1. Pantheon
  2. Trabalhos Acadêmicos e Técnicos
  3. Trabalhos de Conclusão de Curso de Graduação
  4. Engenharia Química
Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/15228
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorCapron, Bruno Didier Olivier-
dc.contributor.authorGomes, Paula Araujo-
dc.date.accessioned2021-09-20T17:56:09Z-
dc.date.available2023-12-21T03:08:23Z-
dc.date.issued2021-08-12-
dc.identifier.citationGOMES, Paula Araujo. Aplicação de técnicas de redução de dimensionalidade para determinação de condições operacionais ótimas em um processo industrial. 2021. 69 f. TCC (Graduação) - Curso de Engenharia Química, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2021.pt_BR
dc.identifier.urihttp://hdl.handle.net/11422/15228-
dc.languageporpt_BR
dc.publisherUniversidade Federal do Rio de Janeiropt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectResinapt_BR
dc.subjectPolímeropt_BR
dc.subjectResina poliméricapt_BR
dc.subjectMétodos de produçãopt_BR
dc.subjectMachine Learningpt_BR
dc.titleAplicação de técnicas de redução de dimensionalidade para determinação de condições operacionais ótimas em um processo industrialpt_BR
dc.typeTrabalho de conclusão de graduaçãopt_BR
dc.contributor.advisorLatteshttp://lattes.cnpq.br/3006635957267883pt_BR
dc.contributor.authorLatteshttp://lattes.cnpq.br/0962802261258449pt_BR
dc.contributor.advisorCo1Latteshttp://lattes.cnpq.br/4530858702685674pt_BR
dc.contributor.referee1Souza Júnior, Maurício Bezerra de-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/4530858702685674pt_BR
dc.contributor.referee2Alves, Aline Barbosa-
dc.description.resumoCom a quarta revolução industrial, a aquisição de informações acerca de um processo é feita de uma forma jamais antes vista, onde são obtidos dados em alto volume, alta velocidade e grande variedade. Isso possibilita a aplicação de análise de dados e Machine Learning para se obter uma grande gama de informações úteis para a indústria, que podem permitir o aumento da produtividade, da qualidade dos produtos, da segurança dos processos e do lucro das empresas. Uma aplicação popular de Machine Learning no controle de processos é a Detecção e Diagnóstico de Falhas (FDD), que possibilita a manutenção de condições operacionais desejadas e previne riscos no processo. O presente trabalho teve como objetivo estudar um processo de produção de resinas poliméricas em um equipamento industrial, visando à determinação de condições operacionais que minimizem a quantidade de imperfei- ções presentes no produto final. Grandes quantidades de imperfeições em uma resina polimérica levam à formação do chamado produto Off-spec, esse produto, se comercializado, terá preço de venda reduzido por apresentar qualidade inferior. Portanto, é desejável a garantia da produção de polímeros com baixa quantidade de imperfeições. Devido ao grande número de variáveis de processo existentes neste projeto, duas técnicas diferentes de redução de dimensionalidade foram usadas: Análise de Componente Principal (PCA) e Análise de Discriminante de Fisher (FDA). Combinando o método de agrupamento KMeans e a formação de uma elipse de confiança, regiões operacionais desejadas foram determinadas. Este trabalho apresenta uma comparação entre dois modelos desenvolvidos, o primeiro via PCA e o segundo via FDA. Os resultados obtidos indicaram que, para o problema em questão, ambos os métodos desenvolvidos apresentam desempenho similar. Com esses modelos, foi possível a determinação de ranges das variáveis de processo que possibilitam a minimização da formação de imperfeições e, logo, um aumento da qualidade do produto final e do lucro do processo.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentEscola de Químicapt_BR
dc.publisher.initialsUFRJpt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO::GERENCIA DE PRODUCAOpt_BR
dc.embargo.termsabertopt_BR
Appears in Collections:Engenharia Química

Files in This Item:
File Description SizeFormat 
PAGomes.pdf2.02 MBAdobe PDFView/Open
Show simple item record Recommend this item View Statistics


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.