Estudos sobre a aplicação de autoencoder para construção de inferências na indústria química

• Ano de defesa: 2019
• Autor(a) principal: Menegolla, Henrique Binotto
• Orientador(a): Trierweiler, Jorge Otávio, Farenzena, Marcelo
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Indústria química; Otimização de processos; Redes neurais artificiais; Aprendizado de máquina; Inferência estatística
• Palavras-chave em Inglês: Autoencoder
• Link de acesso: http://hdl.handle.net/10183/205357

Na indústria moderna os processos são otimizados para uma produção mais segura, mais limpa e mais eficiente em termos energéticos. Para isso, sistemas avançados de monitoramento e controle vêm ganhando destaque nas fábricas e refinarias de petróleo. No entanto, processos industriais enfrentam problemas na medição de algumas variáveis, como por exemplo, a qualidade dos produtos, concentração dos componentes. O uso de analisadores em linha ou de medições laboratoriais não viabiliza o controle direto, por conta do tempo de amostragem e incerteza das medições dos analisadores. Para contornar esse problema e gerar informações frequentes e confiáveis, este trabalho faz um estudo de autoencoder, uma ferramenta baseada em redes neurais, que ainda não foi estudada visando o desenvolvimento e a manutenção de inferências. Este trabalho apresenta algumas técnicas de machine learning visando o tratamento prévio dos dados e em seguida, é feito o treinamento de uma rede neural de aprendizagem não-supervisionada que através da compressão e descompressão das entradas, chamada de autoencoder, que cria um espaço latente de menor dimensão capaz de concentrar as informações contidas nos dados empregados no desenvolvimento das inferências. A metodologia proposta para o desenvolvimento das inferências é feita a partir deste espaço reduzido pelo autoencoder. O espaço latente do autoencoder pode ser visto como a generalização dos componentes principais obtidos através da metodologia PCA. Desta forma, também são desenvolvidas inferências utilizando a metodologia PCA para comparação entre a mais utilizada atualmente e o objeto de estudo deste trabalho. A primeira etapa, é feito o pré-processamento dos dados. Posteriormente os dados são separados em conjuntos de treino, validação e teste, utilizando a metodologia k-rank. Em seguida os modelos são construídos através de regressões lineares com métodos (Ridge e Lasso, Lars) que realizam a seleção de variáveis, impondo restrições às variáveis desnecessárias aos modelos, os quais são validados utilizando diversas métricas de avaliação.Essa metodologia é testada com dois estudos de caso. Um com dados gerados artificialmente de modo a se ter uma base de dados com relações entre variáveis conhecida. E outro com dados de uma simulação em Aspen Plus de uma unidade de separação de propeno/propano. Essa unidade tem o objetivo de produzir propeno com pureza de 99,6%, a partir de uma carga de GLP. A qual é composta por três colunas de destilação. Na primeira coluna, retira-se os compostos pesados pelo fundo e a corrente de topo segue para a segunda coluna que tem o objetivo de retirar o etano da corrente. Com isso, a corrente de fundo dessa coluna segue para uma terceira coluna, a qual separa o propeno do propano. As informações úteis para ajudar no controle da unidade são: concentração de pesados no topo da primeira coluna para que possa ser reduzida a quantidade dessa impureza; na segunda coluna é importante reduzir o propeno que escapa junto com o etano pelo topo da coluna, para aumentar a produção final da planta; e na terceira coluna é importante manter a corrente de topo dentro da especificação, com isso é necessário estimar a impureza de propano no topo da coluna. Os resultados obtidos não conseguem apontar para uma clara superioridade na qualidade das inferências geradas em relação ao método com PCA dentro dos casos estudados com a metodologia proposta.