scholarly journals Fuzzy Integration of Support Vector Regression Models for Anticipatory Control of Complex Energy Systems

2014 ◽  
Vol 2 (2) ◽  
pp. 26-40 ◽  
Author(s):  
Miltiadis Alamaniotis ◽  
Vivek Agarwal
Keyword(s):  
Support Vector Regression ◽  
Intelligent Systems ◽  
Fuzzy Inference ◽  
Energy Systems ◽  
Energy System ◽  
Support Vector ◽  
Complex Energy ◽  
Anticipatory Control ◽  
Certainty Factor ◽  
Inference System

Anticipatory control systems are a class of systems whose decisions are based on predictions for the future state of the system under monitoring. Anticipation denotes intelligence and is an inherent property of humans that make decisions by projecting in future. Likewise, intelligent systems equipped with predictive functions may be utilized for anticipating future states of complex systems, and therefore facilitate automated control decisions. Anticipatory control of complex energy systems is paramount to their normal and safe operation. In this paper a new intelligent methodology integrating fuzzy inference with support vector regression is introduced. The proposed methodology implements an anticipatory system aiming at controlling energy systems in a robust way. Initially, a set of support vector regressors is adopted for making predictions over critical system parameters. The predicted values are used as input to a two-stage fuzzy inference system that makes decisions regarding the state of the energy system. The inference system integrates the individual predictions at its first stage, and outputs a decision together with a certainty factor computed at its second stage. The certainty factor is an index of the significance of the decision. The proposed anticipatory control system is tested on a real-world set of data obtained from a complex energy system, describing the degradation of a turbine. Results exhibit the robustness of the proposed system in controlling complex energy systems.

Genetic algorithm-based drilling burr minimization using adaptive neuro-fuzzy inference system and support vector regression

2019 ◽  
Vol 234 (5) ◽  
pp. 956-968
Author(s):  
Nripen Mondal ◽  
Madhab Chandra Mandal ◽  
Bishal Dey ◽  
Santanu Das
Keyword(s):  
Genetic Algorithm ◽  
Support Vector Regression ◽  
Process Parameters ◽  
Predictive Models ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Support Vector ◽  
Inference System ◽  
Burr Height ◽  
Neuro Fuzzy

Burrs are undesirable materials beyond the work piece surface during drilling or other machining processes, thus this should be as less as possible during manufacturing. The experimental study has been conducted according to the full factorial design method. A total of 27 experiments were conducted by drilling on an Aluminum 6061T6 plate by choosing three factors and three levels of process parameters like drill diameter, point angle and spindle speed. In this research article, two predictive models, namely, adaptive neuro-fuzzy inference system and support vector regression, are developed using experimental data to estimate burr height and burr thickness. Then, these predictive models have been used to find out optimum process parameters for minimum burr height and burr thickness using genetic algorithm. It has been found that both the models are able to predict burr size and thickness with good accuracy, while the adaptive neuro-fuzzy inference system performs better than support vector regression.

scholarly journals Εξόρυξη γνώσης από βάσεις δεδομένων ποτάμιας υδραυλικής

2014 ◽  
Author(s):  
Βασίλειος Κιτσικούδης
Keyword(s):  
Neural Networks ◽  
Artificial Neural Networks ◽  
Genetic Programming ◽  
Support Vector Regression ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Symbolic Regression ◽  
Support Vector ◽  
Adaptive Network ◽  
Inference System

