CDROM
5 Congreso Internacional Conjunto Cancún 2007 / International Joint Meeting Cancun Figura 2. Patrón de entrenamiento típico Figura 3. Codificación típica de un patrón de entrenamiento caso a) Figura 4. Codificación típica de un patrón de entrenamiento caso b) Memorias CIC Cancún 2007 en CDROM 132 Proceedings IJM Cancún 2007 on CDROM
6 J.L. Montes et al, Predicción del Factor Local de Potencia en Celdas de Combustible BWR Figura 5. Codificación típica de un patrón de entrenamiento caso c) En el caso c) fue necesario llevar a cabo una serie de cálculos con el código HELIOS [10] con el fin de establecer la relación entre LPPF Vs. U 235 /U 235 +Gd 2 O 3 en el rango de interés. Las curvas obtenidas se presentan en la Figura 6. En esta figura puede verse que los valores de LPPF se encuentran en un rango de valores pequeños, lo cual se espera como consecuencia de la presencia de la Gadolinia. Estos resultados forman parte de una de las alternativas de codificación de los datos de entrada a la RNA. Se muestran solo por completes. LPPF LPPF vs. U 235 /U 235 +Gd 2 O 3 g01,g02,g03,g10,g19,g e(u 235 w/%) LPPF-3.95-g01 LPPF-3.95-g02 LPPF-3.95-g03 LPPF-3.95-g10 LPPF-3.95-g19 LPPF-3.95-g21 LPPF-4.4-g01 LPPF-4.4-g02 LPPF-4.4-g03 LPPF-4.4-g10 LPPF-4.4-g19 LPPF-4.4-g21 Figura 6. Comportamiento del LPPF usado para obtener e (U 235 ) equivalente. Memorias CIC Cancún 2007 en CDROM 133 Proceedings IJM Cancun 2007 on CDROM
7 Congreso Internacional Conjunto Cancún 2007 / International Joint Meeting Cancun El Espacio de Entrenamiento de la RNA Esencialmente, lo que realiza una RNA es extraer el conocimiento que se encuentra presente en un conjunto de datos de entrenamiento dado. Para nuestro caso, el conjunto de patrones de entrenamiento se formó por 3497 patrones de entrenamiento a través de cálculos con el código HELIOS. Durante el proceso de entrenamiento el 20% de los patrones se utilizó para verificar el desempeño de la RNA. En la figura 7 se presenta el espacio de entrenamiento utilizado inicialmente. Espacio Inicial de Entrenamiento Kinf Vs. LPPF LPPF Kinf Figura7. Espacio de entrenamiento inicial de la RNA. Con base en la premisa anterior, si se tiene un espacio con mayor grado de extensión, en términos de su diversidad, entonces se tendrá la posibilidad de obtener un alcance mayor en la predicción de los parámetros de interés a través de la RNA entrenada. Esta es la razón por la cual se incrementó la cantidad de patrones de entrenamiento hasta Todos estos patrones de entrenamiento fueron obtenidos a partir de cálculos realizados con el código HELIOS, algunos de los cuales fueron generados en estudios previos con fines distintos a los aquí planteados. En el caso de interés que motivó el entrenamiento de la RNA, al aplicarse ésta, se pretende retroalimentar la información proporcionada por la RNA hacia el espacio de entrenamiento de ésta, es decir, generar nuevos patrones de entrenamiento, y a partir de éstos entrenar una nueva RNA. De esta manera se tiene un modo continuo de mejoramiento de la capacidad de predicción de las RNA s para el propósito de interés. En la figura 8 se presenta el espacio de entrenamiento ampliado para el entrenamiento. Memorias CIC Cancún 2007 en CDROM 134 Proceedings IJM Cancún 2007 on CDROM
8 J.L. Montes et al, Predicción del Factor Local de Potencia en Celdas de Combustible BWR Espacio de Entrenamiento Extendido de la RNA LPPF KINF LPPF-rt LPPF-tf Figura 8. Espacio de entrenamiento extendido de la RNA. En la figura anterior la etiqueta rt se refiere a los patrones de entrenamiento usados para ejecutar el algoritmo BP, mientras que tf se refiere a los patrones utilizados para evaluar su desempeño 3. RESULTADOS Al terminar el proceso de entrenamiento se encontró una red neuronal con tres capas. La estructura tiene la siguiente distribución de neuronas: Esto indica que la capa de entrada presenta 100 datos, 61 neuronas en la capa intermedia y un valor que corresponde al LPPF en la capa de salida. La RNA obtenida se ha aplicado para predecir el LPPF de algunas de las celdas de combustible que han sido utilizadas en la operación real de la Unidad 1 de la CNLV. Se encontró un error porcentual de alrededor del 2% a realizarse la comparación entre dichos valores, un ejemplo de esta comparación se muestra en la tabla I. Tabla I. Aplicación de la RNA. RNA Vs. Celda Real (Ref.) HELIOS (Celda Real) RNA Err. Abs. (%): Memorias CIC Cancún 2007 en CDROM 135 Proceedings IJM Cancun 2007 on CDROM
9 Congreso Internacional Conjunto Cancún 2007 / International Joint Meeting Cancun 2007 Al término del proceso de entrenamiento de la RNA la comparación entre los datos predichos por ésta contra los calculados por HELIOS se presenta en la Figura 9 siguiente. Estos resultados fueron obtenidos cuando se utiliza la codificación de los datos de entrada del caso b). 1.6 HELIOS vs RN: e+gd, LPPF a= 0.2, e= LPPF-RN LPPF-HELIOS Figura 9. Comparación LPPF-RNA Vs. LPPF-HELIOS. Es importante mencionar que el entrenamiento de la RNA se realizó en una PC con procesador Pentium 4, a 2.80 GHz y 512 MB de RAM. Mientras que los cálculos con el código HELIOS se llevaron a cabo en una estación de trabajo Alpha a 833 MHz y 256 MB de memoria RAM. 4. CONCLUSIONES Con base en lo expuesto anteriormente del presente trabajo se pueden resaltar las siguientes observaciones. Para la obtención de la RNA multicapas que permite predecir el LPPF de una celda de combustible para un reactor BWR, encontramos que de las tres formas de codificación de los datos de los patrones de entrenamiento utilizadas, la única forma que proporcionó resultados satisfactorios fue aquella codificación que corresponde al caso b), la cual se basa en la sustitución de la mezcla de U 235 y Gd 2 O 3 por el valor dado al sumar las concentraciones de estos materiales. Por otro lado, en relación con la aplicación de la RNA para la predicción de los LPPF s de las celdas de la CNLV, la precisión de ésta es aceptable y como consecuencia, puede pensarse en su Memorias CIC Cancún 2007 en CDROM 136 Proceedings IJM Cancún 2007 on CDROM
