Publication:
Propagación de ondas mediante aprendizaje automático

Simple item page
dc.contributor.advisorCarpio, Ana
dc.contributor.advisorGómez Mármol, María Macarena
dc.contributor.authorPeñalver Carvajal, Miguel Jesús
dc.date.accessioned2023-07-18T17:38:18Z
dc.date.available2023-07-18T17:38:18Z
dc.date.issued2023-06
dc.degree.titleMatemáticas e Ingeniería Informática
dc.description.abstractEl propósito de este trabajo es investigar en qué medida se pueden usar redes neuronales para aproximar resultados que, en principio, requerirían resolver numéricamente ecuaciones de ondas. Nos centraremos en geometrías unidimensionales prefijadas gobernadas por pocos parámetros e intentaremos aproximar problemas directos e inversos. En el primer caso, tratamos de estimar mediante redes convolucionales aproximaciones de soluciones de ecuaciones de onda a partir de parámetros materiales. El problema inverso consiste en estimar mediante redes neuronales los parámetros de la ecuación de ondas que representan el material a partir de valores de la solución medidos en un extremo en una secuencia de tiempos. Tras el estudio realizado, pudimos obtener unas estimaciones de las ondas mediante redes convolucionales con un error respecto al rango menor de un 5 % en todos los casos para el problema directo. Por otro lado, en el problema inverso, el modelo presentaba dificultades para estimar uno de los parámetros (la posición del objeto) de los tres estudiados. Finalmente, se comprobó que el problema residía en los conjuntos de datos generados para alimentar el modelo, pues no disponían de suficiente información para representar todo el espacio de parámetros.
dc.description.abstractThe purpose of this work is to investigate the extent to which neural networks can be used to approximate results that would typically require numerically solving wave equations. We will focus on predetermined one-dimensional geometries governed by a few parameters and attempt to approximate both direct and inverse problems. In the first case, we attempt to estimate wave equation solutions using convolutional networks based on material parameters. The inverse problem involves estimating the wave equation parameters that represent the material using neural networks, given measured solution values at one end over a sequence of time steps. After the conducted study, we were able to obtain wave estimations using convolutional networks with a deviation of less than 5 % from the range of values in all cases for the direct problem. On the other hand, in the inverse problem, the model faced difficulties in estimating one of the parameters (object position) out of the three studied. Finally, it was determined that the issue resided in the generated data sets used to train the model, as they did not contain sufficient information to represent the entire parameter space.
dc.description.departmentDepto. de Análisis Matemático y Matemática Aplicada
dc.description.facultyFac. de Ciencias Matemáticas
dc.description.refereedTRUE
dc.description.statussubmitted
dc.identifier.urihttps://hdl.handle.net/20.500.14352/87279
dc.language.isospa
dc.page.total45
dc.rights.accessRightsopen access
dc.subject.cdu004.032.26
dc.subject.cdu517.6
dc.subject.keywordEcuación de onda
dc.subject.keywordMétodo de elementos finitos
dc.subject.keywordRed convolucional 1D
dc.subject.keywordPredicción de ondas
dc.subject.keywordProblemas inversos
dc.subject.keywordMATLAB
dc.subject.keywordPython
dc.subject.keywordWave equation
dc.subject.keywordFinite element method
dc.subject.keywordConvolutional network 1D
dc.subject.keywordWave prediction
dc.subject.keywordWave analysis
dc.subject.ucmInteligencia artificial (Informática)
dc.subject.ucmAnálisis numérico
dc.subject.ucmEcuaciones diferenciales
dc.subject.unesco1206 Análisis Numérico
dc.subject.unesco1203.04 Inteligencia Artificial
dc.titlePropagación de ondas mediante aprendizaje automático
dc.typebachelor thesis
dc.type.hasVersionVoR
dspace.entity.typePublication
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
TFG_MiguelPeñalverCarvajal_2023.pdf
Size:
3.02 MB
Format:
Adobe Portable Document Format
Download
Collections
Trabajos Fin de Grado (TFG) y Diplomas de Estudios Avanzados (DEA)