Diseño de una red neuronal para la predicción del coeficiente de pérdidas primarias en régimen de flujo turbulento

La presente investigación está orientada al diseño de una red neuronal para la predicción del factor de fricción en régimen de flujo turbulento, siendo este indispensable para el cálculo de pérdidas primarias en conductos cerrados o tuberías. Se utiliza Neural Networks Toolbox de MATLAB® para diseña...

Full description

Saved in:
Bibliographic Details
Published in:INGENIUS 2018-07 (20), p.21
Main Authors: Jairo Dario Castillo Calderón, Byron Agustin Solórzano Castillo, José Andrés Moreno Moreno
Format: Article
Language:English
Subjects:
Neural networks
Ribonucleic acid
RNA
Online Access:Get full text
Tags: Add Tag
No Tags, Be the first to tag this record!
cited_by
cites
container_end_page
container_issue 20
container_start_page 21
container_title INGENIUS
container_volume
creator Jairo Dario Castillo Calderón
Byron Agustin Solórzano Castillo
José Andrés Moreno Moreno
description La presente investigación está orientada al diseño de una red neuronal para la predicción del factor de fricción en régimen de flujo turbulento, siendo este indispensable para el cálculo de pérdidas primarias en conductos cerrados o tuberías. Se utiliza Neural Networks Toolbox de MATLAB® para diseñar la red neuronal artificial (RNA), con retropropagación, cuya base de datos comprende 724 puntos obtenidos del diagrama de Moody. Las variables de entrada de la RNA son el número de Reynolds y la rugosidad relativa de la tubería; la variable de salida es el coeficiente de fricción. Utilizando el algoritmo de entrenamiento de Levenberg-Marquardt se entrena la RNA con distintas topologías, variando el número de capas ocultas y el número de neuronas ocultas en cada capa. Con una estructura 2-30-30-1 de la RNA se obtuvo el mejor resultado, exhibiendo un error cuadrático medio (ECM) de 1,75E-8 y un coeficiente de correlación de Pearson R de 0,99999 entre la salida de la red neuronal y la salida deseada. Además, mediante un análisis descriptivo de variable en el software SPSS®, se obtiene que el error relativo medio es de 0,162 %, indicando que el modelo diseñado es capaz de generalizar con alta precisión.
doi_str_mv 10.17163/ings.n20.2018.02
format article
fullrecord <record><control><sourceid>proquest</sourceid><recordid>TN_cdi_proquest_journals_2210008352</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><sourcerecordid>2210008352</sourcerecordid><originalsourceid>FETCH-proquest_journals_22100083523</originalsourceid><addsrcrecordid>eNqNjktqAzEQREVIICb2AbJryNqTluT5rfMhB8jCOyPP9Jg2sjSRRrmTlyFHmItFBh8gqyqK96CEeJRYyFpW-pndIRZOYaFQNgWqG7GQusV1U-H29tqrErf3YhUj73GzqXVbt-VCfL9ypPnHQ0-QnIFAPThKwTtjYTTBgDUw5pW7judflzkLnaeBOyY30cUb53PouTcxg3wygXMjB2E-H_hEFwUGm44ephT2yWbNL8XdYGyk1TUfxNP72-fLx3oM_itRnHZHn0L-EHdKSURsdKn0_6g_2LFYAg</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype><pqid>2210008352</pqid></control><display><type>article</type><title>Diseño de una red neuronal para la predicción del coeficiente de pérdidas primarias en régimen de flujo turbulento</title><source>Publicly Available Content (ProQuest)</source><creator>Jairo Dario Castillo Calderón ; Byron Agustin Solórzano Castillo ; José Andrés Moreno Moreno</creator><creatorcontrib>Jairo Dario Castillo Calderón ; Byron Agustin Solórzano Castillo ; José Andrés Moreno Moreno</creatorcontrib><description>La presente investigación está orientada al diseño de una red neuronal para la predicción del factor de fricción en régimen de flujo turbulento, siendo este indispensable para el cálculo de pérdidas primarias en conductos cerrados o tuberías. Se utiliza Neural Networks Toolbox de MATLAB® para diseñar la red neuronal artificial (RNA), con retropropagación, cuya base de datos comprende 724 puntos obtenidos del diagrama de Moody. Las variables de entrada de la RNA son el número de Reynolds y la rugosidad relativa de la tubería; la variable de salida es el coeficiente de fricción. Utilizando el algoritmo de entrenamiento de Levenberg-Marquardt se entrena la RNA con distintas topologías, variando el número de capas ocultas y el número de neuronas ocultas en cada capa. Con una estructura 2-30-30-1 de la RNA se obtuvo el mejor resultado, exhibiendo un error cuadrático medio (ECM) de 1,75E-8 y un coeficiente de correlación de Pearson R de 0,99999 entre la salida de la red neuronal y la salida deseada. Además, mediante un análisis descriptivo de variable en el software SPSS®, se obtiene que el error relativo medio es de 0,162 %, indicando que el modelo diseñado es capaz de generalizar con alta precisión.