10 J.L. Montes et al, Predicción del Factor Local de Potencia en Celdas de Combustible BWR utilización dentro de un algoritmo de búsqueda para la optimización de la distribución de U 235 y Gd 2 O 3 dentro del tipo de celdas de combustible considerado. En esta parte es importante mencionar que se puede hacer uso de la RNA de manera que la información que se genere a partir de ésta, pueda servir para retroalimentar la diversidad de su espacio de entrenamiento. Respecto al desempeño de la RNA en términos del tiempo de CPU, se puede concluir que la ejecución de la RNA con respecto al código HELIOS para realizar el mismo cálculo de celda, en las computadoras descritas anteriormente, requiere alrededor de 360 veces menor cantidad de tiempo. El tiempo total de CPU necesario para realizar el entrenamiento fue de 1.8 días. Y una vez entrenada, la RNA requiere para la estimación del LPPF de una celda de combustible, aproximadamente de 3.9x10-4 minutos de CPU en la PC descrita anteriormente. Mientras que 0.14 minutos de CPU, en la computadora alpha antes mencionada, es el tiempo que requiere el código HELIOS para realizar el mismo tipo de cálculo. Finalmente se puede mencionar que el potencial de aplicación de una RNA como la encontrada en el presente estudio, y de aquellas descritas en las referencias mencionadas en la parte introductoria, el relativo alto costo de tiempo para realizar el entrenamiento de una RNA es después de todo justificable. En nuestro caso, se puede contar entonces con una alternativa para disminuir el tiempo de CPU en las ejecuciones del código HELIOS en la predicción del LPPF de una celda de combustible para un reactor BWR. AGRADECIMIENTOS Los autores agradecen al Consejo Nacional de Ciencia y Tecnología (CONACYT) por el apoyo brindado al presente trabajo a través del proyecto SEP-2004-C , y al Departamento de Gestión de Combustible (DGC) de la Comisión Federal de Electricidad (CFE), por la información proporcionada. REFERENCIAS 1. Akio Yamamoto, Application of Neural Network for Loading Pattern Screening of In-Core Optimization Calculations, Nuclear Technology, Volume 144, p (2003). 2. J. M. Gonzalvez, Serkan Yilmaz, Fatih Alim, Kostadin Ivanov, and Samuel H. Levine, Sensitivity Study on Determining an Efficient Set of Fuel Assembly Parameters in Training Data for Designing of Neural Networks in Hybrid Genetic Algorithms, Ann. Nucl. En (2006). 3. J. J. Ortiz and I. Requena, Using Neural Networks to Predict Core Parameters in a Boiling Water Reactor, Nucl. Sci. & Eng., (2003). 4. M. S. Roh, S. W. Cheon & S. H. Chang, Power Prediction in Nuclear Power Plants using a Back-Propagation Learning Neural Network, Nucl. Tech., 94 2 (1991). 5. C. S. Jang, H. J. Shim & C. H. Kim, Optimization Layer by Layer for In-Core Fuel Management Optimization Computation in PWRs, Ann. Nucl. En., (2001). 6. G.F. Cuevas Vivas, T.A. Parish, G.L. Curry, Optimization of MOX enrichment distribution in typical LWR assemblies using a simplex method-based algorithm, Annals of Nuclear Energy, Volume 29, p (2 002). Memorias CIC Cancún 2007 en CDROM 137 Proceedings IJM Cancun 2007 on CDROM
11 Congreso Internacional Conjunto Cancún 2007 / International Joint Meeting Cancun Jie Zheng, Tong Guo, G. Ivan Maldonado, An Application of Linear Superposition to Estimating Lattice-Physics Parameters", Nucl. Sci. & Engn., Volume 137, p (2001). 8. J.L. Francois, C. Martín del Campo, R Francois, A practical optimization procedure for radial BWR fuel lattice design using tabu search with a multiobjective function, Annals of Nuclear Energy, Volume 30, p (2003). 9. R. Perusquia, J. L. Montes, J. J. Ortiz, J.L. Hernández, J. A. Castillo, Fast Calculation Program for Nuclear Fuel Lattice Design of Boiling Water Reactors, Proceedings of 'PHYSOR-2006', Vancouver, BC, Canada, September (2006). 10. Casal J.J., Stamm ler R.J.J., Villarino E.A., and Ferri A.A., HELIOS: Geometric capabilities of a new fuel-assembly program, Intl Topical Meeting on Advances in Mathematics, Computations, and Reactor Physics, Pittsburgh, Pennsylvania, April 28-May 2, Vol p (1991). Memorias CIC Cancún 2007 en CDROM 138 Proceedings IJM Cancún 2007 on CDROM
Diseño Axial de Combustible para BWRs Usando Redes Neuronales
Simposio LAS/ANS 2007 / 2007 LAS/ANS Symposium XVIII Congreso Anual de la SNM / XVIII SNM Annual Meeting XXV Reunión Anual de la SMSR / XXV SMSR Annual Meeting Copatrocinado por la AMEE / Co-sponsored
Más detallesInternalización de Externalidades en los Costos de Generación de Centrales Eléctricas de Carbón, Ciclo Combinado y Nucleares.
