Aprendizaje por refuerzo en el control de plantas de depuración de aguas residuales: Comparación con el enfoque clásico

Gorrotxategi Zipitria, Mikel. (2019). Aprendizaje por refuerzo en el control de plantas de depuración de aguas residuales: Comparación con el enfoque clásico Master Thesis, Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial

Ficheros (Some files may be inaccessible until you login with your old.e-spacio credentials)
Nombre Descripción Tipo MIME Size
Gorrotxategi_Zipitiria_Mikel_TFM.pdf Gorrotxategi_Zipitiria_Mikel_TFM.pdf application/pdf 12.49MB

Título Aprendizaje por refuerzo en el control de plantas de depuración de aguas residuales: Comparación con el enfoque clásico
Autor(es) Gorrotxategi Zipitria, Mikel
Resumen En las Estaciones Depuradoras de Aguas Residuales (EDAR) tienen lugar complejos procesos físicos, químicos y biológicos. Éste hecho junto con las variaciones que se dan en el influente y en el medio hacen que los controles tradicionales en la industria, como por ejemplo los PIDs, ofrezcan resultados limitados. En el intento de mejorar estos controles, tanto desde el punto de vista de la calidad del efluente como del consumo energético, se ha empleado la Inteligencia Artificial (IA) en dichos controles de formas muy diferentes. En este documento se comparan los resultados del uso de PIDs, el control clásico, y de un agente de Aprendizaje por Refuerzo (Reinforcement Learning, RL) sin modelo inicial del medio en una EDAR del tipo BSM1 (Benchmark Simulation Model No.1), un modelo ampliamente utilizado en la industria y que es el estándar en la simulación de las EDARs. Tanto los PIDs como el agente de RL controlan la misma variable, el nivel de oxígeno disuelto, con el objetivo de mantener la planta dentro de los niveles adecuados, pero con un consumo de energía bajo. Previamente se describe el modelo de EDAR empleado, se familiariza con él para percibir su complejidad y se busca el ajuste óptimo de los PIDs que se emplearán en la comparación. Los resultados revelan que el uso de un agente de RL mejora los resultados de los PIDs estudiados, ya que la IA es capaz de adaptar su estrategia de control el busca del óptimo y así mejorar los resultados de los PIDs. Por todo ello la IA es una alternativa real en el control de EDARs.
Notas adicionales Trabajo de Fin de Máster. Máster Universitario en I.A. Avanzada: Fundamentos, Métodos y Aplicaciones. UNED
Materia(s) Ingeniería Informática
Palabra clave EDAR
aprendizaje por refuerzo
Editor(es) Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial
Director/Tutor Félix Hernández del Olmo
Elena Gaudioso Vázquez
Fecha 2019-09-25
Formato application/pdf
Identificador bibliuned:master-ETSInformatica-IAA-Mgorrotxategi
http://e-spacio.uned.es/fez/view/bibliuned:master-ETSInformatica-IAA-Mgorrotxategi
Idioma spa
Versión de la publicación acceptedVersion
Nivel de acceso y licencia http://creativecommons.org/licenses/by-nc-nd/4.0
info:eu-repo/semantics/openAccess
Tipo de recurso master Thesis
Tipo de acceso Acceso abierto

 
Versiones
Versión Tipo de filtro
Contador de citas: Google Scholar Search Google Scholar
Estadísticas de acceso: 442 Visitas, 293 Descargas  -  Estadísticas en detalle
Creado: Thu, 15 Oct 2020, 19:22:08 CET