Η Ποτάμια Υδραυλική χαρακτηρίζεται από τα μεταβλητά όρια των υδατορρευμάτων που διαρκώς τροποποιούνται και συνακόλουθα επηρεάζουν τη ροή και δημιουργούν μία αμφίδρομη σχέση που είναι δύσκολο να μοντελοποιηθεί. Η μέση ταχύτητα ροής σε έναν ανοιχτό αγωγό απαιτείται για πλήθος εφαρμογών Μηχανικού, όπως είναι η αριθμητική μοντελοποίηση, η ανάλυση επικινδυνότητας, η εκτίμηση της παροχετευτικής ικανότητας και ο υπολογισμός της στερεομεταφοράς. Ταυτόχρονα, το φαινόμενο της μεταφοράς φερτών υλών μελετάται εδώ και αιώνες τόσο από Υδραυλικούς Μηχανικούς όσο και από Γεωλόγους λόγω της σημασίας του στην κατανόηση της Ποτάμιας Υδραυλικής. Η διάβρωση και η πρόσχωση της κοίτης μεταβάλλουν τη γεωμετρία της υδραυλικής διατομής του υδατορρεύματος και μπορεί να προκαλέσουν αύξηση της πλημμυρικής συχνότητας, αλλά και προβλήματα στη ναυσιπλοία λόγω της υπερβολικής πρόσχωσης. Επιπλέον, η έκχυση βιομηχανικών και αγροτικών αποβλήτων σε υδατορρεύματα καθιστά τους κόκκους πρωταρχικούς φορείς τοξικών ουσιών που μολύνουν υδατικά συστήματα. Οι υψηλές στερεοπαροχές μπορεί να αποδειχθούν καταστροφικές για βιότοπους και οικοσυστήματα, ενώ η μακροχρόνια απόθεση φερτών υλών επηρεάζει το σχεδιασμό και τη λειτουργία κατασκευών, όπως φράγματα και ταμιευτήρες, αλλά και την παράκτια διάβρωση στην έξοδο της λεκάνης απορροής. Σε προβλήματα όπου η γνώση της Φυσικής του προβλήματος κρίνεται ανεπαρκής, η μηχανική μάθηση αποτελεί μία ελκυστική εναλλακτική μεθοδολογία, καθώς με την τεχνολογική πρόοδο υπάρχουν πλέον μεγάλες βάσεις ποιοτικών δεδομένων, από τις οποίες, με κατάλληλη επεξεργασία, μπορούν να προκύψουν μοντέλα παλινδρόμησης. Οι καταγεγραμμένες παρατηρήσεις ενός συστήματος μπορούν να αναλυθούν περαιτέρω ως προς τις πληροφορίες που περιέχουν. Αυτού του είδους η αυτοματοποιημένη αναζήτηση μοντέλων που περιγράφουν τα δεδομένα, αποτελεί την εξόρυξη δεδομένων, η οποία στοχεύει στην παροχή εργαλείων που επιτρέπουν τη μετατροπή των δεδομένων σε άλλη μορφή, όπως εξισώσεις, που βοηθούν στην κατανόηση των διεργασιών που τα δημιουργούν. Τα μοντέλα αυτά σε συνδυασμό με την υπάρχουσα αντίληψη των φυσικών διεργασιών του υπό μελέτη φαινομένου συντελούν στη βελτιωμένη κατανόηση αυτού, στη δημιουργία νέων διατυπώσεων των φυσικών νόμων και στη βελτίωση της ικανότητας πρόβλεψης (Babovic, 2000). Η επιλογή των μεταβλητών εισόδου είναι πρωταρχικής σημασίας για την αξιοποίηση των δυνατοτήτων μιας τέτοιας τεχνικής, ωστόσο, και η επιλογή της ίδιας της τεχνικής παλινδρόμησης είναι εξίσου σημαντική. Οι Witten et al. (2011) θεωρούν ότι ένα μοντέλο μηχανικής μάθησης που μπορεί να ανταποκριθεί σε όλων των ειδών τα προβλήματα, αποτελεί μία ιδεαλιστική φαντασίωση, όπως έχει δείξει άλλωστε και η εμπειρία, καθώς η δομή και η σύνταξη κάποιων μοντέλων μηχανικής μάθησης δεν μπορούν να αποτυπώσουν ορισμένα φυσικά συστήματα. Συνεπώς, στην παρούσα διδακτορική διατριβή χρησιμοποιούνται τέσσερις τεχνικές μηχανικής μάθησης: τα τεχνητά νευρωνικά δίκτυα (artificial neural networks - ANN), τα ασαφή συμπερασματικά συστήματα βασιζόμενα σε προσαρμοστικά δίκτυα (adaptive-network-based fuzzy inference system - ANFIS), η συμβολική παλινδρόμηση (symbolic regression - SR), η οποία βασίζεται στο γενετικό προγραμματισμό (genetic programming - GP) και η παλινδρόμηση με μηχανές διανυσμάτων υποστήριξης (support vector regression - SVR). Τα προβλήματα που μελετώνται στην παρούσα διδακτορική διατριβή, αφορούν τον υπολογισμό της μέσης ταχύτητας ροής, ξεχωριστά για υδατορρεύματα με αμμώδη και χαλικώδη πυθμένα λόγω ορισμένων διαφορών στο μηχανισμό αντίστασης στη ροή, και τον