<p>En la presente memoria de título se presenta la propuesta de un modelo neuronal evolutivo que permita realizar una temprana estimación de costos para la manufacturación de tuberías. Para ello, se presenta un estudio acabado de las Redes Neuronales Artificiales y el algoritmo evolutivo Optimización por Enjambre de Partículas, las cuales han demostrado ser herramientas altamente confiables en los diferentes campos en los que fueron ocupados. Particularmente se hace énfasis en la arquitectura de una Red Neuronal B-Spline, la cual es una herramienta que permite interpolar con polinomios locales de bajo orden evitando así el fenómeno Runge. Una Red B-Spline usualmente es entrenada con métodos basados en el gradiente descendente, el cual puede llevar a caer en mínimos locales durante la fase de aprendizaje. De acuerdo a lo anterior, se proponen algoritmos estocásticos evolutivos: PSO, QPSO, PSO con Velocidad Mínima y PSO con Velocidad Mínima Modificado, los cuales se encargaron de calibrar los parámetros de la Red Neuronal B-Spline. Los resultados numéricos presentados indican que el estimador propuesto tiene un buen comportamiento y además se logró obtener 4 modelos en total con un mape entre un 10 y 14%</p>
<p>This dissertation presents the proposal of an evolutionary neuronal model, enabling the early cost estimates for the manufacture of pipes. Here we present a complete study of Artificial Neuronal Networks and evolutionary algorithm Particle Swarm Optimization which have proven to be highly reliable tools in different fields that were occupied. It particularly emphasizes the architecture of a B-Spline Neuronal Network, which is a tool that allows interpolating to lower-order local polynomials avoiding the Runge phenomenon. A B-spline network is usually trained with methods based on gradient descent, which can lead to falling into local minima during the learning phase. For this, next stochastic evolutionary algorithms are proposed: PSO, QPSO, PSO with Minimum Speed and PSO with Modified Minimum Speed which were responsible for calibrating the parameters of the B-Spline Neuronal Network. The numerical results presented indicate that the proposed estimator has a good behavior and also managed to get 4 models in total, resulting in a mape range between 10 and 14%</p>
last modification
Licenciado en Ciencias de la Ingeniería
Ingeniero Civil en Informáticatítulo
INGENIERIA CIVIL INFORMATICA
<p>En la presente memoria de título se presenta la propuesta de un modelo neuronal evolutivo que permita realizar una temprana estimación de costos para la manufacturación de tuberías. Para ello, se presenta un estudio acabado de las Redes Neuronales Artificiales y el algoritmo evolutivo Optimización por Enjambre de Partículas, las cuales han demostrado ser herramientas altamente confiables en los diferentes campos en los que fueron ocupados. Particularmente se hace énfasis en la arquitectura de una Red Neuronal B-Spline, la cual es una herramienta que permite interpolar con polinomios locales de bajo orden evitando así el fenómeno Runge. Una Red B-Spline usualmente es entrenada con métodos basados en el gradiente descendente, el cual puede llevar a caer en mínimos locales durante la fase de aprendizaje. De acuerdo a lo anterior, se proponen algoritmos estocásticos evolutivos: PSO, QPSO, PSO con Velocidad Mínima y PSO con Velocidad Mínima Modificado, los cuales se encargaron de calibrar los parámetros de la Red Neuronal B-Spline. Los resultados numéricos presentados indican que el estimador propuesto tiene un buen comportamiento y además se logró obtener 4 modelos en total con un mape entre un 10 y 14%</p>
<p>This dissertation presents the proposal of an evolutionary neuronal model, enabling the early cost estimates for the manufacture of pipes. Here we present a complete study of Artificial Neuronal Networks and evolutionary algorithm Particle Swarm Optimization which have proven to be highly reliable tools in different fields that were occupied. It particularly emphasizes the architecture of a B-Spline Neuronal Network, which is a tool that allows interpolating to lower-order local polynomials avoiding the Runge phenomenon. A B-spline network is usually trained with methods based on gradient descent, which can lead to falling into local minima during the learning phase. For this, next stochastic evolutionary algorithms are proposed: PSO, QPSO, PSO with Minimum Speed and PSO with Modified Minimum Speed which were responsible for calibrating the parameters of the B-Spline Neuronal Network. The numerical results presented indicate that the proposed estimator has a good behavior and also managed to get 4 models in total, resulting in a mape range between 10 and 14%</p>