Simposio LAS/ANS 2007 / 2007 LAS/ANS Symposium XVIII Congreso Anual de la SNM / XVIII SNM Annual Meeting XXV Reunión Anual de la SMSR / XXV SMSR Annual Meeting Copatrocinado por la AMEE / Co-sponsored
Más detallesBUTREN-RC un Sistema Híbrido para la Optimización de Recargas de Combustible Nuclear en un BWR
Congreso Internacional Conjunto Cancún 2004 LAS/ANS-SNM-SMSR/International Joint Meeting Cancun 2004 LAS/ANS-SNM-SMSR XV Congreso Anual de la SNM y XXII Reunión Anual de la SMSR/XV SNM Annual Meeting and
Más detallesEstrategia Operativa para el Endurecimiento Espectral
Congreso Internacional Conjunto Cancún 2004 LAS/ANS-SNM-SMSR/International Joint Meeting Cancun 2004 LAS/ANS-SNM-SMSR XV Congreso Anual de la SNM y XXII Reunión Anual de la SMSR/XV SNM Annual Meeting and
Más detallesContribuciones del Instituto Nacional de Investigaciones Nucleares al avance de la Ciencia y la Tecnología en México
Contribuciones del Instituto Nacional de Investigaciones Nucleares al avance de la Ciencia y la Tecnología en México Edición conmemorativa 2010 Optimización del uso de combustible en la Central Nuclear
Más detallesCambios en la Reactividad y en los Márgenes a Límites Térmicos por la Inclusión de Barras de Control de Tipo Avanzado en la Central Laguna Verde
Congreso Internacional Conjunto Cancún 2004 LAS/ANS-SNM-SMSR/International Joint Meeting Cancun 2004 LAS/ANS-SNM-SMSR XV Congreso Anual de la SNM y XXII Reunión Anual de la SMSR/XV SNM Annual Meeting and
Más detallesPropuesta de Tesis. Diseño de recargas de combustible nuclear para un reactor de agua en ebullición utilizando sistemas avanzados de optimización.
Propuesta de Tesis Título Diseño de recargas de combustible nuclear para un reactor de agua en ebullición utilizando sistemas avanzados de optimización. Objetivo Diseñar y optimizar una recarga de combustible
Más detallesEstudio Económico de Escenarios de Combustible para una Recarga
XXV Congreso Anual de la Sociedad Nuclear Mexicana XIII Congreso Nacional de la Sociedad Mexicana de Seguridad Radiológica Boca del Río, Veracruz, México, del 31de Agosto al 4 de Septiembre de 2014 Estudio
Más detallesDiseño de Ensambles de Combustible para el Reciclado de Actínidos en un Reactor Tipo BWR
Simposio LAS/ANS 2007 / 2007 LAS/ANS Symposium XVIII Congreso Anual de la SNM / XVIII SNM Annual Meeting XXV Reunión Anual de la SMSR / XXV SMSR Annual Meeting Copatrocinado por la AMEE / Co-sponsored
Más detallesAnálisis Multivariable de Flujo Biestable
Simposio LAS/ANS 2007 / 2007 LAS/ANS Symposium XVIII Congreso Anual de la SNM / XVIII SNM Annual Meeting XXV Reunión Anual de la SMSR / XXV SMSR Annual Meeting Copatrocinado por la AMEE / Co-sponsored
Más detallesResumen 1. INTRODUCCIÓN
Simposio LAS/ANS 2007 / 2007 LAS/ANS Symposium XVIII Congreso Anual de la SNM / XVIII SNM Annual Meeting XXV Reunión Anual de la SMSR / XXV SMSR Annual Meeting Copatrocinado por la AMEE / Co-sponsored
Más detallesDISEÑO ACOPLADO DE CELDAS Y RECARGAS DE COMBUSTIBLE NUCLEAR MEDIANTE ALGORITMOS GENÉTICOS
Congresso de Métodos Numéricos em Engenharia 2015 Lisboa, 29 de Junho a 2 de Julho, 2015 APMTAC, Portugal, 2015 DISEÑO ACOPLADO DE CELDAS Y RECARGAS DE COMBUSTIBLE NUCLEAR MEDIANTE ALGORITMOS GENÉTICOS
Más detallesEvaluación de Transitorios de Presión en Reactores Tipo BWR Usando el Código BWRDYN
Simposio LAS/ANS 007 / 007 LAS/ANS Symposium XVIII Congreso Anual de la SNM / XVIII SNM Annual Meeting XXV Reunión Anual de la SMSR / XXV SMSR Annual Meeting Copatrocinado por la AMEE / Co-sponsored by
Más detallesDiseño de una Recarga Mixta con Ensambles MOX de Mayor Relación de Moderación para un Reactor BWR
Congreso Internacional Conjunto Cancún 2004 LAS/ANS-SNM-SMSR/International Joint Meeting Cancun 2004 LAS/ANS-SNM-SMSR XV Congreso Anual de la SNM y XXII Reunión Anual de la SMSR/XV SNM Annual Meeting and
Más detallesRedes Neuronales Artificiales
Algoritmo de retropropagación Back propagation Es utilizado para entrenar redes neuronales multicapa. Exige que la función de activación de las neuronas sea derivable y creciente. Las funciones comúnmente
Más detallesDISEÑO EXPERIMENTAL Y OPTIMIZACIÓN DE SISTEMAS CON MÚLTIPLES RESPUESTAS
DISEÑO EXPERIMENTAL Y OPTIMIZACIÓN DE SISTEMAS CON MÚLTIPLES RESPUESTAS Parte 5: Redes neuronales Héctor Goicoechea E-mail: hgoico@fbcb.unl.edu.ar http://www.fbcb.unl.edu.ar/laboratorios/ladaq/ Redes Neuronales
Más detallesINVESTIGACIÓN OPERATIVA Redes Neuronales Artificiales y Aplicaciones INTEGRANTES: Armijos Mauricio Jara Iza Rony
INVESTIGACIÓN OPERATIVA Redes Neuronales Artificiales y Aplicaciones INTEGRANTES: Armijos Mauricio Jara Iza Rony Técnicas De La Inteligencia Artificial Programación Heurística Redes Neuronales. Evolución
Más detallesUSO EFICIENTE DE COMBUSTIBLE NUCLEAR EN REACTORES DE AGUA EN EBULLICIÓN EFFICIENT USE OF NUCLEAR FUEL IN BOILING WATER REACTORS