υπολογισμό της στερεομεταφοράς. Η στερεομεταφορά που μελετάται, αφορά την ποσοτικοποίηση του στερεοφορτίου πυθμενικού υλικού (δηλαδή στερεοφορτίο κοίτης και αιωρούμενο στερεοφορτίο) σε υδατορρεύματα με αμμώδη πυθμένα και του στερεοφορτίου κοίτης σε υδατορρεύματα με χαλικώδη πυθμένα. Ειδικότερα για την τελευταία περίπτωση, διερευνήθηκαν οι περιπτώσεις υπολογισμού της στερεοπαροχής βάσει μίας χαρακτηριστικής διαμέτρου κόκκου, με τη χρήση όλων των προαναφερόμενων τεχνικών μηχανικής μάθησης. Επίσης, για κάθε μέγεθος κόκκου που απαντάται στο στερεοφορτίο, διερευνήθηκε η δυνατότητα υπολογισμού της κλασματικής μεταφοράς φερτών υλών με τη χρήση ενός ANN πολλαπλών εξόδων και με επιλεκτικές συνδέσεις μεταξύ των νευρώνων των διαφόρων στρώσεων του δικτύου για την ποσοτικοποίηση του φαινομένου της απόκρυψης στην επιφανειακή στρώση του πυθμένα. Για την εκπαίδευση των μοντέλων που υπολογίζουν το στερεοφορτίο πυθμενικού υλικού σε αμμώδη υδατορρεύματα, έγιναν δοκιμές τόσο με δεδομένα πεδίου όσο και με δεδομένα που προέκυψαν από πειράματα σε εργαστηριακούς αγωγούς, για να εξεταστεί η δυνατότητα μεταφοράς ενός μοντέλου που εκπαιδεύτηκε σε ελεγχόμενο περιβάλλον με ομοιόμορφη ροή και τον ελάχιστο δυνατό θόρυβο και καλείται να κάνει εκτιμήσεις στερεομεταφοράς σε φυσικά υδατορρεύματα. Επιπρόσθετα, για τον υπολογισμό της στερεοπαροχής βάσει μίας χαρακτηριστικής διαμέτρου κόκκου, δοκιμάστηκαν διάφοροι συνδυασμοί μεταβλητών εισόδου που διαφοροποιούνται από τη χρήση της συρτικής τάσης, της ισχύος του υδατορρεύματος και της μοναδιαίας ισχύος του υδατορρεύματος, δηλαδή τις μεταβλητές στις οποίες στηρίζονται οι περισσότερες υπάρχουσες εξισώσεις υπολογισμού στερεοπαροχής, χωρίς την ανάγκη να τεθεί ένα κριτήριο για την έναρξη της κίνησης των κόκκων. Τα μοντέλα που προέκυψαν, παρήγαγαν εξίσου καλά αποτελέσματα, ανάλογα με τη χρησιμοποιούμενη τεχνική, τονίζοντας τη σημαντικότητα του μοντέλου ανάλυσης παλινδρόμησης. Τα δεδομένα που χρησιμοποιούνται, προέρχονται από μετρήσεις σε φυσικά υδατορρεύματα και εργαστηριακούς αγωγούς και είναι κατανεμημένα σε βάσεις δεδομένων, οι οποίες έχουν χρησιμοποιηθεί κατά το παρελθόν, και εξακολουθούν να χρησιμοποιούνται, από διάφορους ερευνητές και προσφέρονται για συγκρίσεις (Brownlie, 1981a; King et al., 2004; Rickenmann and Recking, 2011). Οι μετρήσεις θεωρούνται αξιόπιστες για τη φύση του προβλήματος που μελετάται, ωστόσο, αναπόφευκτα ενσωματώνουν θόρυβο, τον οποίο όμως οι τεχνικές μηχανικής μάθησης είναι σε θέση να υπερκεράσουν και να παράγουν αξιόπιστα και αποδοτικά μοντέλα. Τα αποτελέσματα που προκύπτουν από τις παραπάνω εφαρμογές, είναι σαφώς ανώτερα από τα αντίστοιχα ορισμένων από τις ευρέως χρησιμοποιούμενες εξισώσεις υπολογισμού αντίστασης στη ροή και στερεοπαροχής. Από τις τεχνικές μηχανικής μάθησης, τα καλύτερα αποτελέσματα προέκυψαν από τα ANNs, ακολουθούμενα από τα ANFIS και SVR που συνήθως απέδιδαν εξίσου καλά. Τα λιγότερο καλά αποτελέσματα προέκυψαν από την εφαρμογή της SR, αν και σε ορισμένες περιπτώσεις παρήγαγαν πολύ απλές και κατανοητές εξισώσεις. Σε όλες τις περιπτώσεις χρησιμοποιήθηκε η τεχνική της διασταυρούμενης επικύρωσης, έτσι ώστε το σύνολο ελέγχου να είναι ένα πραγματικά ανεξάρτητο σύνολο που θα διευκολύνει την αξιολόγηση των παραγόμενων μοντέλων. Τα τελικά μοντέλα μπορούν να χρησιμοποιηθούν για σχετικές εκτιμήσεις στις περιοχές μελέτης όπου εκπαιδεύτηκαν, ή σε υδατορρεύματα με παρόμοια χαρακτηριστικά, με τις τιμές των μεταβλητών εισόδου να βρίσκονται μέσα στο εύρος των δεδομένων εκπαίδευσης, όπως ορίζει η ορθή μοντελοποίηση με τεχνικές μηχανικής μάθησης.

