Detalhes bibliográficos
| Ano de defesa: |
2020 |
| Autor(a) principal: |
Souza, Mateus Guilherme Melo de |
| Orientador(a): |
Gonzalez, Mario Orestes Aguirre |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal do Rio Grande do Norte
|
| Programa de Pós-Graduação: |
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://repositorio.ufrn.br/handle/123456789/46814
|
Resumo: |
O aquecimento global alertou à comunidade internacional da necessidade de uso de fontes renováveis e limpas na geração de energia elétrica. Nesse cenário, a energia eólica se encontra em expansão. Como essa fonte de geração depende de um equipamento central, o aerogerador, a sua operação e manutenção é fundamental para a viabilidade do negócio, e por isso, a aplicação de novas tecnologias, como a Inteligência Artificial, pode trazer maior competitividade do setor. O objetivo do estudo é apresentar um framework para a aplicação de Inteligência Artificial na operação e manutenção de parques eólicos. Para tanto, foi realizada uma pesquisa teórica e de campo. A pesquisa teórica considerou uma revisão tradicional da literatura e uma revisão bibliográfica sistemática. O estado da arte foi identificado pela análise detalhada de 51 artigos obtidos na Plataforma Periódicos da Capes. Foram identificados os equipamentos estudados, métodos e métricas adotadas e etapas da aplicação da IA. A pesquisa de campo foi realizada pela aplicação do framework em um parque eólico, mediante a simulação de uma aplicação de monitoramento da condição de rolamentos através da modelagem da temperatura, mediante dados SCADA. Três modelos de redes neurais foram testados: Rede Neural Feedforward, Rede Neural Autorregressiva e Long Short-Term Memory O modelo de Long Short-Term Memory apresentou a melhor performance dentre os algoritmos testados, mesmo quando comparado com outros estudos, o que mostra que ele pode ser usado para esse tipo de aplicação. O framework proposto é dividido em quatro macro-etapas: Seleção da aplicação, preparação de dados, desenvolvimento do modelo e avaliação de resultados. |