USO EFICIENTE DE COMBUSTIBLE NUCLEAR EN REACTORES DE AGUA Juan José Ortiz-Servin 1, Alejandro Castillo 1, David A. Pelta 2 y Raúl Perusquía 1 1 Instituto Nacional de Investigaciones Nucleares, Carretera
Más detallesTres paradas de Recarga de Combustible con duración de menos de 30 días en la Central Laguna Verde
Simposio LAS/ANS 27 / 27 LAS/ANS Symposium XVIII Congreso Anual de la SNM / XVIII Annual SNM Congress / XXV Reunión Anual de la SMSR / XXV SMSR Annual Meeting Copatrocinado por la AMEE / Co-sponsored by
Más detallesOptimización de Celdas de Combustible para BWR Basada en Búsqueda Tabú Modificada
Congreso Internacional Conjunto Cancún 2004 LAS/ANS-SNM-SMSR/International Joint Meeting Cancun 2004 LAS/ANS-SNM-SMSR XV Congreso Anual de la SNM y XXII Reunión Anual de la SMSR/XV SNM Annual Meeting and
Más detallesLínea de Análisis y Diseño de Reactores y Ciclos de Combustible Nuclear
Línea de Análisis y Diseño de Reactores y Ciclos de Combustible Nuclear Descripción de la línea Los reactores nucleares de fisión tienen más de 50 años de experiencia operacional produciendo electricidad.
Más detallesPerceptrón Simple. Aspectos Prácticos y Algoritmos Redes Neuronales, DC-FCEyN-UBA. Rosana Matuk Primer Cuatrimestre 2018
Perceptrón Simple Aspectos Prácticos y Algoritmos Redes Neuronales, DC-FCEyN-UBA Rosana Matuk Primer Cuatrimestre 2018 Rosana Matuk (DC-FCEyN-UBA) Perceptrón simple Primer Cuatrimestre 2018 1 / 29 Objetivo
Más detallesAprendizaje Automatizado. Redes Neuronales Artificiales
Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Otra forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano
Más detallesAnálisis comparativo de resultados entre CASMO, MCNP y SERPENT para una suite de problemas Benchmark en reactores BWR
XXV Congreso Anual de la Sociedad Nuclear Mexicana Análisis comparativo de resultados entre CASMO, MCNP y SERPENT para una suite de problemas Benchmark en reactores BWR José Vicente Xolocostli Munguía,
Más detallesSimulación del Seguimiento Operacional de un Reactor BWR con Simulate-3
Simulación del Seguimiento Operacional de un Reactor BWR con Simulate-3 Javier Omar Jiménez Flores, Cecilia Martín del Campo Márquez, Luis Fuentes Márquez y Juan Luis François Lacouture Universidad Nacional
Más detallesPlaneación de Actividades en la Central Laguna Verde planeación a doce semanas
Simposio LAS/ANS 2007 / 2007 LAS/ANS Symposium XVIII Congreso Anual de la SNM / XVIII Annual SNM Congress / XXV Reunión Anual de la SMSR / XXV SMSR Annual Meeting Copatrocinado por la AMEE / Co-sponsored
Más detallesCambio de mecanismos de barras de control, una actividad de alto desempeño en la doceava recarga de la Unidad 1
Simposio LAS/ANS 2007 / 2007 LAS/ANS Symposium XVIII Congreso Anual de la SNM / XVIII Annual SNM Congress / XXV Reunión Anual de la SMSR / XXV SMSR Annual Meeting Copatrocinado por la AMEE / Co-sponsored
Más detallesComparación de Técnicas de Optimización aplicadas al Diseño de la Recarga de Combustible Nuclear
Simposio LAS/ANS 2007 / 2007 LAS/ANS Symposium XVIII Congreso Anual de la SNM / XVIII SNM Annual Meeting XXV Reunión Anual de la SMSR / XXV SMSR Annual Meeting Copatrocinado por la AMEE / Co-sponsored
Más detallesDeterminación del Caudal Local en un BWR por medio del Análisis de Ruido Neutrónico
Simposio LAS/ANS 007 / 007 LAS/ANS Symposium XVIII Congreso Anual de la SNM / XVIII SNM Annual Meeting XXV Reunión Anual de la SMSR / XXV SMSR Annual Meeting Copatrocinado por la AMEE / Co-sponsored by
Más detallesJuan Luis François Lacouture 1. Congresos nacionales
Juan Luis François Lacouture 1. Congresos nacionales 1. C. Martin del campo, j.l. Francois. Simulacion de una insercion de reactividad en el reactor triga mark iii. Congreso de la sociedad mexicana de
Más detallesCarrera : Academia de Sistemas y Computación. a) RELACIÓN CON OTRAS ASIGNATURAS DEL PLAN DE ESTUDIOS ASIGNATURAS TEMAS ASIGNATURAS TEMAS
1.- IDENTIFICACION DE LA ASIGNATURA Nombre de la asignatura : Carrera : Aplicaciones Avanzadas de los Sistemas Computacionales Ingeniería en Sistemas Computacionales Clave de la asignatura : Horas teoría-horas
Más detallesIntroducción a Las redes Neuronales (Neurales) CO-6612
a Las redes Neuronales (Neurales) CO-6612 Coordenadas iniciales: Prof. Minaya Villasana Oficina: CBI-112 Extension: 906 3386 forma más fácil (preferida) de contacto: mvillasa@usb.ve Bibliografia: Simon
Más detallesImpacto del Costo del Combustible en el Costo de Generación Eléctrica por Medios Nucleares
Simposio LAS/ANS 2007 / 2007 LAS/ANS Symposium XVIII Congreso Anual de la SNM / XVIII SNM Annual Meeting XXV Reunión Anual de la SMSR / XXV SMSR Annual Meeting Copatrocinado por la AMEE / Co-sponsored
Más detallesTLU(s) MULTICAPAS. Se pueden implementar funciones en TLU con más de una capa.