scholarly journals Modeling and predicting suspended sediment load under climate change conditions: a new hybridization strategy

2021 ◽  
Author(s):  
Saeed Farzin ◽  
Mahdi Valikhan Anaraki
Keyword(s):  
Climate Change ◽  
Suspended Sediment ◽  
General Circulation ◽  
Sediment Load ◽  
Fuzzy Inference ◽  
Circulation Model ◽  
Support Vector ◽  
Suspended Sediment Load ◽  
Inference System ◽  
New Strategy

Abstract In the present study, for the first time, a new strategy based on a combination of the hybrid least-squares support-vector machine (LS-SVM) and flower pollination optimization algorithm (FPA), average 24 general circulation model (GCM) output, and delta change factor method has been developed to achieve the impacts of climate change on runoff and suspended sediment load (SSL) in the Lighvan Basin in the period (2020–2099). Also, the results of modeling were compared to those of LS-SVM and adaptive neuro-fuzzy inference system (ANFIS) methods. The comparison of runoff and SSL modeling results showed that the LS-SVM-FPA algorithm had the best results and the ANFIS algorithm had the worst results. After the acceptable performance of the LS-SVM-FPA algorithm was proved, the algorithm was used to predict runoff and SSL under climate change conditions based on ensemble GCM outputs for periods (2020–2034, 2035–2049, 2070–2084, and 2085–2099) under three scenarios of RCP2.6, RCP4.5, and RCP8.5. The results showed a decrease in the runoff in all periods and scenarios, except for the two near periods under the RCP2.6 scenario for runoff. The predicted runoff and SSL time series also showed that the SSL values were lower than the average observation period, except for 2036–2039 (up to an 8% increase in 2038).

