Redes neurais para a previsão do coeficiente de condutância global de refrigeradores domésticos

Abstract

Neste trabalho, são apresentados modelos de redes neurais com o objetivo de prever o coeficiente de condutância global UA de refrigeradores domésticos, no qual é utilizado dados experimentais para análise de desempenho e pré-treinamento da rede com a ampliação sintética do conjunto de dados utilizando técnicas de amostragem e equações que regem o modelo físico. O desenvolvimento deste trabalho consiste em gerar os dados sintéticos, geração e ajuste dos hiper-parâmetros das redes neurais e, por fim, as redes são treinadas com a técnica padrão de ajuste ou pré-treinadas com Stacked auto-encoders. As técnicas apresentadas neste trabalho se tornam úteis quando é necessário lidar com conjuntos de dados pequenos ou com pouca diversidade. É visto que as redes tiveram um bom desempenho, mostrando ser viável o uso de redes neurais para previsão de propriedades físicas.

This work shows models of neural network that will try to predict the overall heat coefficient (UA) of domestic refrigerators, where experimental data is used to check the performance and pre-training the network with the synthetic extension of the dataset using sampling techniques and equations that govern the physical model. The methodology of this work is composed by generate the synthetic data, the network's generation and hyper-parameter adjustments, and the networks are trained using the default fit function or pre-trained using stacked auto-encoders. The techniques used in this works are useful when there is a small dataset, or the dataset is not diverse. It is shown that the networks had a good performance, therefore, showing that it is viable the use of neural networks to predict physical properties.