Detalhes bibliográficos
| Ano de defesa: |
2024 |
| Autor(a) principal: |
Costa, Erbet Almeida
 |
| Orientador(a): |
Schnitman, Leizer
|
| Banca de defesa: |
Foresti, Bernardo Pereira
,
Schnitman, Leizer
,
Nogueira, Idelfonso Bessa dos Reis
,
Corona, Francesco
,
Nascimento, Erick Giovani Sperandio,
Silva, Flavio Vasconcelos da |
| Tipo de documento: |
Tese
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal da Bahia
|
| Programa de Pós-Graduação: |
Programa de Pós-Graduação em Mecatrônica da UFBA (PPGM)
|
| Departamento: |
Instituto de Computação - IC
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Área do conhecimento CNPq: |
|
| Link de acesso: |
https://repositorio.ufba.br/handle/ri/40805
|
Resumo: |
Esta tese apresenta uma metodologia inovadora destinada a atender às crescentes demandas e desafios em sistemas de Aprendizado de Máquina Científica (SciML, do inglês Scientific Machine Learning), sistemas de bombeamento centrífugo submerso (ESP, do inglês Electric Submersible Pumps), sistemas de elevação de artificial e processos de adsorção por oscilação de press˜ão (PSA) por meio de aprendizado robusto, estimação de parâmetros, aprendizagem profunda e gêmeos digitais. A metodologia proposta é abrangente para avaliar múltiplas facetas de incerteza inerentes à identificação do modelo SciML, considerando a base da literatura, a sensibilidade dos dados e o esforço computacional. A metodologia identifica e valida modelos de aprendizagem profunda, utilizando um modelos não lineares para geração de dados e superaç˜ao de limitações de dados experimentais. A metodologia possui um m´etodo Bayesiano integrado, como etapa metodológica, que é empregado para para estimação de parâmetros, avaliação da incerteza, validaç˜ao de modelos fenomenológicos e orientado a dados. O método é tratado em etapas que alinham com sucesso o modelo com dados experimentais, tanto dinamicamente como em estado estacionário, mostrando o potencial da metodologia para representar o comportamento do sistema dentro das incertezas existentes. Este desenvolvimento permite a construção de modelos dinâmicos de IA confiáveis e computacionalmente eficientes para planejamento, construção, controle e otimizaç˜ao de gêmeos digitais. A metodologia é posta a prova frente diversos estudos de caso. Os resutlados são compostos por modelos validados contra dados sintéticos e experimentais que apresentam compatibilidade com o comportamento dinâmico do modelo n˜ao linear e suas incertezas. Uma primeira validação do método é realizada através de um estudo de caso envolvendo o desenvolvimento de um sensor virutal para um reator de polimerização, demonstrando robustez e consistência no tratamento de incertezas no campo SciML. Dois estudos de caso são realizados para sistemas de elevação artificial baseado em BCS. Nestes estudos de casos a técnica se mostrou promissora para caracteriaç˜ao e representaç˜ao do sistema e pavimenta o caminho para aplicaç˜oes em campos de produç˜ao de petróleo, particularmente em controle de produção, otimização e assistência. No contexto dos processos PSA, é apresentada uma nova abordagem para o desenvolvimento de um gêmeo digital com avaliç˜ao da incerteza, capaz de mapear o comportamento cíclico e complexo dos sistemas PSA. Através da aprendizagem on-line contínua e da integraç˜ao de um novo feedback tracker, o gêmeo digital representa e se adapta com precis˜ao às complexidades do sistema PSA, abordando desafios como a degradação do adsorvente. Esta metodologia oferece repostas sobre as aplicações da IA e dos gêmeos digitais na otimização de processos industriais e no apoio ao desenvolvimento sustentável em vários setores. Juntos, esses trabalhos contribuem com resultados e metodologias valiosas para seus respectivos campos, demonstrando o potencial das tecnologias avançadas para melhorar a representação de sistemas, abordar incertezas e abrir caminho para desenvolvimentos futuros em aplicaç˜oes industriais. |