TLU(s) MULTICAPAS Se pueden implementar funciones en TLU con más de una capa 1 05 2 15 2 3 z 3 15 2 4 05 No eisten, en la actualidad, mecanismos de entrenamiento que permita conocer los pesos sinápticos
Más detallesEsquema Integrado de Largo Plazo para la Administración de Combustible Gastado de Reactores Nucleares de Potencia
XXVI Congreso Anual de la Sociedad Nuclear Mexicana XIV Congreso Nacional de la Sociedad Mexicana de Seguridad Radiológica Puerto Vallarta, Jalisco, México, del 5 al 8 de Julio de 2015 Esquema Integrado
Más detallesRedes Neuronales Artificiales El Perceptrón
1 Sistemas Expertos e Inteligencia Artificial / Guía IX / Ciclo 01-2018 Facultad: Ingeniería Escuela: Computación Asignatura: Sistemas Expertos e Inteligencia Artificial Redes Neuronales Artificiales El
Más detallesRedes de Neuronas de Base Radial
Redes de Neuronas de Base Radial 1 Introducción Redes multicapa con conexiones hacia delante Única capa oculta Las neuronas ocultas poseen carácter local Cada neurona oculta se activa en una región distinta
Más detallesOPTIMIZACIÓN DEL PROBLEMA DEL AGENTE VIAJERO USANDO EL SISTEMA DE COLONIA DE HORMIGAS Y BUSQUEDA GREEDY
OPTIMIZACIÓN DEL PROBLEMA DEL AGENTE VIAJERO USANDO EL SISTEMA DE COLONIA DE HORMIGAS Y BUSQUEDA GREEDY Esquivel Estrada Jaime*, Ordoñez Arizmendi Armando*, Ortiz Servín Juan José**. *Universidad Autónoma
Más detallesCIENCIA Y TECNOLOGÍA DEL COLOR 2008 WORKSHOP ON COLORIMETRY AND COLOR IMAGING
CIENCIA Y TECNOLOGÍA DEL COLOR 2008 WORKSHOP ON COLORIMETRY AND COLOR IMAGING Título: Ciencia y Tecnología del Color 2008. Workshop on Colorimetry and Color Imaging Editores: Joaquín Campos Acosta y Rafael
Más detallesReducción de Ruido por medio de Redes Neuronales
Reducción de Ruido por medio de Redes Neuronales Donato Hernández, Sergio Ledesma, Miguel Torres, Gabriel Aviña y Gerardo Canedo Facultad de Ingeniería Mecánica, Eléctrica y Electrónica Universidad de
Más detallesProducción de hidrógeno mediante energía nuclear, un escenario sostenible en México
Simposio LAS/ANS 007 / 007 LAS/ANS Symposium XVIII Congreso Anual de la SNM / XVIII SNM Annual Meeting XXV Reunión Anual de la SMSR / XXV SMSR Annual Meeting Copatrocinado por la AMEE / Co-sponsored by
Más detallesEl Perceptrón Multicapa
El Perceptrón Multicapa N entradas M neuronas de salida L: neuronas en la capa oculta E = 1 p M ( zi ( k) yi ( k) ) k = 1 i= 1 Implementación de la función XOR Regiones de clasificación en función del
Más detallesENSEÑANZA DE LA INGENIERÍA NUCLEAR CON RECURSOS DE LAS TIC
Segundo Simposio Internacional sobre Educación, Capacitación, Extensión y Gestión del Conocimiento en Tecnología Nuclear, Buenos Aires, Argentina, 13 al 17 de noviembre de 2017. ENSEÑANZA DE LA INGENIERÍA
Más detallesDocumentos Guía para el Licenciamiento de un Aumento de Potencia Extendido
Simposio LAS/ANS 2007 / 2007 LAS/ANS Symposium XVIII Congreso Anual de la SNM / XVIII SNM Annual Meeting XXV Reunión Anual de SMSR / XXV SMSR Annual Meeting Copatrocinado por la AMEE / Co-sponsored by
Más detallesUNIVERSITAT DE JOSÉ LUIS ORTIZ ARCINIEGA
UNIVERSITAT DE JOSÉ LUIS ORTIZ ARCINIEGA Obtener la amplitud real del pulso a partir de las muestras (7) digitales. Actualmente se Utiliza Optimal Filtering corriendo en Procesadores Digitales de Señal
Más detallesOptimization of Hydroelectric Power
542 IEEE LATIN AMERICA TRANSACTIONS, VOL. 8, NO. 5, SEPTEMBER 2010 Optimization of Hydroelectric Power Ramiro Ortiz Flórez 1 Abstract This paper describes the mathematical model of a dynamic optimization
Más detallesRedes Neuronales. Las redes neuronales son modelos computacionales que buscan imitar el funcionamiento
Redes Neuronales Las redes neuronales son modelos computacionales que buscan imitar el funcionamiento de las neuronas biológicas. Se usan principalmente para el reconocimiento de patrones complejos. Para
Más detalles3.7 IDENTIFICACION DE UN SISTEMA DINÁMICO NO LINEAL Descripción del Problema: La identificación de un sistema consiste en
301 3.7 IDENTIFICACION DE UN SISTEMA DINÁMICO NO LINEAL 3.7.1 Descripción del Problema: La identificación de un sistema consiste en determinar una función que relacione las variables de entrada con las
Más detallesAplicación de Seis Sigma para Diseñar Recargas de la Central Laguna Verde con Duración hasta de 17 Días
Simposio LAS/ANS 2007 / 2007 LAS/ANS Symposium XVIII Congreso Anual de la SNM / XVIII Annual SNM Congress / XXV Reunión Anual de la SMSR / XXV SMSR Annual Meeting Copatrocinado por la AMEE / Co-sponsored
Más detallesIntroducción la placa alveolar OBJETO Y ALCANCE DE LA TESIS REQUISITOS EXIGIBLES A LOS PRODUCTOS DE CONSTRUCCIÓN...
