Avaliação de sistemas de detecção e diagnóstico de falhas baseados em aprendizado de máquina em cenários de pré-falha e incrustação em unidades de tratamento de águas ácidas

Pitanga, Guilherme Faustino

Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/16463

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Melo Junior, Príamo Albuquerque	-
dc.contributor.author	Pitanga, Guilherme Faustino	-
dc.date.accessioned	2022-03-17T15:40:39Z	-
dc.date.available	2023-12-21T03:01:57Z	-
dc.date.issued	2022-01-18	-
dc.identifier.uri	http://hdl.handle.net/11422/16463	-
dc.language	por	pt_BR
dc.publisher	Universidade Federal do Rio de Janeiro	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Água acida	pt_BR
dc.subject	Pré-Falha	pt_BR
dc.subject	Incrustação	pt_BR
dc.subject	Inteligência artificial	pt_BR
dc.subject	Random Forest	pt_BR
dc.subject	Máquinas de vetores de suporte	pt_BR
dc.title	Avaliação de sistemas de detecção e diagnóstico de falhas baseados em aprendizado de máquina em cenários de pré-falha e incrustação em unidades de tratamento de águas ácidas	pt_BR
dc.type	Trabalho de conclusão de graduação	pt_BR
dc.contributor.advisorLattes	http://lattes.cnpq.br/7614011510994839	pt_BR
dc.contributor.authorLattes	http://lattes.cnpq.br/9345668476945756	pt_BR
dc.contributor.advisorCo1	Souza Junior, Maurício Bezerra de	-
dc.contributor.advisorCo1Lattes	http://lattes.cnpq.br/4530858702685674	pt_BR
dc.contributor.advisorCo2	Nogueira, Júlia do Nascimento Pereira	-
dc.contributor.advisorCo2Lattes	http://lattes.cnpq.br/0923689760838522	pt_BR
dc.contributor.referee1	Capron, Bruno Didier Olivier	-
dc.contributor.referee1Lattes	http://lattes.cnpq.br/3006635957267883	pt_BR
dc.contributor.referee2	Câmara, Maurício Melo	-
dc.contributor.referee2Lattes	http://lattes.cnpq.br/8161545819744234	pt_BR
dc.description.resumo	Este trabalho tem como objetivo analisar os cen´arios de pr´e-falha e incrusta¸c˜ao em uma Unidade de Tratamento de Agua ´ Acida aplicado m´etodos de Inteligˆencia Artificial. Foram ´ utilizados os dados provenientes da simula¸c˜ao dinˆamica do processo feito em Aspen Plus Dynamics® V10 realizado por Nogueira (2021), contendo mais de sessenta mil amostras das vari´aveis da unidade em opera¸c˜ao normal e seis diferentes condi¸c˜oes de falha. Este banco de dados foi previamente tratado para adi¸c˜ao de ru´ıdos e tempos de atraso. Para esses dados, os m´etodos que obtiveram melhor desempenho foram Random Forest (RF) e M´aquinas de Vetores de Suporte (SVM) (NOGUEIRA, 2021). Os resultados foram apresentados e analisados mediante as m´etricas estat´ısticas adequadas para o problema de classifica¸c˜ao em Aprendizado de M´aquinas. Os resultados apontam que, para o cen´ario de incrusta¸c˜ao, o m´etodo SVM Linear apresenta a maior acur´acia, 88,45%. Para o cen´ario de pr´e-falha, foi feita primeiramente a separa¸c˜ao das amostras de opera¸c˜ao normal da regi˜ao de falha e pr´e-falha. Nesta etapa, o melhor m´etodo foi RF, com uma acur´acia de 94,77%. Em seguida, foi feita a classifica¸c˜ao para dois cen´arios distintos: uma ´unica regi˜ao de pr´e-falha e uma regi˜ao de pr´e-falha para cada falha. Os melhores m´etodos para cada um desses cen´arios foram: SVM Linear (98,20%) e SVM Gaussiano (95,59%), respectivamente.	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
