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...

Full description

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
Description
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.