Trabalho de conclusão de graduação
Predição de emissão de gases de exaustão de turbinas em termelétricas usando redes neuronais e modelos híbridos
Autor
Azevedo, Antonio Rocha
Institución
Resumen
O monitoramento de emissões é necessário em toda planta industrial que libere gases nocivos
ao meio-ambiente, tendo em vista a intensificação das mudanças climáticas e o consequente
recrudescimento da legislação vigente. Sistemas de Monitoramento Contínuo de Emissões
(CEMS) são o padrão utilizado hoje em dia para essa quantificação, mas possuem alto custo
de aquisição e manutenção, além de perderem sua sensibilidade ao longo do tempo. Assim,
cresce o interesse no desenvolvimento de Sistemas Preditivos de Monitoramento de Emissões
(PEMS), que se baseiam em modelos matemáticos para se prever a concentração dos gases de
exaustão — trazendo benefícios econômicos e de operação. Neste trabalho, estuda-se o desenvolvimento
de diferentes arquiteturas de redes neuronais para uso em PEMS: particularmente
na predição da emissão de gases (NOx, O2 e CO) de uma usina termelétrica. Duas abordagens
são estudadas: uma puramente baseada em dados — estimação direta da emissão dos gases
pela rede neuronal — e outra híbrida — onde a rede é acoplada a um modelo fenomenológico,
de maneira a prever seu erro de estimação. A segunda abordagem é relevante pois aumenta
a aderência do modelo fenomenológico já existente aos dados da planta, além de facilitar e
acelerar o processo de aprendizado dos modelos baseados em dados, devendo aprender mais
rapidamente. Um conjunto de dados de 2015 para uma turbina a g´as foram utilizados para o
treino e validação dos modelos, utilizando-se uma separação de 70%/30% (respectivamente).
Todas as redes obtiveram resultados similares na estimação de NOx e O2 em ambas as abordagens,
embora os modelos híbridos tenham de fato aprendido mais facilmente. No entanto,
nenhuma rede obteve êxito na estimação do CO. A dificuldade no aprendizado dos modelos
nessa estimação mostra que não é possível traçar conclusões globais acerca da melhor arquitetura
ou tipo de rede, que pode variar de acordo com a variável estimada. A proximidade da
precisão dos modelos nos leva a crer que seu desempenho foi limitado pela quantidade de dados
disponível para o aprendizado, dado à grande complexidade do problema. A recente obtenção
de dados para uma faixa de 10 anos e 6 turbinas ´e um bom ponto de partida para análises mais
robustas e conclusivas, embora deva-se atentar `as faixas de operação usadas no treino assim
como à qualidade dos dados.