dc.relation.references	Agˆencia Brasil. ANP interdita refinaria de Paul´ınia para evitar novos acidentes. 2018. Acessado em 16 de Fevereiro de 2022. Dispon´ıvel em: ⟨https://agenciabrasil.ebc.com.br/economia/noticia/2018-08/ anp-interdita-refinaria-de-paulinia-para-evitar-novos-acidentes⟩. ALOM, M. Z. et al. A state-of-the-art survey on deep learning theory and architectures. Electronics, Multidisciplinary Digital Publishing Institute, v. 8, n. 3, p. 292, 2019. ARUNTHAVANATHAN, R. et al. Fault detection and diagnosis in process system using artificial intelligence-based cognitive technique. Computers & Chemical Engineering, Elsevier, v. 134, p. 106697, 2020. BABATUNDE, A. O.; RAY, W. H. Process dynamics, modeling and control. Oxford University Press, 1994. BARROS, D. J. S. Investiga¸c˜ao do efeito de vari´aveis de processo na eficiˆencia de remo¸c˜ao de H2 S em unidade de tratamento de ´aguas ´acidas de duas torres. UFPR, 2016. BELATO, A.; LIMA, R.; ODDONE, R. Hydrocracking–a way to produce high quality low sulphur middle distillates. In: ONEPETRO. 17th World Petroleum Congress. [S.l.], 2002. BREIMAN, L. Random forests. Machine learning, Springer, v. 45, n. 1, p. 5–32, 2001. CHIANG, L.; LU, B.; CASTILLO, I. Big data analytics in chemical engineering. Annual review of chemical and biomolecular engineering, Annual Reviews, v. 8, p. 63–85, 2017. CHIANG, L.; RUSSELL, E.; BRAATZ, R. Fault detection and diagnosis in industrial systems. [S.l.]: IOP Publishing, 2001. CHOLLET, F. Deep learning with Python. [S.l.]: Simon and Schuster, 2021. COLBECK, I.; MACKENZIE, A. R. Air pollution by photochemical oxidants. 1994. CONAMA. RESOLUC¸AO No 436, DE 22 DE DEZEMBRO DE 2011 ˜ . 2011. Acessado em 13 de Outubro de 2021. Dispon´ıvel em: ⟨https://www.udop.com.br/download/legislacao/ meio/institucional\ site\ juridico/Conama\ Resolucao\%20436.pdf⟩. CONWAY, D. The Data Science Venn Diagram. 2015. Acessado em 18 de 86 Outubro de 2021. Dispon´ıvel em: ⟨http://drewconway.com/zia/2013/3/26/ the-data-science-venn-diagram⟩. CORTES, C.; VAPNIK, V. Support-vector networks. Machine learning, Springer, v. 20, n. 3, p. 273–297, 1995. EAP. United States Environment Protection Agency: What is Acid Rain? 2021. Acessado em 13 de Outubro de 2021. Dispon´ıvel em: ⟨https://www.epa.gov/acidrain/ what-acid-rain⟩. FAN, S.-K. S. et al. Data-driven approach for fault detection and diagnostic in semiconductor manufacturing. IEEE Transactions on Automation Science and Engineering, IEEE, v. 17, n. 4, p. 1925–1936, 2020. G1 Rio. Vazamento de g´as intoxica funcion´arios na Reduc, em Caxias. 2013. Acessado em 16 de Fevereiro de 2022. Dispon´ıvel em: ⟨https://g1.globo.com/rio-de-janeiro/noticia/ 2013/07/vazamento-de-gas-intoxica-funcionarios-na-reduc-em-caxias.html⟩. GE, Z.; SONG, Z.; GAO, F. Review of recent research on data-based process monitoring. Industrial & Engineering Chemistry Research, ACS Publications, v. 52, n. 10, p. 3543– 3562, 2013. HATCHER, N.; WEILAND, R. Reliable design of sour water strippers. Petroleum technology quarterly, v. 17, n. 4, 2012. KENSELL, W.; QUINLAN, M. Chapter 11.1 the mw kellogg company refinery sulfur management. Handbook of Petroleum Refining Process, 1996. KNUST, C. M. An´alise de superf´ıcies de respostas para projeto de unidades de tratamento de Aguas ´ Acidas. UFRJ, 2013. ´ KU, W.; STORER, R. H.; GEORGAKIS, C. Disturbance detection and isolation by dynamic principal component analysis. Chemometrics and intelligent laboratory systems, Elsevier, v. 30, n. 1, p. 179–196, 1995. LEE, D. et al. Dynamic simulation of the sour water stripping process and modified structure for effective pressure control. Chemical Engineering Research and Design, Elsevier, v. 80, n. 2, p. 167–177, 2002. LI, W. et al. Transfer learning for process fault diagnosis: Knowledge transfer from simulation to physical processes. Computers & Chemical Engineering, Elsevier, v. 139, p. 106904, 2020. LORENA, A. C.; CARVALHO, A. C. de. Uma introdu¸c˜ao `as support vector machines. Revista de Inform´atica Te´orica e Aplicada, v. 14, n. 2, p. 43–67, 2007. MITROVIC, J. Heat Exchangers: Basics Design Applications. [S.l.]: BoD–Books on Demand, 2012. MORADO, H. P. M. C. Minimiza¸c˜ao de emiss˜oes de unidades de ´aguas ´acidas: Modelos substitutos para controle de carga t´ermica. UFRJ, 2019. 