Indice general. Índice general. Introducción la placa alveolar... 59 1.1 OBJETO Y ALCANCE DE LA TESIS.... 59 1.2 REQUISITOS EXIGIBLES A LOS PRODUCTOS DE CONSTRUCCIÓN.... 64 1.3 LA PLACA ALVEOLAR EN SITUACIÓN
Más detallesPlaneamiento de condensadores en sistemas de distribución radial usando entrenamiento neuronal
Planeamiento de condensadores en sistemas de distribución radial usando entrenamiento neuronal Planning of Condensers on Radial Distribution Sistem Using Neuronal Training MAURICIO GRANADA ECHEVERRI Ingeniero
Más detallesRelación 7 - Redes neuronales
Sistemas Inteligentes 0-0 Relación - Redes neuronales Problemas Ejercicio. Explicar cómo se usaría una red neuronal para obtener un reconocedor de letras escritas a mano. Describir con precisión qué estructura
Más detallesDefinir un Equipo de Fútbol óptimo mediante Redes Neuronales Artificiales
Definir un Equipo de Fútbol óptimo mediante Redes Neuronales Artificiales Abstract Este trabajo tiene como objetivo analizar, experimentar y comprender el funcionamiento y las características de los Sistemas
Más detallesUso de una red neuronal multicapa para el reconocimiento de caracteres griegos. Skynet Reloaded
Uso de una red neuronal multicapa para el reconocimiento de caracteres griegos: Skynet Reloaded...decided our fate in a microsecond... P. García H. Rajchert I. Scena Sistemas de Inteligencia Artificial
Más detallesDiversificación energética en el sistema eléctrico interconectado
Simposio LAS/ANS 2007 / 2007 LAS/ANS Symposium XVIII Congreso Anual de la SNM / XVIII SNM Annual Meeting XXV Reunión Anual de la SMSR / XXV SMSR Annual Meeting Copatrocinado por la AMEE / Co-sponsored
Más detallesTécnicas de inteligencia artificial. Aprendizaje: Perceptrón multi-capa
Técnicas de inteligencia artificial Aprendizaje: Perceptrón multi-capa Índice Regla delta Modelo computacional Neuronas e hiperplanos Entrenamiento como ajuste supervisado No-separabilidad lineal Backpropagation
Más detallesCálculos de Dosis para el Personal Involucrado en el Accidente Radiológico del Hospital de Especialidades del Centro Médico Nacional Siglo XXI
Congreso Internacional Conjunto Cancún 2004 LAS/ANS-SNM-SMSR/International Joint Meeting Cancun 2004 LAS/ANS-SNM-SMSR XV Congreso Anual de la SNM y XXII Reunión Anual de la SMSR/XV SNM Annual Meeting and
Más detallesInteligencia Artificial (Curso ) Grado en Ingeniería Informática - Ingeniería del Software
Inteligencia Artificial (Curso 0-0) Grado en Ingeniería Informática - Ingeniería del Software Redes neuronales Cuestión : Decir si las siguientes afirmaciones son verdaderas o falsas: Si tomamos la función
Más detallesBIOINFORMÁTICA
BIOINFORMÁTICA 2013-2014 PARTE I. INTRODUCCIÓN Tema 1. Computación Basada en Modelos Naturales PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence) Tema 2. Introducción a los Modelos Basados
Más detallesCaracterización del funcionamiento adecuado de equipos aplicando redes neuronales
Caracterización del funcionamiento adecuado de equipos aplicando redes neuronales Angel Marín, Nuria López, Miguel Ángel Rodríguez y Antonio José Fernández Iberdrola Ingeniería y Construcción, SAU ÍNDICE
Más detallesTUTORIAL SOBRE REDES NEURONALES APLICADAS EN INGENIERIA ELECTRICA Y SU IMPLEMENTACIÓN EN UN SITIO WEB
TUTORIAL SOBRE REDES NEURONALES APLICADAS EN INGENIERIA ELECTRICA Y SU IMPLEMENTACIÓN EN UN SITIO WEB MARIA ISABEL ACOSTA BUITRAGO CAMILO ALFONSO ZULUAGA MUÑOZ UNIVERSIDAD TECNOLOGICA DE PEREIRA FACULTAD
Más detallesAnálisis de Datos. Red de función de base radial. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Red de función de base radial Profesor: Dr. Wilfrido Gómez Flores 1 Introducción Las funciones de base radial han sido utilizadas en diversas técnicas de reconocimiento de patrones como
Más detallesOPTIMIZACIÓN DE LOS PARÁMETROS GEOMÉTRICOS DE UN DISIPADOR DE CALOR DE ENFRIAMIENTO POR LÍQUIDO USANDO REDES NEURONALES ARTIFICIALES
OPTIMIZACIÓN DE LOS PARÁMETROS GEOMÉTRICOS DE UN DISIPADOR DE CALOR DE ENFRIAMIENTO POR LÍQUIDO USANDO REDES NEURONALES ARTIFICIALES Gustavo Guerrero Arellano 1 y Abel Hernández Guerrero 2 RESUMEN En este
Más detallesT E S I S Q U E P R E S E N T A
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO FACULTAD DE CIENCIAS OPTIMIZACION DE RECARGAS DE COMBUSTIBLE NUCLEAR USANDO LA TECNICA DE BUSQUEDA TABU T E S I S Q U E P R E S E N T A JOSE ALEJANDRO CASTILLO
Más detallesCONTROL PREDICTIVO CON REDES NEURONALES COMO MODELO, UTILIZANDO EL METODO DE NEWTON-RAPHSON PARA LOGRAR LA MINIMIZACION DE LA FUNCION DE COSTO
Scientia et Technica Año XV, No 41, Mayo de 2009. Universidad Tecnológica de Pereira. ISSN 0122-1701 203 CONTROL PREDICTIVO CON REDES NEURONALES COMO MODELO, UTILIZANDO EL METODO DE NEWTON-RAPHSON PARA
Más detallesDefensa del anteproyecto de tesis de maestria
ESTIMACIÓN DE LA SUSCEPTIBILIDAD A DESLIZAMIENTOS DE TIERRA EN EL ÁREA METROPOLITANA DE SAN SALVADOR (AMSS) UTILIZANDO REDES NEURONALES ARTIFICIALES Defensa del anteproyecto de tesis de maestria Ricardo
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Tema 6: Redes de Neuronas Recurrentes
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Tema 6: Redes de Neuronas Recurrentes En este tema se estudian las redes de neuronas recurrentes. Se presentan en primer lugar
Más detallesOptimización matemática en procesos industriales. Aplicación al estudio de aparatos de tratamiento de alimentos por campos eléctricos.
