Sistemática para o desenvolvimento e manutenção de inferências

• Ano de defesa: 2023
• Autor(a) principal: Santos, Pedro Victor José de Lima
• Orientador(a): Trierweiler, Jorge Otávio
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Processos industriais; Inferência estatística; Processamento de dados
• Link de acesso: http://hdl.handle.net/10183/277006

Os processos industriais modernos buscam constantemente 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 finalmente gerar informações frequentes e confiáveis, inferências são utilizadas. Seu desenvolvimento e manutenção ainda podem ser complexos em muitos casos, sendo uma nova metodologia proposta neste trabalho. Algumas técnicas de machine learning são apresentadas e utilizadas, bem como uma nova metodologia para segregação de dados, que agrupa as amostras com o método k-means e as seleciona aplicando y-rank nos clusters gerados. Essa técnica, k-rank, se mostrou mais eficiente do que o y-rank em seleções de dados com multiplicidade de soluções. Em seguida, a metodologia proposta para o desenvolvimento das inferências é detalhada, a qual é separada em etapas, cujo objetivo é melhorar a qualidade do modelo final. A primeira etapa, pré-processamento dos dados, é responsável pela lapidação dos dados. Posteriormente os dados são separados em conjuntos de calibração e teste, utilizando a metodologia k-rank. Em seguida os modelos são construídos através de métodos (Ridge, Lasso, Lars, e algoritmos de busca) que realizam a seleção de variáveis, descartando as variáveis desnecessárias aos modelos, os quais são validados utilizando diversas métricas de avaliação. Essa metodologia é testada com dados de uma simulação rigorosa 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 sendo composta por três colunas de destilação. Os resultados obtidos mostram que é possível estimar as concentrações dos componentes-chave com elevado grau de confiança para ajudar no controle do processo. Para isso foram criadas expansões polinomiais com as variáveis de processo disponíveis, e foram criados modelos com parâmetros lineares, porém com características não lineares. Baseado na metodologia proposta, conclui-se que foi possível estimar as concentrações chave para o controle da unidade. Entretanto, em algumas situações de concentrações muito baixas o erro foi demasiado, como na coluna T-03, para a estimativa de propano no topo. Mas percebe-se que para concentrações acima de 0,0002 kg/kg de propano no topo dessa coluna, pode-se estimar com um erro máximo deaproximadamente 16%. E como a coluna propõe uma pureza de 99,6% de propeno, o erro para concentrações próximas de 0,004 kg/kg de propano ainda é menor. Pois quanto mais baixa a concentração de propano, maior o erro da sua estimativa. Já para as colunas T-01 e T-02, as variáveis foram estimadas com boa acurácia, com erros percentuais médios abaixo de 2% para todas as concentrações estimadas.