Predição de emissão de gases de exaustão de turbinas em termelétricas usando redes neuronais e modelos híbridos

Azevedo, Antonio Rocha

Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/17575

Type:	Trabalho de conclusão de graduação
Title:	Predição de emissão de gases de exaustão de turbinas em termelétricas usando redes neuronais e modelos híbridos
Author(s)/Inventor(s):	Azevedo, Antonio Rocha
Advisor:	Secchi, Argimiro Resende
Co-advisor:	Capron, Bruno Didier Olivier
Co-advisor:	Andrade Neto, Ataide Souza
Abstract:	O monitoramento de emissões é necessário em toda planta industrial que libere gases nocivos ao meio-ambiente, tendo em vista a intensificação das mudanças climáticas e o consequente recrudescimento da legislação vigente. Sistemas de Monitoramento Contínuo de Emissões (CEMS) são o padrão utilizado hoje em dia para essa quantificação, mas possuem alto custo de aquisição e manutenção, além de perderem sua sensibilidade ao longo do tempo. Assim, cresce o interesse no desenvolvimento de Sistemas Preditivos de Monitoramento de Emissões (PEMS), que se baseiam em modelos matemáticos para se prever a concentração dos gases de exaustão — trazendo benefícios econômicos e de operação. Neste trabalho, estuda-se o desenvolvimento de diferentes arquiteturas de redes neuronais para uso em PEMS: particularmente na predição da emissão de gases (NOx, O2 e CO) de uma usina termelétrica. Duas abordagens são estudadas: uma puramente baseada em dados — estimação direta da emissão dos gases pela rede neuronal — e outra híbrida — onde a rede é acoplada a um modelo fenomenológico, de maneira a prever seu erro de estimação. A segunda abordagem é relevante pois aumenta a aderência do modelo fenomenológico já existente aos dados da planta, além de facilitar e acelerar o processo de aprendizado dos modelos baseados em dados, devendo aprender mais rapidamente. Um conjunto de dados de 2015 para uma turbina a g´as foram utilizados para o treino e validação dos modelos, utilizando-se uma separação de 70%/30% (respectivamente). Todas as redes obtiveram resultados similares na estimação de NOx e O2 em ambas as abordagens, embora os modelos híbridos tenham de fato aprendido mais facilmente. No entanto, nenhuma rede obteve êxito na estimação do CO. A dificuldade no aprendizado dos modelos nessa estimação mostra que não é possível traçar conclusões globais acerca da melhor arquitetura ou tipo de rede, que pode variar de acordo com a variável estimada. A proximidade da precisão dos modelos nos leva a crer que seu desempenho foi limitado pela quantidade de dados disponível para o aprendizado, dado à grande complexidade do problema. A recente obtenção de dados para uma faixa de 10 anos e 6 turbinas ´e um bom ponto de partida para análises mais robustas e conclusivas, embora deva-se atentar `as faixas de operação usadas no treino assim como à qualidade dos dados.
Keywords:	Emissão de gases Redes neuronais Planta industrial Modelos híbridos
Subject CNPq:	CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA
Production unit:	Escola de Química
Publisher:	Universidade Federal do Rio de Janeiro
Issue Date:	4-Jul-2022
Publisher country:	Brasil
Language:	por
Right access:	Acesso Aberto
Appears in Collections:	Engenharia Química

Files in This Item:

File	Description	Size	Format
ARAzevedo.pdf		1.02 MB	Adobe PDF	View/Open

Show full item record Recommend this item View Statistics

Pantheon Institutional repository