Comparação de redes neuronais recorrentes contínua e discreta para a modelagem caixa-preta de um sistema de escoamento de petróleo

Abstract

A modelagem de sistemas dinâmicos é uma área de grande importância para o controle e a otimização de processos. A modelagem não-linear é particularmente desafiante, uma vez que sistemas deste tipo podem apresentar estruturas arbitrárias. Deste modo, os modelos empregados devem apresentar flexibilidade para modelar diferentes tipos de comportamentos dinâmicos. Redes Neuronais são bastante empregadas em modelagem estacionária por permitirem ajustar qualquer mapeamento estático de entrada e saída se os dados forem suficientes para o ajuste. Este trabalho de conclusão de curso compara e analisa os resultados obtidos na modelagem caixa-preta de um sistema dinâmico não-linear por meio de redes neuronais recorrentes em domínio de tempo discreto e contínuo, em que a rede contínua é treinada para o termo de taxa de variação f(x) do sistema dinâmico em espaço de estados f(x) = x_ e é necessária uma etapa intermediária de integração do modelo neuronal obtido. Com isto, pretende-se evitar as dificuldades de determinação da estrutura e de ajuste (viés) das redes dinâmicas do tipo recorrente. Os resultados obtidos com os modelos neuronais recorrentes também são comparados com o método de regressão linear.

The modeling of dynamic systems is an important area for the process control and optimization. Nonlinear modeling is particularly a challenge, once there are systems of arbitrary structures. In this way, a model used must be flexible enough to model different types of dynamic behaviors. Neural Networks are widely used in stationary modeling because they allow to adjust any static input and output mapping if the data is enough for the optimization. This paper compare and analyse the neural networks results achieved in a nonlinear and dynamical system black-box modeling, where the continuos time network is trained for the rate of change term f(x) of the dynamic system in state space f(x) = x_ and is required an intermediate stage of integration for this obtained neuronal model. With this, it is intended to avoid the difficulties of determining the structure and adjustment (bias) of the dynamic networks of the recurrent type. The results also will be compared with linear regression method.