Aplicación de la directa e inversa de la red neuronal artificial para colectores solares de canal parabólico de bajo costo

Resumen La presente tesis de investigación se divide en tres etapas, todas enfocadas hacia un mismo objetivo, eficientar un sistema colector solar de canal parabólico para incrementar el nivel térmico del agua para uso residencial. Para lograrlo, se emplearon diversas estrategias, tanto a nivel experimental como a nivel de optimización apoyado con herramientas de computación como modelado empírico. La primera etapa (presentada en el capítulo 4), se enfoca a describir cómo se puede modelar, mediante redes neuronales artificiales, un sistema renovable, y como aumentar la precisión del modelo a través de un algoritmo de entrenamiento (Regularización Bayesiana). En la segunda etapa (capítulo 5), se optimiza el sistema con ayuda de la directa e inversa de la red neuronal artificial y algoritmos genéticos, lo cual puede incrementar la temperatura del agua con un mínimo de requerimientos. Por último, se analizan las funciones de transferencia/activación como una herramienta más que permite aumentar la precisión del modelo empírico obtenido por las redes neuronales artificiales. Cabe resaltar que, para todos los modelos desarrollados, se tuvo que confeccionar una base de datos robusta y que fueron sometidos a varias pruebas estadísticas con el fin de verificar la fiabilidad y adecuación de los datos simulados con sus contrapartes experimentales lo que conlleva a reducir la incertidumbre de los modelos dados por buenos.

Abstract This research thesis is divided into three stages, all focused towards same objective, to make a parabolic trough solar collector system efficient to increase the thermal level of water for residential use. To achieve this, various strategies were used, both at the experimental level and at the optimization level supported by computer tools such as empirical modeling. The first stage (presented in Chapter 4), focuses on describing how a renewable system can be modeled using artificial neural networks, and how to increase the precision of the model through a training algorithm (Bayesian Regularization). In the second stage (Chapter 5), the system is optimized with the help of the direct and inverse of the artificial neural network and genetic algorithms, which can increase the water temperature with a minimum of requirements. Finally, the transfer / activation functions are analyzed as one more tool that allows increasing the precision of the empirical model obtained by artificial neural networks. It should be noted that, for all the models developed, a robust database had to be prepared and they were subjected to various statistical tests in order to verify the reliability and adequacy of the simulated data with its experimental counterparts, which leads to reducing the uncertainty of the models considered good.