</description><identifier>ISSN: 1390-650X</identifier><identifier>EISSN: 1390-860X</identifier><identifier>DOI: 10.17163/ings.n20.2018.02</identifier><language>eng</language><publisher>Cuenca: Universidad Politécnica Salesiana del Ecuador</publisher><subject>Neural networks ; Ribonucleic acid ; RNA</subject><ispartof>INGENIUS, 2018-07 (20), p.21</ispartof><rights>2018. This work is licensed under http://creativecommons.org/licenses/by-nc-sa/4.0/ (the “License”). Notwithstanding the ProQuest Terms and Conditions, you may use this content in accordance with the terms of the License.</rights><lds50>peer_reviewed</lds50><oa>free_for_read</oa><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Tsyndetics_thumb_exl</thumbnail><linktohtml>$$Uhttps://www.proquest.com/docview/2210008352?pq-origsite=primo$$EHTML$$P50$$Gproquest$$Hfree_for_read</linktohtml><link.rule.ids>314,777,781,25734,27905,27906,36993,44571</link.rule.ids></links><search><creatorcontrib>Jairo Dario Castillo Calderón</creatorcontrib><creatorcontrib>Byron Agustin Solórzano Castillo</creatorcontrib><creatorcontrib>José Andrés Moreno Moreno</creatorcontrib><title>Diseño de una red neuronal para la predicción del coeficiente de pérdidas primarias en régimen de flujo turbulento</title><title>INGENIUS</title><description>La presente investigación está orientada al diseño de una red neuronal para la predicción del factor de fricción en régimen de flujo turbulento, siendo este indispensable para el cálculo de pérdidas primarias en conductos cerrados o tuberías. Se utiliza Neural Networks Toolbox de MATLAB® para diseñar la red neuronal artificial (RNA), con retropropagación, cuya base de datos comprende 724 puntos obtenidos del diagrama de Moody. Las variables de entrada de la RNA son el número de Reynolds y la rugosidad relativa de la tubería; la variable de salida es el coeficiente de fricción. Utilizando el algoritmo de entrenamiento de Levenberg-Marquardt se entrena la RNA con distintas topologías, variando el número de capas ocultas y el número de neuronas ocultas en cada capa. Con una estructura 2-30-30-1 de la RNA se obtuvo el mejor resultado, exhibiendo un error cuadrático medio (ECM) de 1,75E-8 y un coeficiente de correlación de Pearson R de 0,99999 entre la salida de la red neuronal y la salida deseada. Además, mediante un análisis descriptivo de variable en el software SPSS®, se obtiene que el error relativo medio es de 0,162 %, indicando que el modelo diseñado es capaz de generalizar con alta precisión.</description><subject>Neural networks</subject><subject>Ribonucleic acid</subject><subject>RNA</subject><issn>1390-650X</issn><issn>1390-860X</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2018</creationdate><recordtype>article</recordtype><sourceid>PIMPY</sourceid><recordid>eNqNjktqAzEQREVIICb2AbJryNqTluT5rfMhB8jCOyPP9Jg2sjSRRrmTlyFHmItFBh8gqyqK96CEeJRYyFpW-pndIRZOYaFQNgWqG7GQusV1U-H29tqrErf3YhUj73GzqXVbt-VCfL9ypPnHQ0-QnIFAPThKwTtjYTTBgDUw5pW7judflzkLnaeBOyY30cUb53PouTcxg3wygXMjB2E-H_hEFwUGm44ephT2yWbNL8XdYGyk1TUfxNP72-fLx3oM_itRnHZHn0L-EHdKSURsdKn0_6g_2LFYAg</recordid><startdate>20180701</startdate><enddate>20180701</enddate><creator>Jairo Dario Castillo Calderón</creator><creator>Byron Agustin Solórzano Castillo</creator><creator>José Andrés Moreno Moreno</creator><general>Universidad Politécnica Salesiana del Ecuador</general><scope>8FE</scope><scope>8FG</scope><scope>ABJCF</scope><scope>ABUWG</scope><scope>AFKRA</scope><scope>AZQEC</scope><scope>BENPR</scope><scope>BGLVJ</scope><scope>CCPQU</scope><scope>DWQXO</scope><scope>HCIFZ</scope><scope>L6V</scope><scope>M7S</scope><scope>PIMPY</scope><scope>PQEST</scope><scope>PQQKQ</scope><scope>PQUKI</scope><scope>PRINS</scope><scope>PTHSS</scope></search><sort><creationdate>20180701</creationdate><title>Diseño de una red neuronal para la predicción del coeficiente de pérdidas primarias en régimen de flujo turbulento</title><author>Jairo Dario Castillo Calderón ; Byron Agustin Solórzano Castillo ; José Andrés Moreno Moreno</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-proquest_journals_22100083523</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>eng</language><creationdate>2018</creationdate><topic>Neural networks</topic><topic>Ribonucleic