sistemas clasificadores neuronales patrones de dispersión de contaminantes alejandro peña p., phd....

Sistemas Clasificadores NeuronalesPatrones de Dispersión de Contaminantes

Alejandro Peña P., [email protected]

Rodrigo Jiménez Pizarro, [email protected]

Jesús Antonio Hernández R., [email protected]

Grupo de Investigación en Ingeniería del Software y Modelamiento Computacional (GISMOC)

Escuela de Ingeniería de Antioquia

Sistemas Clasificadores

Neuronales

Contenido

Introducción

Modelos de Dispersión

Comportamiento Espacio Temporal

Concepto SOMZona de EstudioModelo FormalModelo de Estimación(AEPuff)

Sistema Clasificador NeuronalPatrón de CamposPlasticidad y EstabilidadFactor de SimilitudÍndice de CompresiónTiempo de EstabilidadPatrones de Dispersión

Conclusiones

Bibliografía

mailto:[email protected]



Introducción

• Para mitigar los efectos que la contaminación por material particulado PMx ocasiona en una zona de estudio, es necesario determinar su comportamiento en el espacio y en el tiempo.

• Para tal efecto, se requiere superar una serie de limitantes tanto físicas como matemáticas, las cuales están directamente relacionadas con un fenómeno de dispersión, y su observabilidad en el espacio y en el tiempo (Peña, Hernández & Toro, 2010(a)), Peña, Hernández & Toro, 2010(a)).

• Para la solución de este problema, muchos investigadores han apelado al uso de diferentes modelos de dispersión, entre los que destacan los modelos lagrangianos (Martín et al., 2002).

• Para el caso de la dispersión de material particulado - PMx, estos modelos consideran el puff, como el elemento fundamental de contaminación (Aceña et al., 2007).

• A diferencia de los modelos gaussianos, los modelos lagrangianos basan su dinámica en el comportamiento de los campos de viento presentes en una zona de estudio (Israelsson et al., 2007).


Neuronales

Contenido

Introducción





Conclusiones

Bibliografía

Modelos de Dispersión de Contaminantes

Los modelos de dispersión, se pueden agrupar de manera general de la siguiente manera (Martín et al., 2006):

1. Modelos Gaussianos.2. Modelos Lagrangianos.3. Modelos de Caja.4. Modelos Numéricos Eulerianos.5. Otras Clasificaciones:

Clasificación Espacial. Clasificación Temporal.


Neuronales

Contenido

Introducción





Conclusiones

Bibliografía

Modelos de Dispersión de Contaminantes

Los modelos de dispersión, se pueden agrupar de manera general de la siguiente manera (Martín et al., 2006):

1. Modelos Gaussianos.2. Modelos Lagrangianos.3. Modelos de Caja.4. Modelos Numéricos Eulerianos.5. Otras Clasificaciones:

Clasificación Espacial. Clasificación Temporal.

22 2

1, ,

2 * * * 2o o o

x y z x y z

x x y y z zQC x y z


Neuronales

Contenido

Introducción





Conclusiones

Bibliografía


• Para determinar el comportamiento espacio temporal de la concentración para PMx, se propone un modelo inspirado en una Red Neuronal de Kohonen (SOM- Self Organization Map) (Isazi & Galván, 2004).

• Aquí, la capa salida representa la ubicación espacial de m_estaciones de monitoreo, mientras que la capa de entrada, muestra la ubicación espacial de la n_fuentes puntuales de emisión.


Neuronales

Contenido

Introducción





Conclusiones

Bibliografía


• Para determinar el comportamiento espacio temporal de la concentración para PMx, se propone un modelo inspirado en una Red Neuronal de Kohonen (SOM- Self Organization Map) (Isazi & Galván, 2004).

• Aquí, la capa salida representa la ubicación espacial de m_estaciones de monitoreo, mientras que la capa de entrada, muestra la ubicación espacial de la n_fuentes puntuales de emisión.

