Dynamic modeling and control of a crystallization process using neural networks

Miranda, Gabriel Fiúza Moreira de

Pantheon Repositorio Institucional

Recopila, preserva y difundi la producción académica digital en todas las áreas del conocimiento.
Comprende los activos del repositorio, además de tesis y disertaciones en la UFRJ, artículos científicos, libros electrónicos, capítulos de libros y trabajos presentados en eventos para los profesores, investigadores, personal administrativo y estudiantes de maestría y doctorado.

Por favor, use este identificador para citar o enlazar este ítem:


			http://hdl.handle.net/11422/14617

Registro completo de metadatos

Campo DC	Valor	Lengua/Idioma
dc.contributor.advisor	Souza Junior, Maurício Bezerra de	-
dc.contributor.author	Miranda, Gabriel Fiúza Moreira de	-
dc.date.accessioned	2021-07-21T22:15:51Z	-
dc.date.available	2023-12-21T03:08:00Z	-
dc.date.issued	2021-06-09	-
dc.identifier.uri	http://hdl.handle.net/11422/14617	-
dc.language	eng	pt_BR
dc.publisher	Universidade Federal do Rio de Janeiro	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Crystallization processes	en
dc.subject	Neural networks	en
dc.subject	Population balance	en
dc.subject	Process control	en
dc.title	Dynamic modeling and control of a crystallization process using neural networks	en
dc.type	Trabalho de conclusão de graduação	pt_BR
dc.contributor.advisorLattes	http://lattes.cnpq.br/4530858702685674	pt_BR
dc.contributor.authorLattes	http://lattes.cnpq.br/5613399557825741	pt_BR
dc.contributor.advisorCo1	Capron, Bruno Didier Olivier	-
dc.contributor.advisorCo1Lattes	http://lattes.cnpq.br/3006635957267883	pt_BR
dc.contributor.advisorCo2	Moraes, Marcellus Guedes Fernandes de	-
dc.contributor.referee1	Secchi, Argimiro Resende	-
dc.contributor.referee1Lattes	http://lattes.cnpq.br/3710340061939187	pt_BR
dc.contributor.referee2	Barreto Júnior, Amaro Gomes	-
dc.contributor.referee2Lattes	http://lattes.cnpq.br/1005756226202071	pt_BR
dc.description.resumo	Nos processos industriais de cristalização, o controle do tamanho e da forma dos cristais é de considerável importância. Nesse trabalho, dados experimentais são utilizados para desenvolver modelos de redes neuronais para o processo de cristalização em batelada do sulfato de potássio (K2SO4). Primeiramente, um modelo dinâmico do sistema capaz de prever seu estado em um futuro próximo dadas as suas condições atuais é desenvolvido. Em seguida, um modelo inverso do processo capaz de calcular a próxima ação de controle a ser implementada para conduzir o sistema a uma trajetória de referência é desenvolvido. Finalmente, o desempenho desse controlador é investigado através da simulação de uma malha fechada em que um modelo de balanço populacional é utilizado como processo real. Nós mostramos que a escolha da trajetória de referência tem forte influência sobre o tempo de duração da batelada, erro final entre estado do sistema e set-point e esforço de controle. Em termos dos critérios acima, a melhor trajetória apresentou resultados de 70% a 140% melhores que as demais.	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 en las colecciones:	Engenharia Química

Ficheros en este ítem:

Fichero	Descripción	Tamaño	Formato
GFMMiranda.pdf		1.44 MB	Adobe PDF	Visualizar/Abrir

Mostrar el registro sencillo del ítem Recomiende este ítem View Statistics