dc.contributor.advisor | Escaño González, Juan Manuel | es |
dc.creator | Chicaiza Salazar, William David | es |
dc.date.accessioned | 2021-05-20T17:05:26Z | |
dc.date.available | 2021-05-20T17:05:26Z | |
dc.date.issued | 2021 | |
dc.identifier.citation | Chicaiza Salazar, W.D. (2021). Modelado neuro–borroso de un sistema captador solar lineal tipo Fresnel como gemelo digital. (Trabajo Fin de Máster Inédito). Universidad de Sevilla, Sevilla. | |
dc.identifier.uri | https://hdl.handle.net/11441/109136 | |
dc.description.abstract | En este trabajo se presenta un modelado basado en un sistema de inferencia neuro-borroso adaptativo (en inglés: Adaptative Neuro-Fuzzy Inference System, ANFIS) del sistema captador solar linealde Fresnel que se encuentra en la Escuela Técnica Superior de Ingenieríade la Universidad de Sevilla, dicho sistema forma parte de una planta de refrigeración por absorción, proporcionando la fuente de calor para la misma. Su funcionamiento se basa en reflejar la radiación solar incidente en filas de espejos móviles, concentrándola en un tubo receptor de vacío por donde circula el fluido caloportador. Sobre el tubo receptor se sitúa un espejo reflector secundario, encargado de reflejar la radicación solar que no incide directamente sobre el tubo, optimizando así la eficiencia óptica del sistema. La energía recogida por el tubo receptor se transfiere entonces a un fluido caloportador (agua a presión), el cual es utilizado para accionar la máquina de absorción que transforma la energía térmica en frio, aplicación para la cual ha sido destinada en la ETSI en épocas de calor. También se puede cambiar su funcionamiento para la producción de calor en el invierno. El ANFISes implementado en el marco de redes adaptativas, el enfoque neuro-borroso integra las ventajas de las redes neuronales (Neural Networks, NN) y lógica borrosa(Fuzzy Logic, FL) para diseñar una arquitectura. Se hace uso de la FL para representar el conocimiento de manera interpretable y la capacidad de aprendizaje de una NN, para optimizar sus parámetros. Un ANFIS puede construir un mapeo de entrada-salida basado tanto en el conocimiento humano (en forma de reglas) como en pares de datos de entrada-salida dados, mostrando resultados significativos en el modelado de funciones no lineales. En este trabajo se utiliza ANFIS para modelar el sistema captador lineal Fresnelantes citado. El objetivo es obtener un modelo neuro-borroso que describa el comportamiento de la temperatura de salida del sistema de captación solar Fresnel, teniendo en cuenta las variables que infieren en dicho proceso (irradiancia solar, caudal, temperatura ambiente, temperatura del fluido que ingresa en el sistema de captación y la hora del día, que determinará la posición del Sol); para lo cual se ha usado datos de entrenamiento y comprobación, que no son necesariamente los mismos, de hecho para que elANFIS obtenga un modelo aceptable, debe trabajar preferentemente con distintos datos, tanto para el entrenamiento como para la comprobación, con el fin de captar de mejor manera la dinámica del sistema. El modelo desarrollado se ha comparado con datos reales de la planta, asícomo con los datos obtenidos por el modelo de parámetros distribuidos realizado por un trabajo previo por otro estudiante; esto con elfin de ver la eficacia del modelo obtenido.Se presenta también un estado del arte de losDigital Twins [9]conocidos como gemelos digitales(Digital Twins, DT), que muestra el concepto y evolución desde su aparición. Se puede decir que los DT tiene como principal característica la perfecta integración del espacio virtual físico y su base fundamental de desarrollo es el modelado y simulación. Los investigadores que se desempeñan en el desarrollo proponen varias arquitecturas de modelado DT: la primera arquitectura general estándar que aparece se modela en tres dimisiones: la entidad física, el modelo virtual y la conexión que se caracteriza porla interacción físicovirtual (un enlace para el flujo de datos desde el espacio real al espacio virtual). Seguidamente existe una arquitectura de cinco dimensiones, que es una extensión de la arquitectura de tres dimensiones, pero se añade una dimensión de datos y servicios; esta nueva arquitectura fusiona datos de los aspectos físicos y virtuales para una captura de información más completa y precisa que se logra usando los datos del DT. Así mismo existe una arquitectura de ocho dimisiones que describe el comportamiento y el contexto de los DT, cuatro dimensiones centradas en el contexto y el entorno, cuatro dimensiones centradas en comportamiento y la riqueza de las capacidades de los DT. En su mayoría los Digital Twin tienen en común tres partes principales: producto físico, producto virtual y datos conectados que vinculan y conectan indisolublemente el producto físico y virtual, es así como cualquier información que pueda obtenerse al inspeccionar un producto fabricado físicamente puede obtenerse de su DT.Como se ha mencionado anteriormente una de las componentes principales del DT es el modelo del equipo virtual, siendo este un modelo digital de alta fidelidadde la entidad física, que representa el modelado de la geometría, modelado de las propiedades físicas, modelado del comportamiento y el modelado de reglas en el mundo virtual; se hace hincapiéal modelado de reglas ya que posee las reglas de restricciones, asociaciones entre parámetros y las deducciones (predicciones) del comportamiento de la entidad física, es decir las reglas funcionan como el cerebro para hacer que el equipo virtual juzgue, evalúe, optimice y/o prediga.Es por ello que una de las mejores formasde modelar este tipo de conocimiento, por lo anteriormente dicho, sería utilizando un ANFIS ya que, además de poseer la capacidad de aprendizaje, su estructura está formada por reglas que forman su base de conocimiento. | es |
dc.description.abstract | In this work, we present a modeling based on an adaptive neuro-fuzzy inference system (ANFIS) of the
Fresnel solar line collector system located at the School of Engineering of the University of Seville. This
system is part of a cooling plant by absorption, providing the heat source for it. Its operation is based on
reflecting the incident solar radiation in rows of mobile mirrors, concentrating it in a vacuum receiver tube
where the heat transfer fluid circulates. A secondary reflecting mirror is placed on the receiving tube, which
reflects the solar radiation that does not directly affect the tube, thus optimizing the optical efficiency of the
system. The energy collected by the receiver tube is then transferred to a heat-bearing fluid (pressurized
water), which is used to drive the absorption machine that transforms thermal energy into cold, an application
for which it has been designed at ETSI in hot periods. Its operation can also be changed to produce heat in the
winter.
