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/11422/17575| Especie: | Trabalho de conclusão de graduação |
| Título : | Predição de emissão de gases de exaustão de turbinas em termelétricas usando redes neuronais e modelos híbridos |
| Autor(es)/Inventor(es): | Azevedo, Antonio Rocha |
| Tutor: | Secchi, Argimiro Resende |
| Tutor : | Capron, Bruno Didier Olivier |
| Tutor: | Andrade Neto, Ataide Souza |
| Resumen: | 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. |
| Materia: | Emissão de gases Redes neuronais Planta industrial Modelos híbridos |
| Materia CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA |
| Unidade de producción: | Escola de Química |
| Editor: | Universidade Federal do Rio de Janeiro |
| Fecha de publicación: | 4-jul-2022 |
| País de edición : | Brasil |
| Idioma de publicación: | por |
| Tipo de acceso : | Acesso Aberto |
| Aparece en las colecciones: | Engenharia Química |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| ARAzevedo.pdf | 1.02 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.