Uso de informação auxiliar em redes neurais e formação de comitês na identificação de sistemas dinâmicos

Exportado OPUSMade available in DSpace on 2019-08-09T15:33:53Z (GMT). No. of bitstreams: 1 dissertacao___leandro_freitas_de_abreu___uso_de_informa__o_auxiliar_em_redes__neurais_e_forma__o_de_comit_s_na_identifica__1.pdf: 13953324 bytes, checksum: 537769c22c6258482a7783a058620023 (MD5) Previous issue date: 1Este trabalho dedica-se ao estudo de duas estratégias de identificação de sistemas dinâmicos não lineares utilizadas, principalmente, nos casos em que os dados disponíveis não são suficientemente representativos. É apresentado um procedimento de uso de informação auxiliar no treinamento de redes neurais e um estudo sobre a formação de comitês na identificação de sistemas dinâmicos. Ambas as abordagens são contextualizadas no cenário de identificação de sistemas e aplicadas em sistemas experimentais. A primeira abordagem, sobre identificação caixa cinza, utiliza a curva estática do sistema como informação auxiliar, que é adicionada na fase de ajuste dos parâmetros (treinamento) da rede neural. O treinamento é feito por meio de otimização multiobjetivo, que minimiza o erro de simulação livre sobre dados dinâmicos e o erro sobre a curva estática. O procedimento é aplicado em dois processos experimentais: um sistema piloto de bombeamento de água e um processo industrial de extração de petróleo em poço não surgente em alto mar. A abordagem caixa cinza proposta foi comparada à identificação caixa preta, especialmente em regiões de operação não presentes nos dados de identificação. Os resultados experimentais mostram que a abordagem caixa cinza sempre apresenta melhor desempenho em, pelo menos, um dos critérios: erro em relação à curva estática ou erro nos dados dinâmicos de validação, cuja faixa de operação é mais abrangente. É mostrado que a melhoria prometida pela metodologia proposta está fortemente relacionada com o desempenho estático do modelo obtido pela abordagem caixa preta. A segunda abordagem, sobre a formação de comitês de modelos dinâmicos, é apresentada com foco no conceito de diversidade. É feito um estudo sobre as formas de medir diversidade, com foco nas técnicas que não fazem restrições quanto à classe ou estrutura de modelos, i.e. que utilizam apenas dados de entrada e saída. Por meio de simulações, é mostrado que esse tipo de métrica de diversidade sofre forte influência dos dados utilizados nas medições. Assim, baseado no conceito, é proposto um procedimento de medição de diversidade, que especifica, inclusive, as características dos dados dinâmicos usados na medição. É proposto ainda um combinador de modelos, do tipo média ponderada, baseado nessa medição de diversidade. Resultados experimentais, no sistema de extração de petróleo em águas profundas, mostram que o procedimento pode reduzir o valor e a variância do erro de estimação, em comparação com o combinador do tipo média simples, especialmente nos casos em que a diversidade dos modelos não é garantida.This work is dedicated to study two strategies for identification of nonlinear dynamical systems, specially, when available data are not representative. A procedure to incorporate auxiliary information during the training of a neural network and a study about combining dynamic models are presented. The background of both approaches and experimental applications are shown. The first approach (gray-box identification) uses static curve as auxiliary information, which is added in the neural network parameters adjustment stage (training). A multi-objective approach is adopted to minimize both free-simulation error on dynamic data and static curve error. The proposed technique was applied to two experimental processes: a pilot hydraulic pumping system and an industrial gas-lift offshore oil well. The proposed gray-box identification technique was compared to black-box approaches, particularly, in operating regimes that were not available in the dynamical identification data sets. Results shows that the gray-box procedure yields models with better performance than the ones obtained by the black-box approach in, at least, one of the objectives: static function error or dynamic test data prediction error, where the dynamic data cover a broader operating range. It is shown that the implementation of this gray-box approach is justifiable when the black-box procedure does not achieve a model with good static performance. The second approach, on combining dynamic models, is presented with focus on diversity concept. Techniques to measure diversity are described, specially those without restrictions about model class or structure, i.e. which uses only input and output data sets. Simulated problems shows strong influence of data set on this kind of diversity metrics. Based on the concept, a procedure to measure diversity is proposed, which specifies appropriate data properties for the measurement. Using this measure, a weighted average model combiner is proposed and applied on an industrial gas-lift offshore oil well. Results shows that combiner can reduce the value and variance of estimation error, in comparison with simple averaging, specially when models diversity are not assured