Estratégia de otimização de processos com o uso de redes neurais artificiais

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSantos, Lizandro de Sousa-
Autor(es): dc.contributorAhón, Victor Rolando Ruiz-
Autor(es): dc.contributorRibeiro, Leonardo Dorigo-
Autor(es): dc.creatorSiqueira, Felipe Macedo Freitas-
Data de aceite: dc.date.accessioned2024-07-11T17:55:57Z-
Data de disponibilização: dc.date.available2024-07-11T17:55:57Z-
Data de envio: dc.date.issued2021-05-14-
Data de envio: dc.date.issued2021-05-14-
Data de envio: dc.date.issued2020-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/22073-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/760337-
Descrição: dc.descriptionCom o crescimento da capacidade computacional para processamento de dados, a solução de problemas cada vez mais complexos tem sido viabilizada por meio da inteligência artificial (IA), a qual tenta mimetiza as sinapses e os pensamentos humanos (machine learning). Um dos métodos de IA utilizados na indústria de processos químicos, como modelo preditivo, é a rede neural artificial (RNA), que gera um modelo matemático aproximado, a partir do conhecimento de dados gerados pelo sistema (processo real ou modelo rigoroso). O objetivo deste trabalho é utilizar RNA como modelo preditivo de simulação e otimização de processos. O UniSim® foi o software utilizado para desenvolvimento do modelo rigoroso necessário para construção do banco de dados para o treinamento e teste da RNA, implementada no software Scilab® e na IDE Spyder® de linguagem Python®. A RNA foi utilizada em duas estratégias diferentes: (i) simulação do processo no seu estado estacionário e (ii) otimização do processo em diferentes pontos de estado estacionário (de acordo com distúrbios em algumas variáveis). Três estudos de caso foram escolhidos para aplicação: (a) processo de produção de amônia, (b) rede de trocadores de calor e (c) processo de produção de n-pentano. Diferentes métricas avaliativas foram utilizadas para a análise estatística, referente a performance da RNA: MSE (mean square error), RMSE (root mean square error), MAPE (mean absolute percentage error), MAE (mean absolute error), erro percentual absoluto, desvio padrão e análise do histograma da distribuição do erro percentual absoluto. Todos os processos estudados puderam ser treinados, satisfatoriamente. De acordo com as métricas sugeridas, a RNA com menor MSE produzida obteve os seguintes valores para a etapa de teste (dados nunca apresentados à RNA): 0,00027 (processo de produção de amônia – RNA-PS); 0,00012 (processo de produção de n-pentano – RNA-PS); 0,00116 (processo de produção de n-pentano – RNA-PO) e 0,00018 (rede de trocadores de calor – RNA-PO). Os resultados mostraram que a RNA pode ser uma estratégia alternativa ao uso do simulador rigoroso para computar o ponto ótimo de plantas de diversos processos e para diferentes cenários-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES-
Descrição: dc.descriptionThere is an increase in the computational capacity for data processing. The solution of problems even more complex has been made possible through artificial intelligence (AI), which mimic synapses and human thoughts (machine learning). One of the AI methods used in the chemical process industry, as a predictive model, is the artificial neural network (ANN), which generates an approximate mathematical model, based on knowledge of data generated by the system (real process or rigorous model). The goal of this work is to use ANN as a predictive model for process simulation and optimization. UniSim® was the software used to develop the rigorous model necessary to build a database for train and test the ANN, implemented in Scilab® and Python® softwares. ANN was used in two different strategies: (i) simulation of the process in its steady state and (ii) optimization of the process at different points of steady state (according to disturbances in some variables). Three case studies were chosen for application: (a) ammonia production process, (b) heat exchanger network and (c) n-pentane production process. Different evaluative metrics were used for statistical analysis, referring to the ANN performance: MSE (mean square error), RMSE (root mean square error), MAPE (mean absolute percentage error), MAE (mean absolute error), absolute percentage error, standard deviation and histogram analysis of the distribution of the absolute percentage error. All the studied processes could be trained, satisfactorily. According to the suggested metrics, the RNA with the lowest MSE produced obtained the following values for the test step (data has never been presented to the RNA): 0.00027 (ammonia production process - RNA-PS); 0,00012 (n-pentane production process - RNA-PS); 0.00116 (n-pentane production process - RNA-PO) and 0.00018 (network of heat exchangers - RNA-PO). The results demonstrated that ANN can be an alternative strategy to the use of rigorous simulator to compute the optimum point of plants in different processes and for different scenarios-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc-nd/3.0/br/-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectRede neural artificial-
Palavras-chave: dc.subjectUniSim®-
Palavras-chave: dc.subjectOtimização-
Palavras-chave: dc.subjectSimulação-
Palavras-chave: dc.subjectMétricas avaliativas-
Palavras-chave: dc.subjectEngenharia química-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectOtimização de processo-
Palavras-chave: dc.subjectRede neural artificial-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectArtificial intelligence-
Palavras-chave: dc.subjectArtificial neural networks-
Palavras-chave: dc.subjectUniSim®-
Palavras-chave: dc.subjectOtimization-
Palavras-chave: dc.subjectSimulation-
Palavras-chave: dc.subjectEvaluative metrics-
Palavras-chave: dc.subjectScilab®-
Palavras-chave: dc.subjectPython Anaconda®-
Título: dc.titleEstratégia de otimização de processos com o uso de redes neurais artificiais-
Tipo de arquivo: dc.typeDissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.