Detección de hidrógeno en aire por medio de redes neuronales y sensores semiconductores /
En el presente trabajo se implementan y se prueban modelos de redes neuronales que son capaces de detectar con buena precisión la presencia de hidrógeno en aire, a partir de la respuesta de un sensor de hidrógeno, dentro de un sistema de pruebas creado en el laboratorio de ingeniería eléctrica...
| Main Author: | |
|---|---|
| Other Authors: | |
| Format: | Thesis Book |
| Language: | Spanish |
| Published: |
[San José], Costa Rica,
2023.
|
| Subjects: |
| Summary: | En el presente trabajo se implementan y se prueban modelos de redes neuronales que son capaces de detectar con buena precisión la presencia de hidrógeno en aire, a partir de la respuesta de un sensor de hidrógeno, dentro de un sistema de pruebas creado en el laboratorio de ingeniería eléctrica de la sede de Guanacaste de la UCR. Este sistema posee una cámara de gas donde el sensor semiconductor MQ-8 se expone a varias concentraciones de hidrógeno en aire; el hidrógeno se genera utilizando reacciones químicas en el laboratorio y se manipula utilizando una serie de válvulas de paso y jeringas; los datos que se obtienen del sensor se reciben por medio de una interfase digital para luego ser almacenados en una computadora, y seguidamente ser utilizados como entrada en un archivo de código en Python. Las redes se entrenan utilizando los datos producidos por los investigadores Krivetskiy et al. (2018); Efitorov et al. (2020); Krivetskiy et al. (2021). Estos datos fueron crearon en un laboratorio utilizando equipo y sensores de uso profesional; los datos de entrenamiento recompilados son agregados utilizando código para luego ser utilizados por las redes neuronales propuestas. Se utiliza código en Python para crear las redes neuronales haciendo uso de las librerías de Keras, y se utilizan varios pre-procesamientos previos para los datos. Inicialmente se realiza una normalización para todos los modelos y luego se incorporan pre-procesamientos como PCA, PCF y DWT, los modelos también se dividen según el tipo de prueba a realizar, en modelos binarios y modelos multiclase. Como método de búsqueda de los mejores parámetros de la red pulmonal, se utiliza la librería KerasTuner, que obtiene las mejores precisiones de entrenamiento para los diferentes modelos, al modificar los parámetros de la red neuronal de forma dinámica Como método de validación, se utiliza un porcentaje del total de los datos de investigaciones pasadas, para verificar... In this work, various models of neural networks are impemented and tested, these are capable of detecting with good precision the presence of hydrogen in air, from the response of a hydrogen sensor, within a system created in a laboratory of electric engineering at UCR in Guanacaste. This system has a gas chamber where the MQ-8 semiconductor sensor is exposed to various concentrations of hydrogen in air, hydrogen is generated using chemical reactions in the laboratory and is manipulated using a series of stop valves and syringes. The data obtained from the sensor is received through a digital interface and then stored in a computer, so then it can be used as an input in a Python code file. The networks are trained using the data previously generated by the researchers Krivetskiy et al. (2018); Efitorov et al. (2020); Krivetskiy et al. (2021). This data was created in a laboratory using professional equipment and sensors, the compiled training data is rearranged by the code and then used as an input for the proposed neural networks. Python code is utilized to create the neural networks by means of the Keras libraries, and some pre-processing of the data is conducted as well. Initially, a normalization is performed for all the models and pre-processing methods such as PCA, PCF and DWT are also incorporated. Futhermore, the models are divided according to the type of test to be performed, they are splited into binary models and multiclass models. The Keras Tuner library is used as a search method to find the best parameters of the neural network, this process obtains the best training precision for the different models, which it's accomplished by dynamically modifying the parameters of the neural networks. As a validation method, a percentage of the total data from past investigations is used to verify that the models can adequately adapt to new data, considering that this data has not yet seen by the neural network Finally, the best models are exposed... |
|---|---|
| Physical Description: | xiv, 81 hojas : ilustraciones a color, diagramas (principalmente a color), fotografías a color, gráficos a color. |