675

680

685

690

695

700

420 425 430 435 440 445

Estación Ditaires

Estación Itagüí

Estación Univ. Nacional

Estación Politécnico

Estación San Antonio

Fuentes Puntuales

Funtes Difusas


Neuronales

Contenido

Introducción





Conclusiones

Bibliografía


• De manera formal, el modelo neuronal anterior se denota y define de la siguiente manera:

Donde:

ne: Número de Estaciones de Monitoreo.

nf: Número de Fuentes de Emisión.

np. Número de puffs emitidos por la fuente en un instante de tiempo dado (min).

• De acuerdo con lo anterior, el flujo de puffs entre fuentes y estaciones, estará determinado por los campos de viento presentes en la zona de estudio.

, , , , , ,1 1 1

, , , , , , . ,nf npne

j j j j o i k o i k j j o i k jj i k

x y z k x y x y G z z


Neuronales

Contenido

Introducción





Conclusiones

Bibliografía


• De manera formal, el modelo neuronal anterior se denota y define de la siguiente manera:

Donde:

ne: Número de Estaciones de Monitoreo.

nf: Número de Fuentes de Emisión.

np. Número de puffs emitidos por la fuente en un instante de tiempo dado (min).

• De acuerdo con lo anterior, el flujo de puffs entre fuentes y estaciones, estará determinado por los campos de viento presentes en la zona de estudio.

, , , , , ,1 1 1

, , , , , , . ,nf npne

j j j j o i k o i k j j o i k jj i k

x y z k x y x y G z z

425 430 435 440

680

685

690

695

700


Neuronales

Contenido

Introducción





Conclusiones

Bibliografía


• De acuerdo con la estructura del modelo propuesto, y de acuerdo con la información disponible (Concentración para PMx), el modelo requiere de la estimación de las emisiones en las n_fuentes de emisión consideradas.

• Para la estimación de emisiones, se utilizará un modelo lagrangiano de puffs gaussianos por evolución de tipo inverso, o receptor fuente, llamado AEPuff (Peña, Hernández & Toro, 2010(b)).


Neuronales

Contenido

Introducción





Conclusiones

Bibliografía

Sistema Clasificador Neuronal

• Para optimizar el proceso de estimación de las emisiones, el modelo requirió de la incorporación de un sistema clasificador para los campos de viento.

• Para tal efecto, fue necesario la utilización de un clasificador neuronal, basado en los principios de un modelo del tipo ART (Adaptative Resonance Temporary) (Isazi & Galván,2004).

• Cada uno de los patrones utilizado por el clasificador ART1 para su aprendizaje, estará representado en términos de números binarios.

• El modelo ART1, recibe los patrones de campos de viento y los lleva a una capa de reconocimiento (plasticidad y estabilidad) (Isazi & Galván, 2004).

• La capa de reconocimiento, posee un factor de similitud que determina la pertenencia de un patrón a una categoría. De lo contrario, el sistema define una nueva categoría.

V1,1 V1,2 …… V25,25 Θ1,1 Θ1,2 ….. Θ25,25

Vector Velocidad Vector de Ángulos


Neuronales

Contenido

Introducción





Conclusiones

Bibliografía


• Para el análisis y la validación del sistema clasificador neuronal, se llevaron a cabo 7 (siete) campañas de medida.

• En donde para determinar su comportamiento, fue necesario la incorporación de un índice llamado índice de compresión:

IC=(1-nc/np)=1-nc/480

Donde.

nc: Número de patrones clasificados.

np: Número de patrones totales.


Neuronales

Contenido

Introducción





Conclusiones

Bibliografía


• Para el análisis y la validación del sistema clasificador neuronal, se llevaron a cabo 7 (siete) campañas de medida.

• En donde para determinar su comportamiento, fue necesario la incorporación de un índice llamado índice de compresión:

IC=(1-nc/np)=1-nc/480

Donde.

nc: Número de patrones clasificados.

np: Número de patrones totales.

