dc.contributor | Valdman, Andrea | |
dc.contributor | http://lattes.cnpq.br/0710718075130880 | |
dc.contributor | http://lattes.cnpq.br/0932288344594731 | |
dc.contributor | Souza Junior, Maurício Bezerra de | |
dc.contributor | http://lattes.cnpq.br/4530858702685674 | |
dc.contributor | Folly, Rossana Odette Mattos | |
dc.contributor | http://lattes.cnpq.br/4307857099553577 | |
dc.contributor | Parente, Andréa Pereira | |
dc.contributor | http://lattes.cnpq.br/9458055897856809 | |
dc.contributor | Sá, Manuella Cristina Correia de | |
dc.creator | Tiradentes, Rafael Pinto | |
dc.date | 2020-06-17T19:47:38Z | |
dc.date | 2023-09-27T03:03:07Z | |
dc.date | 2020-01 | |
dc.date.accessioned | 2023-09-27T13:40:03Z | |
dc.date.available | 2023-09-27T13:40:03Z | |
dc.identifier | http://hdl.handle.net/11422/12546 | |
dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8911494 | |
dc.description | O acompanhamento de variáveis de processo é fundamental para o conhecimento e
correção de condições operacionais em plantas industriais de processos químicos e
bioquímicos. Embora os sensores comerciais e os modelos fenomenológicos forneçam uma solução convencional, a complexidade e não linearidade de alguns processos impõe dificuldades à medição de algumas variáveis de interesse. Em resposta a estes problemas, soluções baseadas em aprendizado de máquina – tais como redes neuronais – são propostas. No atual contexto big data, historiadores de processo tornaram as indústrias modernas em um ambiente rico e propício para modelos preditivos baseados em dados. A literatura indica não somente a competitividade na resolução de problemas das redes neuronais em relação aos métodos clássicos, como também sua capacidade generalista e a modelagem matemática clara e de fácil compreensão ao engenheiro de processos. É de grande importância o estabelecimento de metodologias de implementação destes modelos preditivos, alcançando benefícios como a redução de custos operacionais e o incremento da confiabilidade operacional. Este trabalho propõe metodologias para implementação e diagnóstico da qualidade de sensores virtuais offline e online baseado em redes neuronais Multilayer Perceptron (MLP), que forneçam tanto a flexibilidade de implementação quanto à simplicidade de configuração pelo engenheiro de processos. A metodologia foi aplicada para o modelo de predição do teor de amônia na saída de fundo da coluna stripper da Fábrica Carioca de Catalisadores. Uma proposta de sensor offline e duas propostas de sensor online
são apresentadas, utilizando softwares comerciais amplamente disponíveis em plantas
industriais: planilha eletrônica e um historiador industrial de processos. As ferramentas foram validadas com os padrões da etapa de validação da rede neuronal, não indicando desvios significativos. O funcionamento dos sensores não apresentou interrupções inesperadas ou ciclos de cálculo superiores a 1 segundo. Testes com sensor offline alcançaram a taxa de cálculo de 1,7 milissegundo por padrão. Embora o foco deste trabalho esteja na proposta da metodologia para implementação do sensor virtual, a rede neuronal foi validada para o seu ano de treinamento, evidenciando correspondência dos resultados com as tendências operacionais. Testes de performance indicaram ainda a possibilidade de redução do intervalo de cálculo de treinamento (20 minutos) em um quarto, com ganhos de qualidade nos indicadores R² e erro quadrático médio. Resultados para as atuais condições operacionais evidenciaram a necessidade de manutenção da rede neuronal. | |
dc.language | por | |
dc.publisher | Universidade Federal do Rio de Janeiro | |
dc.publisher | Brasil | |
dc.publisher | Escola de Química | |
dc.publisher | UFRJ | |
dc.rights | Acesso Aberto | |
dc.subject | Sensores virtuais | |
dc.subject | Amônia | |
dc.subject | Redes neuronais | |
dc.subject | Sistemas de automação | |
dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA | |
dc.title | Implementação em sistemas de automação de sensor virtural baseado em redes neuronais | |
dc.type | Trabalho de conclusão de graduação | |