Generation of Complex Energy Systems by Combination of Elementary Processes

2018 ◽  
Vol 140 (11) ◽  
Author(s):  
A. Toffolo ◽  
S. Rech ◽  
A. Lazzaretto
Keyword(s):  
Design Optimization ◽  
Ad Hoc ◽  
Energy Systems ◽  
Optimization Procedure ◽  
Thermodynamic Cycle ◽  
Energy System ◽  
Design Parameters ◽  
System Configuration ◽  
Complex Energy ◽  
Synthesis Design

The fundamental challenge in the synthesis/design optimization of energy systems is the definition of system configuration and design parameters. The traditional way to operate is to follow the previous experience, starting from the existing design solutions. A more advanced strategy consists in the preliminary identification of a superstructure that should include all the possible solutions to the synthesis/design optimization problem and in the selection of the system configuration starting from this superstructure through a design parameter optimization. This top–down approach cannot guarantee that all possible configurations could be predicted in advance and that all the configurations derived from the superstructure are feasible. To solve the general problem of the synthesis/design of complex energy systems, a new bottom–up methodology has been recently proposed by the authors, based on the original idea that the fundamental nucleus in the construction of any energy system configuration is the elementary thermodynamic cycle, composed only by the compression, heat transfer with hot and cold sources and expansion processes. So, any configuration can be built by generating, according to a rigorous set of rules, all the combinations of the elementary thermodynamic cycles operated by different working fluids that can be identified within the system, and selecting the best resulting configuration through an optimization procedure. In this paper, the main concepts and features of the methodology are deeply investigated to show, through different applications, how an artificial intelligence can generate system configurations of various complexity using preset logical rules without any “ad hoc” expertise.

scholarly journals Using Machine Learning-Based Algorithms to Analyze Erosion Rates of a Watershed in Northern Taiwan

2020 ◽  
Vol 12 (5) ◽  
pp. 2022 ◽  
Author(s):  
Kieu Anh Nguyen ◽  
Walter Chen ◽  
Bor-Shiun Lin ◽  
Uma Seeboonruang
Keyword(s):  
Machine Learning ◽  
Random Forest ◽  
Fuzzy Inference ◽  
Absolute Error ◽  
Organic Content ◽  
Rank Test ◽  
Support Vector ◽  
Inference System ◽  
Erosion Rates ◽  
Northern Taiwan

This study continues a previous study with further analysis of watershed-scale erosion pin measurements. Three machine learning (ML) algorithms—Support Vector Machine (SVM), Adaptive Neuro-Fuzzy Inference System (ANFIS), and Artificial Neural Network (ANN)—were used to analyze depth of erosion of a watershed (Shihmen reservoir) in northern Taiwan. In addition to three previously used statistical indexes (Mean Absolute Error, Root Mean Square of Error, and R-squared), Nash–Sutcliffe Efficiency (NSE) was calculated to compare the predictive performances of the three models. To see if there was a statistical difference between the three models, the Wilcoxon signed-rank test was used. The research utilized 14 environmental attributes as the input predictors of the ML algorithms. They are distance to river, distance to road, type of slope, sub-watershed, slope direction, elevation, slope class, rainfall, epoch, lithology, and the amount of organic content, clay, sand, and silt in the soil. Additionally, measurements of a total of 550 erosion pins installed on 55 slopes were used as the target variable of the model prediction. The dataset was divided into a training set (70%) and a testing set (30%) using the stratified random sampling with sub-watershed as the stratification variable. The results showed that the ANFIS model outperforms the other two algorithms in predicting the erosion rates of the study area. The average RMSE of the test data is 2.05 mm/yr for ANFIS, compared to 2.36 mm/yr and 2.61 mm/yr for ANN and SVM, respectively. Finally, the results of this study (ANN, ANFIS, and SVM) were compared with the previous study (Random Forest, Decision Tree, and multiple regression). It was found that Random Forest remains the best predictive model, and ANFIS is the second-best among the six ML algorithms.

Sign in / Sign up

Export Citation Format

Share Document