Nº

Campañ

a

HoraDía

Inicial

Día

JulianoHora

Día

Final

Día

Juliano

Número

Patrone

s

Índice

Compresió

n

C1 00:0011/04/200

8102 23:00

30/04/200

8121 24 0.95068165

C2 00:0001/05/200

8122 23:00

20/05/200

8141 20 0.95883567

C3 00:0021/05/200

8142 23:00

09/06/200

8161 32 0.93334165

C4 00:0010/06/200

8162 23:00

29/06/200

8181 17 0.96366309

C5 00:0030/06/200

8182 23:00

19/07/200

8201 19 0.95948501

C6 00:0020/07/200

8202 23:00

08/08/200

8221 16 0.96580326

C7 00:0009/08/200

8222 23:00

31/08/200

8243 22 0.95403772


Neuronales

Contenido

Introducción





Conclusiones

Bibliografía


• El comportamiento del clasificador neuronal a lo largo del proceso de estimación de las emisiones para cada campaña de medida, mostró el siguiente comportamiento.

10%10% 80%80% 100%100%


Neuronales

Contenido

Introducción





Conclusiones

Bibliografía

Patrones Espaciales Horarios

• De esta manera, la integración del sistema clasificador neuronal con el modelo lagrangiano utilizado para la estimación de emisiones, arroja como resultado una serie de patrones espaciales horarios de concentración para PMx.


Neuronales

Contenido

Introducción





Conclusiones

Bibliografía

Patrones Espaciales Horarios

• De esta manera, la integración del sistema clasificador neuronal con el modelo lagrangiano utilizado para la estimación de emisiones, arroja como resultado una serie de patrones espaciales horarios de concentración para PMx.

425 430 435 440

680

685

690

695

700


Neuronales

Contenido

Introducción





Conclusiones

Bibliografía

Conclusiones.

• El sistema clasificador neuronal, permitió la optimización del tiempo de estimación en el modelo lagrangiano utilizado para la estimación de emisiones (AEPuff).

• Estos patrones de flujo de puffs, determinaron una serie de patrones horarios para la dispersión de material particulado PMx en una zona de estudio, de acuerdo con los principios lagrangianos de dispersión.

• Debido al proceso de aprendizaje y adaptación utilizado por el modelo para la clasificación de los patrones horarios de campos de viento, se puede observar con el paso de las iteraciones una estabilización del tiempo de estimación para cada hora que comprende una campaña de medida.

• Debido al flujo de puffs, los tiempos de estabilización para la estimación fueron en aumento, a medida que el número de puffs emitidos por una fuente en particular fue en aumento.

• De acuerdo con los principios de la computación neuronal, el modelo puede ser generalizado por adaptación y aprendizaje, a diferentes zona de estudio.


Neuronales

Contenido

Introducción





Conclusiones

Bibliografía

Conclusiones.

• Igualmente, este modelo puede ser generalizado para el reconocimiento de patrones de viento, integrando para ello diferentes alturas, generando un sistema clasificador neuronal de reconocimiento multinivel.

• El sistema clasificador neuronal, se puede extender a la identificación de patrones horarios de dispersión de contaminantes, teniendo en cuenta para ello la integración de un modelo de dispersión.

• El mapeo del comportamiento temporal de las emisiones en la zona de estudio, permitirá extender el concepto de patrones horarios de dispersión de material particulado PMx, al concepto de mapas de pronóstico.

• Para configurar mapas de pronóstico por evolución, hay que tomar una serie de patrones horarios de comportamiento para cada una de las fuentes de emisión consideradas.


Neuronales

Contenido

Introducción





Conclusiones

Bibliografía

Bibliografía

• Aceña , B., F. Martín , A. DePascual, V. Sanfelix, S Gomar, y E. Monfort. «Estimación de Emisiones de Partículos PM10 desde Fuentes Difusas.» Congreso Colombiano de Calidad del Aire y Salud Pública. Manízales: Universidad Nacional de Colombia, 2007.

• Allen, T.C. , S.G. Young , y S.E. Haupt . «Improving pollutant source characterization by better estimating wind direction with a genetic algorithm .» Atmospheric Environment 41(11), 2007: 2283-2289, doi: 10.1016/j.atmosenv.2006.11.007.

