Sistemas bio-inspirados
y aplicaciones energéticas
Por
Julio R. Gómez Sarduy* y Marcos A. de Armas Teyra**
Aplicaciones inteligentes para la solución de problemas energéticos, entre otros, inspiradas en los métodos que emplea la naturaleza para desarrollar soluciones.
|
|
|
El hombre, desde épocas remotas, ha tratado de reproducir en las máquinas y dispositivos que construye las características, propiedades y atributos que millones de años de evolución han otorgado a los organismos vivos que lo rodean en la naturaleza. Un ejemplo que ha dejado como herencia para la humanidad la utilidad de la imaginación fecunda fue Leonardo Da Vinci, quien entre muchas de sus ideas científicas realizó el diseño de diferentes máquinas voladoras inspiradas en el vuelo de los pájaros (Fig. 1). Si bien este proyecto no se pudo llevar a cabo en su época, ilustra la virtud de sus ideas. También son fértiles las de Verne y otros escritores que, inspirados en la naturaleza, con carácter profético hicieron soñar con posibilidades que hoy día son o se hacen realidad a cada momento.
En adición, los seres vivos poseen características más complejas que también fascinan y autofascinan al ser humano, como el aprendizaje sobre errores, la capacidad de tolerancia, la adaptabilidad extrema, el reflejo incondicionado y la capacidad de evolucionar, todas ellas difícilmente reproducibles mediante métodos tradicionales de ingeniería.
Inspirados en la biología, y con el auxilio de las técnicas informáticas, los científicos han podido desarrollar herramientas matemáticas fundadas sobre principios biológicos, como las redes neuronales artificiales y la computación evolutiva, que constituyen técnicas no convencionales para el tratamiento y la modelación de diferentes sistemas en que se introducen con éxito las aplicaciones energéticas. Estas nuevas herramientas de cálculo, como muestra la figura 2, se conocen bajo el nombre de inteligencia computacional y han sido utilizadas con éxito en áreas tan disímiles como la salud, la defensa, el deporte, el transporte, la meteorología, la economía y la industria, entre otras.

Fig. 1. Ornitóptero de Da Vinci,
ingenio inspirado en el vuelo de las aves.
Aunque estas herramientas son suficientemente potentes para resolver los problemas quesurgen en un escenario fronterizo entre la modelación y la incertidumbre del mundo real, para aplicarlas en la práctica de forma satisfactoria exigen determinada experiencia, que se logra, además de por esfuerzo, dedicación y destreza, por la repetición de ensayos; es decir, con la aplicación de un método antiguo, también biológico, inteligente y sabio muy bien utilizado hasta hoy: el método de prueba y error.
Aquí se presenta una visión general de las redes neuronales y los algoritmos genéticos, así como la mención de sus aplicaciones a la energética, desarrolladas actualmente en el Centro de Estudios de Energía y Medio Ambiente (CEEMA), de la Universidad de Cienfuegos.
Redes neuronales artificiales
Los seres vivos adquieren información del medio y actualizan su memoria por medio del aprendizaje. Inspirados en este proceso, la ingeniería ha desarrollado sistemas que operan sobre la base de reconocer patrones y de adquirir, almacenar y utilizar el conocimiento obtenido a partir de experiencias. Un ejemplo son las redes neuronales artificiales, que tienen la capacidad de adquirir el conocimiento sin una programación de forma directa, como en los sistemas expertos, sino que se adquiere a partir de ejemplos «vividos», por ajuste de parámetros de las neuronas, mediante un algoritmo de aprendizaje.

Fig. 2. Herramientas que se agrupan para conformar la inteligencia computacional.
Una red neuronal artificial es un sistema con integración masiva de elementos matemáticos de cálculo denominados neuronas. Las neuronas están normalmente organizadas en capas y reciben como entradas las señales que producen otras neuronas conectadas a ellas. A partir de esas entradas se generan una o varias respuestas generalmente no lineales. Su funcionamiento está inspirado en el modelo de las células nerviosas de los seres vivos (Fig. 3).

