Análisis de Robustez de un Sensor de Temperatura Virtual Rápido Utilizando la Sensibilidad de un Modelo de Red...

Área de la Ciencia:

• Ingeniería
• Inteligencia Artificial
• Ciencias Computacionales

Sus antecedentes:

• La detección virtual es un área de investigación en crecimiento.
• Las redes neuronales recurrentes son efectivas para la predicción de series temporales.
• Los modelos de Exógenos Autorregresivos No Lineales (NARX) son un tipo de red neuronal recurrente.

Objetivo del estudio:

• Investigar la sensibilidad de los modelos NARX con complejidad variable para la simulación del flujo de calor.
• Determinar si los valores de la función de pérdida por sí solos indican la sensibilidad del modelo.
• Identificar debilidades potenciales en los modelos NARX subentrenados.

Principales métodos:

• Se utilizaron modelos NARX como redes neuronales sustitutas para la simulación del flujo de calor.
• Se analizó la sensibilidad de los modelos NARX en diferentes niveles de complejidad.
• Se examinó el impacto de las épocas de entrenamiento en la sensibilidad y los artefactos del modelo.

Principales resultados:

• El valor de la función de pérdida por sí solo no es suficiente para indicar la sensibilidad del modelo NARX.
• Los modelos NARX subentrenados exhiben artefactos en su sensibilidad, revelando debilidades del modelo.
• La sensibilidad del modelo generalmente aumenta con más épocas de entrenamiento, mientras que su patrón se mantiene constante.

Conclusiones:

• La sensibilidad del modelo es un factor crucial en las aplicaciones de detección virtual.
• Es necesario considerar cuidadosamente el grado de entrenamiento para evitar artefactos en los modelos NARX.
• Los modelos NARX se pueden utilizar de manera efectiva para la simulación del flujo de calor con un entrenamiento adecuado.