Optimización matemática en procesos industriales. Aplicación al estudio de aparatos de tratamiento de alimentos por campos eléctricos. Alfonso Fernández Bes Máster en Tratamiento Estadístico-Computacional
Más detallesTema 3. Sección 3: Combustible nuclear y venenos consumibles. Profesor César Queral Departamento de Sistemas Energéticos ETSI Minas.
Tema 3. Sección 3: Combustible nuclear y venenos consumibles Profesor César Queral Departamento de Sistemas Energéticos ETSI Minas. UPM Combustible utilizado en España PWR. 1. C.N. José Cabrera (69 EC):
Más detallesREDES NEURONALES PARA EL ESTUDIO DEL COMPORTAMIENTO TÉRMICO DE EDIFICIOS
IRENE MARINCIC I UNIVERSIDAD DE SONORA J. ANTONIO DEL RÍO I CENTRO MORELENSE DE INNOVACIÓN Y TRANSFERENCIA TECNOLÓGICA REDES NEURONALES PARA EL ESTUDIO DEL COMPORTAMIENTO TÉRMICO DE EDIFICIOS Tanto la
Más detallesUNIVERSIDAD NACIONAL DEL CALLAO
UNIVERSIDAD NACIONAL DEL CALLAO FACULTAD DE INGENIERÍA INDUSTRIAL Y DE SISTEMAS INSTITUTO DE INVESTIGACION DE LA FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS INFORME FINAL DEL PROYECTO DE INVESTIGACIÓN
Más detallesRedes Neuronales. Elementos básicos de las redes neuronales Carlos Andrés Delgado S.
Redes Neuronales Elementos básicos de las redes neuronales carlos.andres.delgado@correounivalle.edu.co Carlos Andrés Delgado S. Facultad de Ingeniería. Universidad del Valle Agosto de 2017 Contenido 1
Más detalles8QLYHUVLGDGGHORV$QGHV%RJRWi'&&RORPELD &RUUHRHOHFWUyQLFRMVDOGDUU#XQLDQGHVHGXFR
&$/,%5$&,2'(5('(6'($&8('8&7287,/,=$'25('(6(852$/(6 &2',)(5(7(6&2),*85$&,2(6
Más detallesCombustible nuclear y esquemas de recarga. Profesores César Queral y Antonio Expósito Departamento de Sistemas Energéticos ETSI Minas.
y esquemas de recarga Profesores César Queral y Antonio Expósito Departamento de Sistemas Energéticos ETSI Minas. UPM Combustible utilizado en España PWR. 1. C.N. José Cabrera (69 EC): 14x14 LO-LOPAR y
Más detallesEstudio de técnicas de agregación de indicadores para la selección de un nuevo reactor nuclear para México
Simposio LAS/ANS 2007 / 2007 LAS/ANS Symposium XVIII Congreso Anual de la SNM / XVIII SNM Annual Meeting XXV Reunión Anual de la SMSR / XXV SMSR Annual Meeting Copatrocinado por la AMEE / Co-sponsored
Más detallesReconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales
Reconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales Dra. Ma. de Guadalupe García Hernández Departamento de Ingeniería Electrónica Objetivo general Aplicar
Más detallesCONCLUSIONES. 1. La implementación del Recocido Simulado V.2 es una versión fácil de
CONCLUSIONES 1. La implementación del Recocido Simulado V.2 es una versión fácil de utilizar, sencilla en codificación, ocupa poco espacio en disco; haciéndolo un software manejable y adaptable a cualquier
Más detallesPREDICCIÓN DE DEMANDA INSATISFECHA MEDIANTE EL USO DE REDES NEURONALES
PREDICCIÓN DE DEMANDA INSATISFECHA MEDIANTE EL USO DE REDES NEURONALES Guillermo MOLERO CASTILLO - g.moleroc@gmail.com Maestría en Ingeniería de la Computación, Universidad Nacional Autónoma de México
Más detallesLAS REDES NEURONALES ARTIFICIALES EN LAS FINANZAS
Revista de la Facultad de Ingeniería Industrial Vol. (8) 2: pp. 28-32 (2005) UNMSM ISSN: 1560-9146 (impreso) / ISSN: 1810-9993 (electrónico) LAS REDES NEURONALES ARTIFICIALES EN LAS FINANZAS Recepción:
Más detallesIndustrial Data ISSN: Universidad Nacional Mayor de San Marcos Perú
Industrial Data ISSN: 1560-9146 iifi@unmsm.edu.pe Universidad Nacional Mayor de San Marcos Perú Del Carpio Gallegos, Javier Las redes neuronales artificiales en las finanzas Industrial Data, vol. 8, núm.
