Redes neurais autoassociatovas com restrições de balanço para reconciliação de dados em plantas químicas

Pinto, Andre Luiz Pessoa Galliez

Pantheon Repositório Institucional da UFRJ

Coleta, preserva e divulga a produção acadêmica digital em todas as áreas do conhecimento.
São os ativos do repositório, além de teses e dissertações da UFRJ, artigos científicos, livros eletrônicos, capítulos de livros e trabalhos apresentados em eventos por professores, pesquisadores, funcionários administrativos e alunos de mestrado e doutorado.

Use este identificador para citar ou linkar para este item: http://hdl.handle.net/11422/12856

Registro completo de metadados

Campo DC	Valor	Idioma
dc.contributor.advisor	Secchi, Argimiro Resende	-
dc.contributor.author	Pinto, Andre Luiz Pessoa Galliez	-
dc.date.accessioned	2020-08-05T18:11:05Z	-
dc.date.available	2023-12-21T03:02:12Z	-
dc.date.issued	2020-07-28	-
dc.identifier.uri	http://hdl.handle.net/11422/12856	-
dc.language	por	pt_BR
dc.publisher	Universidade Federal do Rio de Janeiro	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Redes neuronais	pt_BR
dc.subject	Machine learning	pt_BR
dc.subject	Plantas químicas	pt_BR
dc.subject	Fenilbenzeno	pt_BR
dc.title	Redes neurais autoassociatovas com restrições de balanço para reconciliação de dados em plantas químicas	pt_BR
dc.type	Trabalho de conclusão de graduação	pt_BR
dc.contributor.advisorLattes	http://lattes.cnpq.br/3710340061939187	pt_BR
dc.contributor.authorLattes	http://lattes.cnpq.br/8026648262218227	pt_BR
dc.contributor.advisorCo1	Souza Júnior, Mauricio Bezerra de	-
dc.contributor.advisorCo1Lattes	http://lattes.cnpq.br/4530858702685674	pt_BR
dc.contributor.referee1	Capron, Bruno Didier Olivier	-
dc.contributor.referee1Lattes	http://lattes.cnpq.br/3006635957267883	pt_BR
dc.contributor.referee2	Loução Júnior, Flávio Leite	-
dc.contributor.referee2Lattes	http://lattes.cnpq.br/8440458418150969	pt_BR
dc.description.resumo	No contexto da nova onda de transformações digitais conhecida como 4ª revolução industrial, técnicas baseadas em Inteligência Artificial tem se popularizado para resolver problemas típicos da indústria como a reconciliação de dados. Para este fim, algoritmos de machine learning se apresentam como uma alternativa promissora frente às abordagens clássicas de programação não linear, devido ao seu menor custo computacional. Neste trabalho investiga-se o uso de redes neuronais autoassociativas para reconciliar variáveis de uma planta simulada de produção de fenilbenzeno em estado estacionário. O desempenho da rede é avaliado assim como as implicações de combiná-la com equações de balanço de massa. As técnicas utilizadas apresentaram bons resultados, sendo capaz de produzir estimativas melhores do que as medições originais e sugerindo que o desempenho do modelo pode ser melhorado pela inserção de equações fenomenológicas na função objetivo.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.department	Escola de Química	pt_BR
dc.publisher.initials	UFRJ	pt_BR
dc.subject.cnpq	CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA	pt_BR
dc.embargo.terms	aberto	pt_BR
Aparece nas coleções:	Engenharia Química

Arquivos associados a este item:

Arquivo	Descrição	Tamanho	Formato
ALPGPinto.pdf		2.83 MB	Adobe PDF	Visualizar/Abrir

Mostrar registro simples do item Recomendar este item Visualizar estatísticas