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
id UNIANDES2_e289c77b78d989b6db9358753b23522b
oai_identifier_str oai:repositorio.uniandes.edu.co:1992/55345
network_acronym_str UNIANDES2
network_name_str Séneca: repositorio Uniandes
repository_id_str
spelling Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Giraldo Trujillo, Luis Felipe87382f6b-7bf5-4ed1-8463-1721274e1bb7400Gutierrez Soto, Mariantonieta20b67145-e133-45c0-b461-a2eca1f49a71500Niño Hilarión, Andrés Felipe01592c16-f3ad-4182-a852-be3cc2e10d0b500Silva, ChristianPalacio-Betancur, AlejandroMiranda, PiedadAmaya, Juan DavidZambrano Jacobo, Andrés Felipe2022-02-22T19:56:50Z2022-02-22T19:56:50Z2021http://hdl.handle.net/1992/5534526310.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/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.This paper introduces the use of Deep Reinforcement Learning (DRL) in Real Time Hybrid Simulation (RTHS) to design the tracking controller that couples the experimental and numerical partition of the simulated system. We design different controllers and test them in a virtual RTHS environment. Our results show that it is possible to integrate multiple stages of the controller in a single neural network, and that a low tracking error can be obtained with simple neural networks when the hyper-parameters of the learning process are correctly tuned.Ingeniero ElectrónicoPregrado25 páginasapplication/pdfengUniversidad de los AndesIngeniería ElectrónicaFacultad de IngenieríaDepartamento de Ingeniería Eléctrica y ElectrónicaUsing deep reinforcement learning to design a tracking controller for a real-time hybrid simulation benchmark problemTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPReal-time Hybrid SimulationReinforcement learningRTHSMachine learningStructural ControlIngeniería201631692PublicationTHUMBNAIL26310.pdf.jpg26310.pdf.jpgIM Thumbnailimage/jpeg15389https://repositorio.uniandes.edu.co/bitstreams/0789b37d-0a8f-4784-806a-1882e977594f/download3fcafc081a099d791f1b0b11c63fb959MD53ORIGINAL26310.pdfapplication/pdf2352894https://repositorio.uniandes.edu.co/bitstreams/1f326a73-80f5-4247-8959-624b03314fc0/download1a1f4b59285c5e75f45cf8657f8ff317MD51TEXT26310.pdf.txt26310.pdf.txtExtracted texttext/plain43051https://repositorio.uniandes.edu.co/bitstreams/52ee6a63-c666-4283-b5a4-7e74f2ff2993/download69bab37040a48ad0c02f9bf452e9e8baMD521992/55345oai:repositorio.uniandes.edu.co:1992/553452023-10-10 16:46:42.56https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co
dc.title.eng.fl_str_mv Using deep reinforcement learning to design a tracking controller for a real-time hybrid simulation benchmark problem
title Using deep reinforcement learning to design a tracking controller for a real-time hybrid simulation benchmark problem
spellingShingle Using deep reinforcement learning to design a tracking controller for a real-time hybrid simulation benchmark problem
Real-time Hybrid Simulation
Reinforcement learning
RTHS
Machine learning
Structural Control
Ingeniería
title_short Using deep reinforcement learning to design a tracking controller for a real-time hybrid simulation benchmark problem
title_full Using deep reinforcement learning to design a tracking controller for a real-time hybrid simulation benchmark problem
title_fullStr Using deep reinforcement learning to design a tracking controller for a real-time hybrid simulation benchmark problem
title_full_unstemmed Using deep reinforcement learning to design a tracking controller for a real-time hybrid simulation benchmark problem
title_sort Using deep reinforcement learning to design a tracking controller for a real-time hybrid simulation benchmark problem
dc.creator.fl_str_mv Niño Hilarión, Andrés Felipe
dc.contributor.advisor.spa.fl_str_mv Giraldo Trujillo, Luis Felipe
Gutierrez Soto, Mariantonieta
dc.contributor.author.spa.fl_str_mv Niño Hilarión, Andrés Felipe
dc.contributor.other.none.fl_str_mv Silva, Christian
Palacio-Betancur, Alejandro
Miranda, Piedad
Amaya, Juan David
dc.contributor.jury.spa.fl_str_mv Zambrano Jacobo, Andrés Felipe
dc.subject.keyword.none.fl_str_mv Real-time Hybrid Simulation
Reinforcement learning
RTHS
Machine learning
Structural Control
topic Real-time Hybrid Simulation
Reinforcement learning
RTHS
Machine learning
Structural Control
Ingeniería
dc.subject.themes.none.fl_str_mv Ingeniería
description 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.
publishDate 2021
dc.date.issued.none.fl_str_mv 2021
dc.date.accessioned.none.fl_str_mv 2022-02-22T19:56:50Z
dc.date.available.none.fl_str_mv 2022-02-22T19:56:50Z
dc.type.spa.fl_str_mv Trabajo de grado - Pregrado
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.version.spa.fl_str_mv info:eu-repo/semantics/acceptedVersion
dc.type.coar.spa.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.content.spa.fl_str_mv Text
dc.type.redcol.spa.fl_str_mv http://purl.org/redcol/resource_type/TP
format http://purl.org/coar/resource_type/c_7a1f
status_str acceptedVersion
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/1992/55345
dc.identifier.pdf.spa.fl_str_mv 26310.pdf
dc.identifier.instname.spa.fl_str_mv instname:Universidad de los Andes
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional Séneca
dc.identifier.repourl.spa.fl_str_mv repourl:https://repositorio.uniandes.edu.co/
url http://hdl.handle.net/1992/55345
identifier_str_mv 26310.pdf
instname:Universidad de los Andes
reponame:Repositorio Institucional Séneca
repourl:https://repositorio.uniandes.edu.co/
dc.language.iso.spa.fl_str_mv eng
language eng
dc.rights.uri.*.fl_str_mv https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.extent.spa.fl_str_mv 25 páginas
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.publisher.spa.fl_str_mv Universidad de los Andes
dc.publisher.program.spa.fl_str_mv Ingeniería Electrónica
dc.publisher.faculty.spa.fl_str_mv Facultad de Ingeniería
dc.publisher.department.spa.fl_str_mv Departamento de Ingeniería Eléctrica y Electrónica
institution Universidad de los Andes
bitstream.url.fl_str_mv https://repositorio.uniandes.edu.co/bitstreams/0789b37d-0a8f-4784-806a-1882e977594f/download
https://repositorio.uniandes.edu.co/bitstreams/1f326a73-80f5-4247-8959-624b03314fc0/download
https://repositorio.uniandes.edu.co/bitstreams/52ee6a63-c666-4283-b5a4-7e74f2ff2993/download
bitstream.checksum.fl_str_mv 3fcafc081a099d791f1b0b11c63fb959
1a1f4b59285c5e75f45cf8657f8ff317
69bab37040a48ad0c02f9bf452e9e8ba
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio institucional Séneca
repository.mail.fl_str_mv adminrepositorio@uniandes.edu.co
_version_ 1812133899762925568

Publicaciones similares