Más detallesInteligencia Artificial: Su uso para la investigación
Inteligencia Artificial: Su uso para la investigación Dra. Helena Montserrat Gómez Adorno Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas helena.adorno@iimas.unam.mx 1 Introducción
Más detallesPredicción basada en vecinos
Predicción basada en vecinos Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1 Contenido Introducción Esquema de predicción directa Predicción basada
Más detallesConceptos básicos V:
C261-69 69 Tópicos Avanzados: Redes Neuronales Artificiales Conceptos básicos Dra. Ma. del Pilar Gómez Gil Primavera 2009 pgomez@acm.org V:13-01-09 Modelo Básico y Abstracto de un Neurón Artificial x 0
Más detallesTécnicas de optimización. Introducción.
Técnicas de optimización. Introducción. Diego A. Patino Pontificia Universidad Javeriana 18 de julio de 2016 1/ 20 Definición Composición Tipos de problemas Ejemplos 2/ 20 Qué es optimización? 3/ 20 Qué
Más detallesPerceptrón simple y perceptrón multicapa
UNL - FICH - Departamento de Informática - Ingeniería Informática Inteligencia Computacional Guía de trabajos prácticos Perceptrón simple y perceptrón multicapa. Objetivos Aplicar diferentes arquitecturas
Más detallesAprendizaje: Perceptrón multi-capa
Técnicas de inteligencia artificial Asignatura troncal: 4.5cr, 4ºCurso Ing Inf Aprendizaje: Perceptrón multi-capa 2003-2004 F.Escolano, O.Colomina, M.A. Cazorla Perceptrón 1 Indice Regla delta Modelo computacional
Más detallesScientia Et Technica ISSN: Universidad Tecnológica de Pereira Colombia
Scientia Et Technica ISSN: 0-70 scientia@utp.edu.co Universidad Tecnológica de Pereira Colombia GIRALDO BUITRAGO, DIDIER; OYOS, JOSÉ GABRIEL CONTROL ADAPTATIVO CON RED NEURONAL DE ELMAN Y MODOS DESLIZANTES
Más detallesAndrés López Ramírez. et al, Implementación, Simulación y Pruebas de la Línea de Vapor...
Andrés López Ramírez. et al, Implementación, Simulación y Pruebas de la Línea de Vapor... ampliar los márgenes de operación o reducir la incertidumbre en los cálculos de parámetros críticos. Para ello,
Más detallesAnálisis de Series Temporales Usando Redes Neuronales Recurrentes
Análisis de Series Temporales Usando Redes Neuronales Recurrentes J. C. González-Avella, J. M. Tudurí,, and G. Rul lan APSL (Dated: June 15, 2017) En éste artículo se introduce el uso de Redes Neuronales
Más detallesMétodos de modelado y clasificación de patrones. clasificación de patrones
FUNDAMENTOS DEL RECONOCIMIENTO AUTOMÁTICO DE LA VOZ Métodos de modelado y clasificación de patrones Agustín Álvarez Marquina Introducción. Modelado y clasificación de patrones Objetivos: Agrupar el conjunto
Más detallesIntroducción a los sistemas Multiclasificadores. Carlos J. Alonso González Departamento de Informática Universidad de Valladolid
Introducción a los sistemas Multiclasificadores Carlos J. Alonso González Departamento de Informática Universidad de Valladolid Contenido 1. Combinación de modelos 2. Descomposición bias-varianza 3. Bagging
Más detallesINFRAESTRUCTURA EN LA INVESTIGACIÓN. M en C J Raúl Ortiz Magaña
INFRAESTRUCTURA EN LA INVESTIGACIÓN NUCLEAR M en C J Raúl Ortiz Magaña México, D. F. 14 de mayo de 2010 ANTECEDENTES ANTECEDENTES 1943: Comisión Impulsora y Coordinadora de la Investigación Científica.
Más detallesDiseños para estimar la superficie de respuesta
Diseños para estimar la superficie de respuesta estrategia experimental y de análisis que permite resolver el problema de encontrar las condiciones de operación óptimas de un proceso optimización ventaja:
Más detallesClasificación de Datos de Olor de Café provenientes de una Nariz Electrónica Utilizando Redes Neuronales
Clasificación de Datos de Olor de Café provenientes de una Nariz Electrónica Utilizando Redes Neuronales Cruz Teresa Rosales Hernández 1 y Orion Fausto Reyes Galaviz 2 Universidad Autónoma de Tlaxcala-
Más detallesInteligencia Computacional
Inteligencia Computacional Práctica de redes neuronales Reconocimiento óptico de caracteres MNIST Curso 2017-2018 Máster en Ingeniería Informática Departamento de Ciencias de la Computación e Inteligencia
Más detallesREDES NEURONALES ADAPTABLES
REDES NEURONALES ADAPTABLES Unidad 3: Redes neuronales artificiales y modelos de entrenamiento SubTemas 3.2 Perceptron simple Arquitectura Regla delta Multi Layer Perceptrón 3.3 Redes Neuronales Adaptables
Más detallesPercepción del Público Mexicano sobre los Símbolos de Advertencia de Radiación Ionizante
mposio LAS/ANS 27 / 27 LAS/ANS Symposium XVIII Congreso Anual de la SNM / XVIII SNM Annual Meeting XXV Reunión Anual de la SMSR / XXV SMSR Annual Meeting Copatrocinado por la AMEE / Co-sponsored by AMEE
Más detallesPerceptrón multicapa. Diego Milone y Leonardo Rufiner Inteligencia Computacional Departamento de Informática FICH-UNL
Perceptrón multicapa Diego Milone y Leonardo Rufiner Inteligencia Computacional Departamento de Informática FICH-UNL Organización Un poco de historia... Cómo resolver el problema XOR? Métodos de gradiente
Más detallesConceptos básicos de modelado de procesos
Conceptos básicos de modelado de procesos Apellidos, nombre Departamento Centro Torregrosa López, Juan Ignacio (jitorreg@iqn.upv.es) Ingeniería Química y Nuclear Universitat Politècnica de València 1 Resumen
Más detallesBig data, clima y meteorología
Big data, clima y meteorología Leopoldo Carro Calvo Ricardo García Herrera Natalia Calvo Fernández David Barriopedro Cepero Carlos Ordóñez García Facultad de Ciencias Físicas Big Data Características del
Más detalles