Detalhes bibliográficos
Ano de defesa: |
2021 |
Autor(a) principal: |
Siqueira, Felipe Macedo Freitas |
Orientador(a): |
Não Informado pela instituição |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Dissertação
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Não Informado pela instituição
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: |
|
Link de acesso: |
https://app.uff.br/riuff/handle/1/22073
|
Resumo: |
Com o crescimento da capacidade computacional para processamento de dados, a solução de problemas cada vez mais complexos tem sido viabilizada por meio da inteligência artificial (IA), a qual tenta mimetiza as sinapses e os pensamentos humanos (machine learning). Um dos métodos de IA utilizados na indústria de processos químicos, como modelo preditivo, é a rede neural artificial (RNA), que gera um modelo matemático aproximado, a partir do conhecimento de dados gerados pelo sistema (processo real ou modelo rigoroso). O objetivo deste trabalho é utilizar RNA como modelo preditivo de simulação e otimização de processos. O UniSim® foi o software utilizado para desenvolvimento do modelo rigoroso necessário para construção do banco de dados para o treinamento e teste da RNA, implementada no software Scilab® e na IDE Spyder® de linguagem Python®. A RNA foi utilizada em duas estratégias diferentes: (i) simulação do processo no seu estado estacionário e (ii) otimização do processo em diferentes pontos de estado estacionário (de acordo com distúrbios em algumas variáveis). Três estudos de caso foram escolhidos para aplicação: (a) processo de produção de amônia, (b) rede de trocadores de calor e (c) processo de produção de n-pentano. Diferentes métricas avaliativas foram utilizadas para a análise estatística, referente a performance da RNA: MSE (mean square error), RMSE (root mean square error), MAPE (mean absolute percentage error), MAE (mean absolute error), erro percentual absoluto, desvio padrão e análise do histograma da distribuição do erro percentual absoluto. Todos os processos estudados puderam ser treinados, satisfatoriamente. De acordo com as métricas sugeridas, a RNA com menor MSE produzida obteve os seguintes valores para a etapa de teste (dados nunca apresentados à RNA): 0,00027 (processo de produção de amônia – RNA-PS); 0,00012 (processo de produção de n-pentano – RNA-PS); 0,00116 (processo de produção de n-pentano – RNA-PO) e 0,00018 (rede de trocadores de calor – RNA-PO). Os resultados mostraram que a RNA pode ser uma estratégia alternativa ao uso do simulador rigoroso para computar o ponto ótimo de plantas de diversos processos e para diferentes cenários |