| Revista: | Programación matemática y software |
| Base de datos: | |
| Número de sistema: | 000573258 |
| ISSN: | 2007-3283 |
| Autores: | , , , , |
| Año: | 2021 |
| Volumen: | 13 |
| Número: | 2 |
| Paginación: | 39-53 |
| País: | México |
| Idioma: | Español |
| Resumen en inglés | A model which represents a physical process is usually composed by conservation equations, transfer mechanisms, and closure equations. These equations vary in the degree of certainty. This paper describes the incorporation of physical and empirical models. The empirical part is constructed by Deep Learning. This work describes the principles which have promoted Deep Learning as a complementary tool for the approximation of process engineering when is used for model-based control. In addition of the stability and accuracy to deal with unmeasured disturbances, a robust strategy is to use Reinforcement Learning thus the principles of this strategy are also described. |
| Resumen en español | Un modelo que representa un proceso físico suele estar compuesto por ecuaciones de conservación, mecanismos de transferencia y ecuaciones cerradas. Estas ecuaciones varían en el grado de certeza. Este artículo describe la incorporación de modelos físicos y empíricos. La parte empírica está construida por Aprendizaje Profundo. Este trabajo describe los principios que han impulsado al Aprendizaje Profundo como herramienta complementaria para la aproximación de la ingeniería de procesos cuando se utiliza para el control basado en modelos. Además de la estabilidad y precisión para hacer frente a perturbaciones no medidas, una estrategia robusta es utilizar el Aprendizaje por Refuerzo. Por lo tanto, también se describen los principios de esta estrategia. |
| Palabras clave: | Construcción de modelos, Validación de modelos, Modelo Predictivo, Aprendizaje Profundo, Aprendizaje por Refuerzo |
| Keyword: | Model construction, Model Validation, Predictive Model, Deep Learning, Reinforcement Learning |
| Texto completo: | Texto completo (Ver PDF) |
