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