• Coello, Carlos. Introducción a la Computación Evolutiva. México D.F.: Centro de Investigaciones Avanzadas CINVESTAV, 2004.

• Haupt, Sue Ellen, George S. Young, y Christopher T. Allen. «A Genetic Algorithm Method to assimilate Sensor Data for a Toxic Contaminant Release.» Journal of Computers (2) - 6, 2007: 85-92, ISSN : 1796-203X .

• Hsin-Chung , L., C. Cheng-Liang, y H. Jen-Chien . «Classification of PM10 distributions in Taiwan .» Atmospheric Environment 40, 2006: 1452-1463, doi: 10.1016/j.atmosenv.2005.10.051.

• Isazi V., Pedro, y Inés Galván L. Redes de Neuronas Artificiales Un enfoque práctico. Madrid: Pearson Education, S.A., ISBN:84-205-4025-0, 2004.

• Israelsson, P., K. Do, y E. Adams. «A comparison of three lagrangian approaches for extending near field mixing calculations.» Environmental Modelling & Software (21), 2006: 1631-1649, doi:10.1016/j.envsoft.2005.07.008.

• Kohonen , T. . «Self-organized formation of Topologically correct feature maps.» Biological Cybernetics (43), 1982: 59-69, ISSN: 0340-1200, En (Isazi & Galván , 2004).


Neuronales

Contenido

Introducción





Conclusiones

Bibliografía

Bibliografía

• Kukkonen, J., L. Partanen, y A. Karpinen. «Extensive evaluation of neural network models for the prediction of NO2 and PM10 concentrations compared.» AE International - Eurpe, Atmospheric Environment 37, 2003: 4539-4550, doi:10.1016/S1352-2310(03)00583-1.

• Martín Ll., F., C. Gonzalez, y I et al.. Palomino. SICAH, Sistema Informático para el Control y Prevención de la Contaminación Atmósferica en Huelva. Madrid: Centro de Investigaciones Energeticas, Medioambientales y Tecnológicas, CIEMAT, 2002.

• Peña P. , A. , J. Hernández R. , y M.V. Toro G. . «Asynchronous Evolutionary Inverse Modeling for PM10 Spatial Characterization.» 18 th. IMACS Congress MODSIM09. Cairns, Australia, ISBN: 978-0-9758400-7-8, 2009(a).

• Peña P. , A. , J.A. Hernández R. , y M.V. Toro G. . «Evolutonary inverse lagrangian puff model.» Environmental Modelling & Software (25) - 12, 2010(b): 1890-1893, doi: 10.1016/j.envsoft.2010.04.013.

• Peña P., A., J.A. Hernández R., y M.V. Toro G. . «Evolutionary Inverse Modelling for PM10 Pollutant Dispersion.» En Soft Computing Methods for Practical Environmental Solutions: Techniques and Studies, de Mario Gestal y Daniel Rivero, 293-313, doi: 10.4018/978-1-61520-893-7. Hershey, USA: IGI Global, 2010(a).

• Peña, A., A. Hernández, y M. Toro. «Evolutionary Inverse Lagrangian puff Model.» Environamental Modelling & Software (25) 12 - Software an Data News, 2010(b): 1890-1893, doi: 10.1016/j.envosft.201.04.013.


Neuronales

Contenido

Introducción





Conclusiones

Bibliografía

Bibliografía

• Pérez, P., y J. Reyes . «An Integrated neural network model for PM10 forecasting» Atmospheric Environment 40, 2006: 2845-2851, doi:10.1016/j.atmosenv.2006.01.010.

• Tejada, G., y J. Eduardo. «Análisis de redes neuronales fuzzy ART como motores de inferencia.» EPIS-UNAS, 2004: http://www.ucsp.edu.pe/~etejada/docs/tesis-eduardo.pdf.


Neuronales

Contenido

Introducción





Conclusiones

Bibliografía

Muchas Gracias


Neuronales

Contenido

Introducción





Conclusiones

Bibliografía

sistemas clasificadores neuronales patrones de dispersión de contaminantes alejandro peña p., phd....

Documents