Modelo de predicción de ruido producido por el tráfico vehicular urbano mediante redes neuronales artificiales
Autor: | Castillo Domínguez, Saúl Sebastián |
---|---|
Přispěvatelé: | Poveda D’otero, Juan Carlos |
Jazyk: | Spanish; Castilian |
Rok vydání: | 2019 |
Předmět: | |
Popis: | Spa: En este proyecto se formula un modelo de predicción de ruido vehicular urbano mediante la aplicación de sistemas computacionales modernos, como lo son las redes neuronales artificiales, facilitando su estudio en áreas como el tránsito y el transporte. La realización del proyecto estuvo sujeta al cumplimiento de varias etapas, una revisión bibliográfica, un desarrollo metodológico estableciendo la toma de información y puntos de aforo, un análisis de datos, calibración del modelo, y obtención de resultados acordes a la finalidad del proyecto. La metodología desarrollada se estableció a partir de una revisión bibliográfica y de unos estándares mencionados en la resolución 0627 de 2006 para la toma de información de ruido vehicular, se eligieron 8 puntos de aforo, con un total de 118 registros, cada uno compuesto por 8 variables, incluida la variable objetivo (Leq), empleando información relevante como: velocidad, volumen vehicular, composición y pendiente. Con la información obtenida se establecieron diferentes tipos de arquitecturas de red neuronal artificial, para obtener el modelo más preciso. Para la ejecución de las redes neuronales artificiales se hizo uso de la extensión neuraltoolbox de MATLAB, variando la función de activación, algoritmo de aprendizaje, y número de neuronas ocultas; con 20% de los registros destinados a conjunto de prueba; obteniendo como mejor desempeño una red con función de activación tangente sigmoidea, algoritmo Levenberg-Maquardt y 5 neuronas en la capa oculta. Para la validación de la red, se realizaron 20 ejecuciones, con conjuntos de prueba aleatorios, distribuidos en 5 conjuntos con 4 ejecuciones, la red definitiva obtenida tiene una media de error de 0,8 y 1,74 dB en entrenamiento y prueba, una correlación de Pearson de 0,919 y 0,803 respectivamente. Mediante el algoritmo Garson, las variables de mayor importancia en la predicción de ruido, son: velocidad, volumen, porcentaje de buses y pendiente, finalmente se compara la red neuronal con modelos clásicos y formulados en la ciudad de Tunja, mostrando gran precisión del modelo. Eng: In this project, a model of prediction of urban vehicular noise is formulated by enforcement of modern computer systems, such as artificial neural networks, facilitating the study in subjects such as traffic and transportation. The achievement of this paper was bind to the accomplishment of several stages, a bibliographic review, and methodological development, where the information capture and gauging points are established, and analysis of data and calibration of the model, and a obtaining of results according to the goals. The methodology was established based on a literature review and standards mentioned by the resolution 0627 of 2006 for collection of vehicular noise information, 8 gauging points were chosen, and a total of 118 records, each one composed of 8 variables, including the objective variable, (Leq), taking relevant information such as: speed, flow traffic, composition and slope. With the information obtained, different types of artificial neural network architectures were established to obtain the most accurate model. For running of artificial neural networks, the neuraltoolbox extension was used in MATLAB, varying the transfer function, learning algorithm and the number of hidden neurons, with a 20 % of the records destined to the test set; obtaining as best performance a network with sigmoid tangent as transfer function, Levenberg-Maquardt algorithm and 5 neurons in the hidden layer. For the validation of the network, 20 implementation were made, with randomly test sets, distributed in 5 grupo with 4 enforcement, the final network has a mean error of 0,8 and 1,74 dB in training and testing, a Pearson correlation of 0,919 and 0,803 respectively. Using the Garson algorithm, the most important variables in noise prediction are: speed, volume, percentage of buses and slope. Finally the neural network is compared with classic models formulated in Tunja city, showing great precision of the model. Bibliografía y webgrafía: páginas 76-82. Pregrado Ingeniero de Transporte |
Databáze: | OpenAIRE |
Externí odkaz: |
Pro tento záznam nejsou dostupné žádné jednotky.