Fig. 3. A) Neurona biológica. B) Neurona artificial.
A imagen y semejanza de los cambios estructurales que ocurren a nivel biológico, el aprendizaje de las redes neuronales está estrechamente ligado con el ajuste de los pesos sinápticos o de interconexión y con la arquitectura de la red.
El aprendizaje puede ser supervisado o no supervisado. Si se emplea el aprendizaje supervisado se lleva a cabo una corrección del error que existe entre el valor de salida de la red, comparado con un patrón de entrada, y un valor deseado de salida. Cuando el aprendizaje es no supervisado, no existe un muestreo externo que indique si la red está operando correcta o incorrectamente al no disponer de una salida, objetivo hacia el cual la red debe tender. Este tipo de red debe descubrir por sí misma rasgos comunes, regularidades, correlaciones o categorías de los datos de entrada e incorporarlos a su estructura interna. De esta manera se dice que las redes se auto-organizan en función de los estímulos que vienen del exterior.
Una de las redes más utilizadas es la multicapa de alimentación progresiva. La figura 4 muestra una red de este tipo con S neuronas y R entradas. Normalmente, las redes neuronales poseen una o más capas ocultas seguidas de una capa de salida con neuronas activadas por funciones lineales.

Fig. 4. Esquema detallado de una red neuronal
con S neuronas por capa y R entradas.
En sentido general, las redes neuronales artificiales se aplican a tareas en las que un ser humano se desenvuelve bien, pero en las que un sistema algorítmico tradicional lo hace de un modo ineficaz. No deben aplicarse en aquellos casos en los que la solución algorítmica es eficiente, es decir, en problemas de cálculo aritmético o lógico que los ordenadores tradicionales resuelven muy bien. Tampoco podrán aplicarse en casos en los que no se pueda disponer de un conjunto suficiente de patrones-ejemplo.
Algoritmos genéticos
Un modelo que explica la destreza de los organismos vivos para perpetuarse a través de una descendencia exitosa, es el proceso de evolución natural. Este modelo ha servido para proponer soluciones novedosas a diversos problemas en el campo de la ingeniería, a partir de métodos de computación evolutiva. Dentro de estos métodos se encuentran: la programación evolutiva, las estrategias de evolución, los algoritmos genéticos y la programación genética. Aunque cada uno de ellos tiene sus características específicas, todos se hallan fundamentados en el mismo principio y son, de hecho, bastante similares. Las diferencias radican en un nivel más bajo: tipos de operadores genéticos empleados, número de individuos en la población, codificación utilizada, etcétera.
Uno de los algoritmos evolutivos más utilizados son los genéticos (AG), que constituyen una representación del modelo evolutivo, de manera que un problema específico actúa como medio ambiente dentro del cual se desempeña una población formada por individuos que son soluciones candidatas del problema en cuestión. Cada uno de estos individuos (fenotipo), está formado por la información contenida en su genoma (genotipo) y que bien pueden ser las variables independientes cuyos valores se desean conocer.

