Aprendizaje por refuerzo profundo para la compensación de fase y control de seguimiento en simulación híbrida

Este trabajo continúa con el uso de Aprendizaje por Refuerzo Profundo (en inglés Deep Reinforcement Learning o DRL) en simulaciones híbridas en tiempo real (en inglés Real-Time Hybrid Simulation o RTHS) para diseñar un agente capaz de realizar las acciones de control de seguimiento y compensación de...

Full description

Autores:

Amaya Carreño, Juan David

Tipo de recurso:

Trabajo de grado de pregrado

Fecha de publicación:

2022

Institución:

Universidad de los Andes

Repositorio:

Séneca: repositorio Uniandes

Idioma:

spa

OAI Identifier:

oai:repositorio.uniandes.edu.co:1992/59341

Acceso en línea:

http://hdl.handle.net/1992/59341

Palabra clave:

Aprendizaje por Refuerzo
Real Time Hybrid Simulation
RTHS
Aprendizaje por Refuerzo Profundo
Control Estructural
Ingeniería

Rights

openAccess

License

Attribution-NonCommercial-NoDerivatives 4.0 Internacional