Redes neuronales para el diseño de granjas de convertidores de energía del oleaje - EADIC

Redes neuronales para el diseño de granjas de convertidores de energía del oleaje

Redes neuronales

 

Un trabajo reciente ha desarrollado un modelo de Redes neuronales para optimizar el diseño de granjas de convertidores de energía del oleaje.

El modelo se aplicó a un caso de estudio en el litoral mediterráneo andaluz (sur de España): Playa Granada, un tramo de costa que ha sufrido severos y recurrentes problemas de erosión durante los últimos veinte años. Para ello, se consideraron cuarenta arquitecturas diferentes de las redes neuronales, incluyendo arquitecturas de una y dos capas ocultas, y se utilizaron dos algoritmos de entrenamiento.

Redes neuronales
(a) Localización de la zona de estudio en el sur de España. (b) Vista en planta de la zona de estudio, indicando el tramo con mayores problemas de erosión (Playa Granada). (c) Contornos de las mallas computacionales utilizadas por el modelo de propagación de oleaje. Fuente: Rodríguez-Delgado et al. (2019).

Errores bajos

 

Las arquitecturas con una capa oculta (con entre 10 y 20 neuronas en la capa oculta) produjeron los errores más bajos en el conjunto de datos de prueba. Las arquitecturas con menos capas ocultas no pudieron captar adecuadamente la información del conjunto de datos y, por lo tanto, produjeron mayores errores de entrenamiento y prueba. Las redes neuronales con una mayor cantidad de neuronas mejoraron los errores de entrenamiento, aunque a expensas del error de prueba, lo que implica que no pueden generalizar adecuadamente las entradas no incluidas en el conjunto de datos de entrenamiento.

Arquitectura de capas ocultas

 

Las arquitecturas de dos capas ocultas redujeron los errores de entrenamiento, pero no produjeron errores de prueba menores que los modelos de una capa oculta. Con respecto a los algoritmos de entrenamiento, las redes neuronales entrenadas con el algoritmo de regresión bayesiano exhibieron cierta superioridad sobre las entrenadas con el algoritmo de Levenberg-Marquadt. Los mejores resultados se lograron con la arquitectura [5-10-1] entrenada con el algoritmo de regresión bayesiano. Los valores del RMSE obtenidos fueron de 3.23 m2 y 4.22 m2 para los conjuntos de datos de prueba y entrenamiento, respectivamente. La validación de la red neuronal fue confirmada por el coeficiente de correlación para los conjuntos de datos de entrenamiento y prueba (0.9713 y 0.9489, respectivamente).

Redes neuronales

Potencial de las Redes neuronales

 

Para ilustrar el potencial de esta metodología, se utilizó el modelo de redes neuronales, una vez validado, para determinar la ubicación y el diseño óptimos, en términos de protección costera, de una granja de convertidores de energía del oleaje en la zona de estudio. El diseño óptimo obtenido fue una granja situada en la parte central del tramo de costa, con dos filas de convertidores y una distancia entre convertidores de 180 m. La metodología presentada es útil para ayudar a ingenieros y gestores a optimizar la posición y el diseño de granjas de convertidores de energía del oleaje.

Si bien, conviene resaltar que se requieren trabajos adicionales para el desarrollo de granjas de convertidores de energía del oleaje como elementos de protección costera. En primer lugar, se necesita generalizar los resultados obtenidos en este trabajo a otras playas con una composición de sedimentos diferente. También con una selección más amplia de estados del mar a largo plazo. Además, en el modelo de redes neuronales se podrían incluir más variables de diseño. Tales como, la geometría de los convertidores de energía del oleaje, entre muchos otros.

En el Máster en Diseño, Construcción y Explotación de Puertos, Costas y Obras Marítimas Especiales se estudian conceptos, métodos y modelos para cuantificar la energía del oleaje y para diseñar estrategias de gestión que ayuden a mitigar los problemas de erosión en zonas costeras, entre otras muchas aplicaciones.

Referencias

  • Rodriguez-Delgado, C., Bergillos, R.J., & Iglesias, G. (2019). An artificial neural network model of coastal erosion mitigation through wave farms. Environmental Modelling & Software, 119, 390-399.

Autor: Rafael Bergillos Meca. Docente del Máster en Diseño, Construcción y Explotación de Puertos, Costas y Obras Marítimas Especiales

Compartir

Contenido seleccionado para ti

Suscríbete a nuestro boletín

Recibe directamente en tu correo las últimas noticias y actualizaciones de eadic.

Scroll al inicio
Mediante el envío de mis datos confirmo que he leído y acepto las condiciones generales y política de privacidad