Eu estive pensando em coletores solares, onde vários espelhos independentes focam a luz em um coletor solar, semelhante ao projeto a seguir da Energy Innovations.
Como haverá falhas na montagem desse painel solar, continuarei com as seguintes suposições (ou a falta delas):
O software conhece a "posição" de cada espelho, mas não sabe como essa posição se relaciona com o mundo real ou com outros espelhos. Isso levará em conta a calibração do espelho ou outros fatores ambientais que podem afetar um espelho, mas não os outros.
Se um espelho mover 10 unidades em uma direção e 10 unidades na direção oposta, ele terminará onde foi iniciado originalmente.
Eu gostaria de usar o aprendizado de máquina para posicionar os espelhos corretamente e focar a luz no coletor. Espero abordar isso como um problema de otimização, otimizando as posições do espelho para maximizar o calor dentro do coletor e a potência.
O problema é encontrar um alvo pequeno em um espaço de alta dimensão barulhento (considerando que cada espelho possui 2 eixos de rotação). Alguns dos problemas que antecipo são:
dias nublados, mesmo que você encontre o alinhamento perfeito dos espelhos, pode estar nublado no momento
dados ruidosos do sensor
o sol é um alvo em movimento, se move ao longo de um caminho e segue um caminho diferente todos os dias - embora você possa calcular a posição exata do sol a qualquer momento, não saberia como essa posição se relaciona com seus espelhos
Minha pergunta não é sobre a matriz solar, mas possíveis técnicas de aprendizado de máquina que ajudariam nesse problema de "pequeno alvo em um espaço barulhento de alta dimensão". Mencionei a matriz solar porque foi o catalisador para esta pergunta e um bom exemplo.
Quais técnicas de aprendizado de máquina podem encontrar um alvo tão pequeno em um espaço barulhento de alta dimensão?
EDITAR:
Alguns pensamentos adicionais:
Sim, você pode calcular a posição dos sóis no mundo real, mas não sabe como a posição dos espelhos está relacionada ao mundo real (a menos que você tenha aprendido de alguma forma). Talvez você saiba que o azimute do sol é de 220 graus e a elevação do sol é de 60 graus, e que um espelho está na posição (-20, 42); Agora me diga, esse espelho está alinhado corretamente com o sol? Você não sabe.
Vamos supor que você tenha algumas medições de calor muito sofisticadas, e você sabe "com esse nível de calor, deve haver 2 espelhos alinhados corretamente". Agora, a pergunta é: quais dois espelhos (de 25 ou mais) estão alinhados corretamente?
Uma solução que considerei foi aproximar a "função de alinhamento" correta usando uma rede neural que pegasse o azimute e a elevação dos sóis como entrada e saída de uma grande matriz com 2 valores para cada espelho, que correspondem ao eixo 2 de cada espelho. Não sei ao certo qual é o melhor método de treinamento.
Mais pensamentos:
Os espelhos têm um sistema de coordenadas ao qual o software tem acesso, mas o software não sabe como esse sistema de coordenadas relaciona o mundo real. Digamos que um espelho esteja na posição (4, 42); o que isso significa? Eu não sei e nem o software. Mas eu sei que se eu mover o espelho e movê-lo de volta para (4, 42), o espelho estará na mesma posição em que estava anteriormente. Além disso, dois espelhos podem estar na posição (4, 42), mas apontando para direções opostas no mundo real.
Sim, com muitos sensores de qualidade, o problema é fácil de resolver. A Energy Innovations está fora do negócio da melhor maneira que posso dizer, provavelmente porque eles usaram um monte de sensores realmente impressionantes e as pessoas disseram: "Vou comprar painéis solares, são mais baratos".
Os únicos sensores no sistema estão na cabeça do coletor.