Estratégia de otimização de processos com o uso de redes neurais artificiais

• Ano de defesa: 2021
• Autor(a) principal: Siqueira, Felipe Macedo Freitas
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Inteligência artificial; Rede neural artificial; UniSim®; Otimização; Simulação; Métricas avaliativas; Engenharia química; Otimização de processo; Machine learning; Artificial intelligence; Artificial neural networks; Otimization; Simulation; Evaluative metrics; Scilab®; Python Anaconda®
• Link de acesso: https://app.uff.br/riuff/handle/1/22073

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