87 NOGUEIRA, J. N. P. Fault detection and diagnosis of a two column sour water treatment unit based on artificial intelligence algorithms. UFRJ, 2021. NOGUEIRA, J. N. P.; de SOUZA Jr, M. B.; MELO, P. A. Detec¸c˜ao e diagn´ostico de falhas em unidade de tratamento de ´aguas ´acidas com random forest. In: ANAIS DO 23° CONGRESSO BRASILEIRO DE ENGENHARIA QU´IMICA, Gramado. [S.l.: s.n.], 2021. PARK, Y.-J.; FAN, S.-K. S.; HSU, C.-Y. A review on fault detection and process diagnostics in industrial processes. Processes, Multidisciplinary Digital Publishing Institute, v. 8, n. 9, p. 1123, 2020. PEDREGOSA, F. et al. Scikit-learn: Machine learning in python. the Journal of machine Learning research, JMLR. org, v. 12, p. 2825–2830, 2011. POE, W. A.; MOKHATAB, S. Modeling, control, and optimization of natural gas processing plants. [S.l.]: gulf professional publishing, 2016. QUINLAN, M.; HATI, A. Processing NH3 acid gas in a sulphur recovery unit. 2010. RAMLI, N. M. Advanced process control. In: Advanced Applications for Artificial Neural Networks. [S.l.]: IntechOpen, 2017. RICH, E. Artificial Intelligence, Company, New York, New York. [S.l.]: Mcgraw-Hill Book, 1983. RUSSELL, S.; NORVIG, P. Artificial intelligence: a modern approach. 2002. SAMUEL, A. L. Some studies in machine learning using the game of checkers. IBM Journal of research and development, IBM, v. 3, n. 3, 1959. SARTORI, I. et al. Detec¸c˜ao, diagn´ostico e corre¸c˜ao de falhas: Uma proposi¸c˜ao consistente de defini¸c˜oes e terminologias. Ciˆencia e Engenharia, v. 21, p. 41–53, 2012. SHU, Y. et al. Abnormal situation management: Challenges and opportunities in the big data era. Computers & Chemical Engineering, Elsevier, v. 91, p. 104–113, 2016. SILVA, I.; ALENCAR, J.; DANIELSKI, L. Influˆencia de vari´aveis de processo na simula¸c˜ao de unidades de ´aguas ´acidas de refinaria. In: CONGRESSO BRASILEIRO DE ENGENHARIA QU´IMICA–(COBEQ). [S.l.: s.n.], 2014. v. 10. SOARES, F. D. R. T´ecnicas de machine learning aplicadas a inferˆencia e detec¸c˜ao e diagn´ostico de falhas de processos qu´ımicos industriais em contexto big data. UFRJ, 2017. THAKUR, N. The differences between Data Science, Artificial Intelligence, Machine Learning, and Deep Learning. 2020. Acessado em 18 de Outubro de 2021. Dispon´ıvel em: ⟨https://ai.plainenglish.io/ data-science-vs-artificial-intelligence-vs-machine-learning-vs-deep-learning-50d3718d51e5⟩. VENKATASUBRAMANIAN, V. et al. A review of process fault detection and diagnosis: 88 Part i: Quantitative model-based methods. Computers & chemical engineering, Elsevier, v. 27, n. 3, p. 293–311, 2003. WEILAND, R. H.; HATCHER, N. A. Sour water strippers exposed. In: Laurence Reid Gas Conditioning Conference, Norman, Oklahoma. [S.l.: s.n.], 2012. WOJSZNIS, W. K.; MEHTA, A.; THIELE, D. Robust process model identification in model based control techniques. [S.l.]: Google Patents, 2010. US Patent 7,840,287.	pt_BR
Appears in Collections:	Engenharia Química

Files in This Item:

File	Description	Size	Format
GFPitanga.pdf		1.7 MB	Adobe PDF	View/Open

Show simple item record Recommend this item View Statistics

Pantheon Institutional repository