dc.contributor | Secchi, Argimiro Resende | |
dc.contributor | http://lattes.cnpq.br/3710340061939187 | |
dc.contributor | http://lattes.cnpq.br/8845203537715381 | |
dc.contributor | Capron, Bruno Didier Olivier | |
dc.contributor | http://lattes.cnpq.br/3006635957267883 | |
dc.contributor | Andrade Neto, Ataide Souza | |
dc.contributor | http://lattes.cnpq.br/7496973035612970 | |
dc.contributor | Souza Júnior, Maurício Bezerra de | |
dc.contributor | http://lattes.cnpq.br/4530858702685674 | |
dc.contributor | Young, André Ferreira | |
dc.contributor | http://lattes.cnpq.br/8711373251716675 | |
dc.creator | Azevedo, Antonio Rocha | |
dc.date | 2022-07-08T20:17:11Z | |
dc.date | 2023-09-27T03:03:46Z | |
dc.date | 2022-07-04 | |
dc.date.accessioned | 2023-09-27T13:57:25Z | |
dc.date.available | 2023-09-27T13:57:25Z | |
dc.identifier | http://hdl.handle.net/11422/17575 | |
dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8916655 | |
dc.description | 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. | |
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 | Emissão de gases | |
dc.subject | Redes neuronais | |
dc.subject | Planta industrial | |
dc.subject | Modelos híbridos | |
dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA | |
dc.title | Predição de emissão de gases de exaustão de turbinas em termelétricas usando redes neuronais e modelos híbridos | |
dc.type | Trabalho de conclusão de graduação | |