acid</topic><topic>RNA</topic><toplevel>peer_reviewed</toplevel><toplevel>online_resources</toplevel><creatorcontrib>Jairo Dario Castillo Calderón</creatorcontrib><creatorcontrib>Byron Agustin Solórzano Castillo</creatorcontrib><creatorcontrib>José Andrés Moreno Moreno</creatorcontrib><collection>ProQuest SciTech Collection</collection><collection>ProQuest Technology Collection</collection><collection>Materials Science &amp; Engineering Collection</collection><collection>ProQuest Central (Alumni)</collection><collection>ProQuest Central</collection><collection>ProQuest Central Essentials</collection><collection>AUTh Library subscriptions: ProQuest Central</collection><collection>Technology Collection</collection><collection>ProQuest One Community College</collection><collection>ProQuest Central Korea</collection><collection>SciTech Premium Collection</collection><collection>ProQuest Engineering Collection</collection><collection>Engineering Database</collection><collection>Publicly Available Content (ProQuest)</collection><collection>ProQuest One Academic Eastern Edition (DO NOT USE)</collection><collection>ProQuest One Academic</collection><collection>ProQuest One Academic UKI Edition</collection><collection>ProQuest Central China</collection><collection>Engineering Collection</collection><jtitle>INGENIUS</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>Jairo Dario Castillo Calderón</au><au>Byron Agustin Solórzano Castillo</au><au>José Andrés Moreno Moreno</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>Diseño de una red neuronal para la predicción del coeficiente de pérdidas primarias en régimen de flujo turbulento</atitle><jtitle>INGENIUS</jtitle><date>2018-07-01</date><risdate>2018</risdate><issue>20</issue><spage>21</spage><pages>21-</pages><issn>1390-650X</issn><eissn>1390-860X</eissn><abstract>La presente investigación está orientada al diseño de una red neuronal para la predicción del factor de fricción en régimen de flujo turbulento, siendo este indispensable para el cálculo de pérdidas primarias en conductos cerrados o tuberías. Se utiliza Neural Networks Toolbox de MATLAB® para diseñar la red neuronal artificial (RNA), con retropropagación, cuya base de datos comprende 724 puntos obtenidos del diagrama de Moody. Las variables de entrada de la RNA son el número de Reynolds y la rugosidad relativa de la tubería; la variable de salida es el coeficiente de fricción. Utilizando el algoritmo de entrenamiento de Levenberg-Marquardt se entrena la RNA con distintas topologías, variando el número de capas ocultas y el número de neuronas ocultas en cada capa. Con una estructura 2-30-30-1 de la RNA se obtuvo el mejor resultado, exhibiendo un error cuadrático medio (ECM) de 1,75E-8 y un coeficiente de correlación de Pearson R de 0,99999 entre la salida de la red neuronal y la salida deseada. Además, mediante un análisis descriptivo de variable en el software SPSS®, se obtiene que el error relativo medio es de 0,162 %, indicando que el modelo diseñado es capaz de generalizar con alta precisión.</abstract><cop>Cuenca</cop><pub>Universidad Politécnica Salesiana del Ecuador</pub><doi>10.17163/ings.n20.2018.02</doi><oa>free_for_read</oa></addata></record>
fulltext fulltext
identifier ISSN: 1390-650X
ispartof INGENIUS, 2018-07 (20), p.21
issn 1390-650X
1390-860X
language eng
recordid cdi_proquest_journals_2210008352
source Publicly Available Content (ProQuest)
subjects Neural networks
Ribonucleic acid
RNA
title Diseño de una red neuronal para la predicción del coeficiente de pérdidas primarias en régimen de flujo turbulento
url http://sfxeu10.hosted.exlibrisgroup.com/loughborough?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-01-20T02%3A36%3A37IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-proquest&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=Dise%C3%B1o%20de%20una%20red%20neuronal%20para%20la%20predicci%C3%B3n%20del%20coeficiente%20de%20p%C3%A9rdidas%20primarias%20en%20r%C3%A9gimen%20de%20flujo%20turbulento&rft.jtitle=INGENIUS&rft.au=Jairo%20Dario%20Castillo%20Calder%C3%B3n&rft.date=2018-07-01&rft.issue=20&rft.spage=21&rft.pages=21-&rft.issn=1390-650X&rft.eissn=1390-860X&rft_id=info:doi/10.17163/ings.n20.2018.02&rft_dat=%3Cproquest%3E2210008352%3C/proquest%3E%3Cgrp_id%3Ecdi_FETCH-proquest_journals_22100083523%3C/grp_id%3E%3Coa%3E%3C/oa%3E%3Curl%3E%3C/url%3E&rft_id=info:oai/&rft_pqid=2210008352&rft_id=info:pmid/&rfr_iscdi=true