Using deep reinforcement learning to design a tracking controller for a real-time hybrid simulation benchmark problem
Este trabajo introduce el uso de Deep Reinforcement Learning (DRL) en simulaciones híbridas en tiempo real (Real Time Hybrid Simulation en inglés o RTHS) para diseñar el controlador de seguimiento que acopla las particiones numéricas y experimentales del sistema simulado. Diseñamos diferentes contro...
- Autores:
-
Niño Hilarión, Andrés Felipe
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2021
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- eng
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/55345
- Acceso en línea:
- http://hdl.handle.net/1992/55345
- Palabra clave:
- Real-time Hybrid Simulation
Reinforcement learning
RTHS
Machine learning
Structural Control
Ingeniería
- Rights
- openAccess
- License
- https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
| Summary: | Este trabajo introduce el uso de Deep Reinforcement Learning (DRL) en simulaciones híbridas en tiempo real (Real Time Hybrid Simulation en inglés o RTHS) para diseñar el controlador de seguimiento que acopla las particiones numéricas y experimentales del sistema simulado. Diseñamos diferentes controladores y los probamos en un entorno virtual de RTHS. Los resultados obtenidos muestran que es posible integrar múltiples etapas del controlador en una sola red neuronal, y que un error de seguimiento bajo se puede obtener con redes neuronales simples siempre y cuando los parámetros del proceso de aprendizaje se seleccionen correctamente. |
|---|