SciELO - Scientific Electronic Library Online

 
 número20IMPLEMENTACIÓN DE UN ALGORITMO PARA LA DETECCIÓN DE SEÑALES DE TRÁNSITO DEL ECUADOR: PARE, CEDA EL PASO Y VELOCIDADCONSUMO SUSTENTABLE DE AGUA EN VIVIENDAS DE LA CIUDAD DE CUENCA índice de autoresíndice de materiabúsqueda de artículos
Home Pagelista alfabética de revistas  

Servicios Personalizados

Revista

Articulo

Indicadores

Links relacionados

  • No hay articulos similaresSimilares en SciELO

Compartir


Ingenius. Revista de Ciencia y Tecnología

versión On-line ISSN 1390-860Xversión impresa ISSN 1390-650X

Resumen

CASTILLO-CALDERON, Jairo; SOLORZANO-CASTILLO, Byron  y  MORENO-MORENO, José. DISEÑO DE UNA RED NEURONAL PARA LA PREDICCIÓN DEL COEFICIENTE DE PÉRDIDAS PRIMARIAS EN RÉGIMEN DE FLUJO TURBULENTO. Ingenius [online]. 2018, n.20, pp.21-27. ISSN 1390-860X.  https://doi.org/10.17163/ings.n20.2018.02.

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.

Palabras clave : diagrama de Moody; factor de fricción; pérdida de carga; red neuronal artificial; retropropagación; flujo turbulento.

        · resumen en Inglés     · texto en Español     · Español ( pdf )