Fig. 5. Esquema ilustrativo de la composición de un algoritmo genético.
Similarmente a como se propone para la evolución natural, los AG tienden a encontrar mejores soluciones al problema de manera progresiva, gracias a la «renovación del material genético» en la población por medio de los llamados operadores genéticos. La adaptación de los individuos a su ambiente se determina por la función de aptitud, la cual constituye una medida de la calidad de la solución. Un diagrama esquemático de los ingredientes de un AG se muestra en la figura 5. Los elementos básicos son la selección de las soluciones basadas en sus bondades, la reproducción por cruzamiento y la mutación para cambiar los genes de manera aleatoria. La combinación adecuada de estos elementos aplicada de forma iterativa sobre una población de individuos, ofrece un mecanismo de evolución que nos acerca a la solución del problema.
En general, el AG procede como sigue:
1. Generación aleatoria o heurística de una población inicial, P(0).
2. En cada ciclo evolutivo t (generación), se selecciona un subconjunto de individuos P’(t), después de ser evaluados bajo el criterio predefinido por la función de aptitud para reproducirse. Los individuos más aptos tienen más posibilidades de reproducirse, mientras los menos aptos tienden a desaparecer.
3. Se modifica la población seleccionada para encontrar nuevos puntos en el espacio de búsqueda, aplicando operadores genéticos, como el cruzamiento y la mutación.
4. Se introducen los nuevos individuos P»(t) en la población de la siguiente generación P(t+1) y se repite el proceso a partir de la selección de los más aptos.
5. El fin de la búsqueda queda condicionada a un número determinado de generaciones, a la obtención de un valor aceptable de la función de aptitud, etcétera.
El cruzamiento permite al proceso evolutivo moverse hacia mejores regiones en el espacio de búsqueda, mientras que la mutación previene de una convergencia prematura hacia óptimos locales, al muestrear de manera aleatoria nuevos puntos del espacio de búsqueda.
Los elementos de búsqueda que se combinan en los AG (búsqueda determinística y estocástica), presentan algunas ventajas con relación a otros métodos basados en gradientes, aleatorios, exhaustivos, etc. Entre las ventajas de los AG se pueden mencionar las siguientes:
• Satisfacen problemas con espacio de búsqueda poco conocido.
• Son extensamente aplicables.
• Facilidad de incorporar otros métodos.
• Pueden correrse interactivamente, acomodando al usuario a las soluciones propuestas.
• Proveen muchas soluciones alternativas.
En los últimos años, la computación evolutiva se ha utilizado ampliamente en ingeniería y otras áreas para resolver problemas de optimización, programación automática, diseño de circuitos y elementos, modelación y diagnóstico médico, entre otras muchas aplicaciones.
Aplicaciones a la energía
Tanto las redes neuronales artificiales como los algoritmos genéticos, por separado o de manera conjunta, brindan enormes posibilidades para el análisis y la predicción. En el campo energético se reportan numerosas aplicaciones y las investigaciones futuras en este sentido son prometedoras.
En el CEEMA se han desarrollado y desarrollan numerosas aplicaciones de estas herramientas vinculadas al campo de la energía con resultados útiles, eficaces, eficientes o superiores a los obtenidos por otras técnicas:
1. Modelo neuronal del consumo de vapor de un turbogenerador tipo P-4-20/2TK de 5 000 kVA con los parámetros del vapor diferentes de los nominales.
2. Método que utiliza algoritmo genético para determinar la eficiencia y otras características operacionales de los motores asincrónicos operando en condiciones de campo.
3. Identificación neuronal de las propiedades termodinámicas del vapor en un rango de presión y temperatura predeterminado para aplicaciones termoenergéticas.
4. Optimización económica mediante algoritmo genético de un sistema de cogeneración con biomasa.
5. Modelo con redes neuronales del consumo específico de las unidades de generación distribuida diésel de 1 150 y 2 360 kVA.
6. Determinación del consumo de energía y la capacidad de climatización en la simulación térmica de viviendas.
La bio-inspiración conduce al desarrollo de herramientas relativamente nuevas, pero que existen en la naturaleza desde siempre. Las técnicas mencionadas no se inspiran en las soluciones que da la naturaleza, sino en los métodos que emplea para desarrollar esas soluciones. Las aplicaciones prácticas comenzaron a proliferar en los años noventa y abarcan todas las esferas del conocimiento. Actualmente se desarrolla una serie de aplicaciones inteligentes para resolver distintos problemas y modelar sistemas en la rama energética. Estas herramientas deben conocerse y aplicarse con mayor intensidad para el desarrollo futuro de las fuentes renovables de energía y de la optimización y la eficiencia en la explotación de los recursos energéticos.
* Máster en Ciencias.
** Doctor en Ciencias.
Centro de Estudio de Energía y Medio Ambiente (CEEMA),
Universidad de Cienfuegos.
e-mail: jgomez@ucf.edu.cu y marmas@ucf.edu.cu
|