Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Modelado del factor de fricción en tuberías a presión Utilizando Redes Neuronales de Aprendizaje Bayesiano

Resumen

El modelo propuesto por Colebrook-White para el cálculo del coeficiente de fricción ha sido aceptado universalmente estableciendo una función trascendental implícita. Esta ecuación determina el coeficiente de fricción para flujos completamente desarrollados, es decir, para flujos turbulentos con un Número de Reynolds superior a 4000. En el presente estudio se desarrolló una Red Neuronal a partir del enfoque del método de Retropropagación de Regularización Bayesiana para estimar el coeficiente de fricción. Se estableció un conjunto de 200,000 datos de entrada (inputs) para la rugosidad relativa (ε/D) y el Número de Reynolds (Re) y 200,000 datos de salida (outputs) para el coeficiente de fricción. La arquitectura neuronal que mejor se desempeñó correspondió a dos capas ocultas con 25 neuronas cada una (2-25-25-1). Se evaluó el rendimiento de la red utilizando el error medio cuadrático, el análisis de regresión y la función de entropía cruzada. El modelo neuronal obtenido presentó un error medio cuadrático de 7.42E-13 y un error relativo igual a 0.0035 % para los datos de entrenamiento. Finalmente, la red de retropropagación de Regularización Bayesiana demostró la capacidad de calcular el coeficiente de fricción para flujos turbulentos con una aproximación de 10E-7 con respecto a la ecuación de Colebrook-White.

Palabras clave

Coeficiente fricción, Colebrook-White, Regularización Bayesiana, Red Neuronal Artificial

PDF

Biografía del autor/a

Cesar Augusto García Ubaque

Doctor en Ingeniería (PhD), Magister en Ingeniería Ambiental (MsC), Especialista en Manejo Integrado del Medio Ambiente, e Ingeniero Civil. Profesor asociado Facultad Tecnológica Universidad Distrital Francisco José de Caldas. Investigador Asociado SCIENTI-COLCIENCIAS, par evaluador COLCIENCIAS y Ministerio de Educación Nacional.


Referencias

  • Minvivienda, Reglamento Técnico del Sector de Agua Potable y Saneamiento Básico - RAS (Título-B), Bogotá: Ministerio de Vivienda, 2007.
  • U. Offor y S. Boladale, «Artificial Neural Net- work Model for Friction Prediction,» Journal of Materials Science and Chemical Enginee- ring, vol. 4, no 7, 2016.
  • M. Sauida, «Prediction of hydraulic jump length downstream of multi-vent regulators using Artificial Neural Networks,» Ain Shams Engineering Journal, vol. 7, no 12, pp. 819-826, 2016. DOI: https://doi.org/10.1016/j.asej.2015.12.005
  • M. Yazdi y A. Bardi, «Estimation of Friction Factor in Pipe Flow Using Artificial Neural Networks,» Canadian Journal on Automation, Control & Intelligent Systems, vol. 2, pp. 52-56, 2011.
  • J. Castillo, B. Solórzano y J. Moreno, «Diseño de una red neuronal para la predicción del co- eficiente de pérdidas primarias en régimen de flujo turbulento,» Ingenius, no 20, pp. 21- 27, 2018. DOI: https://doi.org/10.17163/ings.n20.2018.02
  • Y. Liu, J. Starzyk y Z. Zhu, «Optimized Ap- proximation Algorithm in Networks Without Overfitting,» Transactions on Neural Networks, vol. 19, no 6, pp. 983-995, 2008. DOI: https://doi.org/10.1109/TNN.2007.915114
  • S. Tamura y M. Tateishi, «Capabilities of a four-layered feedforward neural network: Four layers versus three,» Transactions on Neural Network, vol. 18, no 2, 1997. DOI: https://doi.org/10.1109/72.557662
  • D.Brkic ́yŽ.C ́ojbašic ́,«IntelligentFlowFric- tion Estimation,» Computational Intelligence and Neuroscience, vol. 2016, no 8, 2016. DOI: https://doi.org/10.1155/2016/5242596
  • D. MacKay, «Bayesian interpolation,» Compu- tation and Neural Systems, vol. 4, p. 415– 447, 1992. DOI: https://doi.org/10.1162/neco.1992.4.3.415
  • S. Haykin, Neural Networks: A Comprehen- sive Foundation, Hamilton: Pearson Prentice Hall, 1999.
  • B. Karlik y A. Vehbi, «Performance Analysis of Various Activation Functions in Generalized MLP Architectures of Neural Networks,» Inter- national Journal of Artificial Intelligence and Expert Systems (IJAE), vol. 1, no 4, p. 111–122, 2011.
  • F. Foresee y M. Hagan, «Gauss-Newton ap- proximation to Bayesian learning,» de Procee- dings of International Conference on Neural Networks (ICNN’97), Houston, 1997.
  • D. Fadare y U. Ofidhe, «Artificial Neural Net- work Model for Prediction of Friction Factor in Pipe Flow,» Journal of Applied ScienceS Research, vol. 5, no 6, pp. 662-670, 2009.

Descargas

Los datos de descargas todavía no están disponibles.

Artículos similares

También puede Iniciar una búsqueda de similitud avanzada para este artículo.