Análise de métodos de otimização multiobjetivos aplicados a processos químicos

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSantos, Lizandro de Sousa-
Autor(es): dc.contributorSouza, Troner Assenheimer de-
Autor(es): dc.contributorMenezes, Diego Queiroz Faria De-
Autor(es): dc.creatorCruz, Bernardo de Carvalho-
Data de aceite: dc.date.accessioned2024-07-11T18:13:14Z-
Data de disponibilização: dc.date.available2024-07-11T18:13:14Z-
Data de envio: dc.date.issued2023-05-03-
Data de envio: dc.date.issued2023-05-03-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/28668-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/766047-
Descrição: dc.descriptionNo presente trabalho, teve-se como objetivo o estudo de dois métodos de otimização evolutivos, Particle Swarm Optimization (PSO) + Soma Ponderada e Non-dominated Sorting Genetic Algorithm II (NSGA-II), para otimização multiobjetivo de processos químicos. Na estratégia de aplicação do PSO, a estratégia de soma ponderada foi utilizada para agregar as funções objetivos individuais. Os dois métodos foram implementados em linguagem Python e os processos foram simulados no software Unisim-Design®. A toolbox Pymoo foi utilizada para implementar o algoritmo NSGA-II. Dois casos testes foram utilizados para a implementação dos métodos: (i) Destilação do n-pentano e (ii) Processo de Produção de Metanol a partir da Reforma do Gás Natural. As métricas que utilizadas para avaliação do desempenho dos algoritmos foram: custo computacional, valores das variáveis de decisão, valores ótimos da função-objetivo e métricas de comparação da curva de Pareto IGD+ e GD+. O método PSO apesar de um elevado custo computacional foi capaz de fornecer soluções ótimas, se aproximando mais do resultado do NSGA-II no processo mais simples, e sendo evidenciado através dos indicadores IGD+ e GD+.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior.-
Descrição: dc.descriptionThe present work aimed to study both evolutionary optimization methods, Particle Swarm Optimization (PSO) + Weighted Sum and Non-dominated Sorting Genetic Algorithm II (NSGA-II) for the multi-objective optimization of chemical processes. When applying the PSO, the strategy of weighted sum was utilized to aggregate the individual objective functions. Both methods were implemented with the Python language and the processes were simulated in the Unisim-Design® software. The Pymoo toolbox was utilized to implement the NSGA-II algorithm. Two test cases were used for the implementation of the methods: (i) Distillation of n-pentane and (ii) Methanol Production Method via Natural Gas Reforming. The metrics used to judge the performance of the algorithms were: computational cost, value of the decision variables, and optimal values of the objective function; as well as the IGD+ and GD+ Pareto curve comparison metrics. The PSO method, although having high computational cost, was able to supply adequate solutions, approaching the results from NSGA-II in the simpler processes, and being displayed through the IGD+ and GD+ indicators.-
Descrição: dc.description125 p.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectProcesso químico-
Palavras-chave: dc.subjectSimulação por computador-
Palavras-chave: dc.subjectOtimização multiobjetivo-
Palavras-chave: dc.subjectOtimização de processo-
Palavras-chave: dc.subjectPython (Linguagem de programação de computador)-
Palavras-chave: dc.subjectIndústria de transformação-
Palavras-chave: dc.subjectChemical process-
Palavras-chave: dc.subjectComputer simulation-
Palavras-chave: dc.subjectMultiobjective optimization-
Título: dc.titleAnálise de métodos de otimização multiobjetivos aplicados a processos químicos-
Tipo de arquivo: dc.typeDissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.