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

Main Article Content

Jairo Dario Castillo Calderón http://orcid.org/0000-0002-5321-4518
Byron Agustin Solórzano Castillo http://orcid.org/0000-0002-0071-2249
José Andrés Moreno Moreno http://orcid.org/0000-0002-0205-2635

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 712 | PDF (Español (España)) Downloads 562 PDF Downloads 223 HTML (Español (España)) Downloads 110 HTML Downloads 145

References

[1] J. R. Calderón Córdova and C. X. Pozo Calva, “Diseño y construcción de un banco de pruebas para pérdidas de carga en tuberías y accesorios con simulación,” Tesis de Grado. Universidad Politécnica Salesiana. Ecuador, 2011. [Online]. Available: https://goo.gl/MiF65x
[2] R. L. Mott, Mecánica de Fluidos, 2006, ch. Ecuación general de la energía; número de Reynolds, flujo laminar, flujo turbulento y pérdidas de energía debido a la fricción, pp. 197–243. [Online]. Available: https://goo.gl/SkTHPd
[3] C. Mataiz, Mecánica de fluidos y máquinas hidráulicas, 1986, ch. Resistencia de superficie: pérdidas primarias en conductos cerrados o tuberías, pp. 203–226. [Online]. Available: https://goo.gl/mW1mkL
[4] Y. A. Cengel and J. M. Cimbala, Mecánica de fluidos: fundamentos y aplicaciones, 2006, ch. Flujo en tuberías, pp. 223–342. [Online]. Available: https://goo.gl/DMttmi
[5] P. Ponce Cruz, Inteligencia Artificial con Aplicaciones a la Ingeniería, 2011, ch. Inteligencia Artificial, pp. 1–32. [Online]. Available: https://goo.gl/XED1Vo
[6] F. M. White, Mecánica de Fluidos, 5th ed., 2003, ch. Flujo viscoso en conductos, pp. 335–435. [Online]. Available: https://goo.gl/vULEcg
[7] A. Campos Ortiz, “Proceso de distribución aplicando redes neuronales artificiales con supervisión,” Master’s thesis, Universidad Autónoma de Nuevo León, México, 1998. [Online]. Available: https://goo.gl/io73HZ
[8] J. R. Coutiño Ozuna, “Aplicación de redes neuronales en la discriminación entre fallas y oscilaciones de potencia,” Master’s thesis, Universidad Autónoma de Nuevo León, 2002. [Online]. Available: https://goo.gl/yKvEFs
[9] N. Peláez Chávez, “Aprendizaje no supervisado y el algoritmo wake-sleep en redes neuronales,” Tesis de grado. Universidad Tecnológica de la Mixteca, 2012. [Online]. Available: https://goo.gl/oeygXA
[10] U. Offor and S. Alabi, “Artificial neural network model for friction factor prediction,” Journal of Mechanical Science an Chemical Engineering, vol. 4, pp. 77–83, 2016. doi: http://dx.doi.org/10.4236/msce.2016.47011.
[11] M. R. G. Meireles, P. E. M. Almeida, and M. G. Simoes, “A comprehensive review for industrial applicability of artificial neural networks,” IEEE Transactions on Industrial Electronics, vol. 50, no. 3, pp. 585–601, June 2003. doi: https://doi.org/10.1109/TIE.2003.812470.
[12] D. Brkic and ˆCojbašic, “Intelligent flow friction estimation,” Computational Intelligence and Neuroscience, vol. 2016, 2016. doi: https://doi.org/ 10.1155/2016/5242596.
[13] J. Hilera and V. Martínez, Redes neuronales artificiales: fundamentos, modelos y aplicaciones, 1994, ch. Redes neuronales con conexiones hacia adelante, pp. 101–180. [Online]. Available: https://goo.gl/rovX8y
[14] T. Manning, R. D. Sleator, and P. Walsh, “Biologically inspired intelligent decision making,” Bioengineered, vol. 5, no. 2, pp. 80–95, 2014. doi: https://doi.org/10.4161/bioe.26997,
[15] R. Yousefian and S. Kamalasadan, “A review of neural network based machine learning approaches for rotor angle stability control,” CoRR, vol. abs/1701.01214, 2017. [Online]. Available: https://goo.gl/4RYRWs
[16] O. E. Turgut, M. Asker, and M. T. Çoban, “A review of non iterative friction factor correlations for the calculation of pressure drop in pipes,” Bitlis Eren University Journal of Science and Technology, vol. 4, no. 1, pp. 1–8, 2014. doi: http://dx.doi.org/10.17678/beujst.90203.