ANFIS is implemented in the framework of adaptive networks, the neuro-fuzzy approach integrates the
advantages of neural networks (Neural Networks, NN) and fuzzy logic (Fuzzy Logic, FL) to design an
architecture. FL is used to represent knowledge in an interpretable way and the learning capacity of a NN, to
optimize its parameters. An ANFIS can build an input-output mapping based on both human knowledge (in
the form of rules) and given input-output data pairs, showing significant results in the modeling of non-linear
functions. In this work, ANFIS is used to model the linear Fresnel sensor system mentioned above. The
objective is to obtain a neuro-diffuse model that describes the behavior of the output temperature of the Fresnel
solar collector system, taking into account the variables that are inferred in this process (solar irradiance, flow
rate, ambient temperature, temperature of the fluid entering the collector system and the time of day, which
will determine the position of the Sun); For which training and testing data have been used, which are not
necessarily the same, in fact for ANFIS to obtain an acceptable model, it must preferably work with different
data, both for training and for testing, in order to better capture the dynamics of the system. The model
developed has been compared with real data from the plant, as well as with the data obtained by the distributed
parameters model made by a previous work by another student; this in order to see the effectiveness of the
model obtained.
It also presents a state of the art of Digital Twins (DT) [9], which shows the concept and evolution since its
inception. It can be said that the main feature of DTs is the perfect integration of virtual physical space and
its fundamental basis of development is the modeling and simulation. The researchers involved in the
development propose several DT modeling architectures: the first general standard architecture that appears is
modeled in three dimensions: the physical entity, the virtual model and the connection that is characterized by
the physical-virtual interaction (a link for the data flow from the real space to the virtual space). Then there is a
five-dimensional architecture, which is an extension of the three-dimensional architecture, but a data and
services dimension is added; this new architecture merges data from the physical virtual aspects for a more
complete and accurate information capture that is achieved using the data from the DT. There is also an eight dimensional architecture that describes the behavior and context of the DTs, four dimensions focused on
context and environment, four dimensions focused on behavior and the richness of the DTs' capabilities. Most
of the Digital Twins have three main parts in common: physical product, virtual product and connected data
that link and connect indissolubly the physical and virtual product. This is how any information that can be
obtained when inspecting a physically manufactured product can be obtained from its DT.
As mentioned above, one of the main components of the DT is the virtual team model, which is a high-fidelity
digital model of the physical entity, representing the modeling of geometry, modeling of physical properties,
modeling of behavior and modeling of rules in the virtual world; the modeling of rules is made incapable
since it possesses the rules of constraints, associations between parameters and the deductions (predictions) of
the behavior of the physical entity, that is to say, the rules function as the brain to make the virtual team judge,
evaluate, optimize and/or predict. xv
That is why one of the best ways to model this type of knowledge, for the above, would be using an ANFIS
because, in addition to possessing the ability to learn, its structure is formed by rules that form its knowledge
base. | es |
dc.format | application/pdf | es |
dc.format.extent | 89 p. | es |
dc.language.iso | spa | es |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Internacional | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.title | Modelado neuro–borroso de un sistema captador solar lineal tipo Fresnel como gemelo digital | es |
dc.type | info:eu-repo/semantics/masterThesis | es |
dc.type.version | info:eu-repo/semantics/publishedVersion | es |
dc.rights.accessRights | info:eu-repo/semantics/openAccess | es |
dc.contributor.affiliation | Universidad de Sevilla. Departamento de Ingeniería de Sistemas y Automática | es |
dc.description.degree | Universidad de Sevilla. Máster en Ingeniería Electrónica, Robótica y Automática | es |