Pantheon Repositório Institucional da UFRJ
Coleta, preserva e divulga a produção acadêmica digital em todas as áreas do conhecimento.
São os ativos do repositório, além de teses e dissertações da UFRJ, artigos científicos, livros eletrônicos, capítulos de livros e trabalhos apresentados em eventos por professores, pesquisadores, funcionários administrativos e alunos de mestrado e doutorado.
Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/11422/21023| Tipo: | Trabalho de conclusão de graduação |
| Título: | Técnicas de machine learning aplicadas ao monitoramento de partículas em caldeira de recuperação Kraft |
| Autor(es)/Inventor(es): | Carmo, Elisa Carneiro Werneck do |
| Orientador: | Souza Júnior, Maurício Bezerra de |
| Coorientador: | Parente, Andréa Pereira |
| Resumo: | A caldeira de recuperação é um equipamento chave nas plantas de produção de papel e celulose pelo processo Kraft. A deposição de material particulado formado na caldeira representa um dos maiores problemas operacionais, devendo ser monitorada e controlada para prevenção de paradas operacionais não programadas. O processo de formação de partículas neste equipamento é complexo e modelos fenomenológicos são de difícil desenvolvimento. Uma alternativa promissora, que se insere no contexto da Indústria 4.0, é a aplicação de técnicas de aprendizado de máquinas, ou “Machine Learning”, para modelagem de tal fenômeno. O objetivo do presente trabalho foi, então, propor uma metodologia para o emprego de redes neuronais artificiais na modelagem da formação de material particulado em uma caldeira de recuperação Kraft. Foram utilizadas redes neuronais dos tipos Multicamadas Perceptron (MLP), Base Radial (RBF) e de mapeamento auto-organizável para o desenvolvimento de modelos preditivos e classificatórios a partir de dados históricos de um ano de operação em uma planta industrial. Foi possível obter uma modelagem satisfatória do número de partículas formadas na caldeira de recuperação Kraft a partir de um modelo “híbrido” de predição e classificação, que realiza a classificação dos valores preditos por uma rede preditiva em duas classes. A classe 1 engloba dados de operação normal, caracterizada por um número de partículas inferior a 200 partículas por minuto, enquanto a classe 2 agrupa os dados de operação anormal e potencialmente insegura, com emissão acima de 200 partículas por minuto. O melhor modelo encontrado se baseia em uma rede MLP de 3 camadas, com 11 neurônios na camada oculta, utilizando conjuntos adicionais de dados obtidos por adição de ruído gaussiano aos dados originais correspondentes à operação anormal. Esta adição foi realizada para equilibrar a distribuição dos dados operacionais disponíveis. O desempenho da rede de predição, dado pelo coeficiente de correlação entre os valores calculados pela rede e os valores reais, foi superior a 0,87 e o desempenho total de classificação foi de cerca de 87%. Este método é capaz de classificar corretamente aproximadamente 94% dos dados de classe 1 e 77% dos dados de classe 2. Foi obtido, também, um mapa auto-organizável a partir uma rede de mapeamento auto-organizável de topologia 20x5 que permite a identificação de regiões de operação normal, regiões de transição e regiões de maior probabilidade de operação anormal. Este método pode ser usado na geração de recomendações referentes à segurança operacional, sinalizando condições operacionais com maior potencial de risco de elevada formação de partículas. |
| Palavras-chave: | Processo Kraft Machine learning Aprendizado de máquina Redes neuronais artificiais |
| Assunto CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO::GERENCIA DE PRODUCAO::PLANEJAMENTO, PROJETO E CONTROLE DE SISTEMAS DE PRODUCAO |
| Unidade produtora: | Escola de Química |
| Editora: | Universidade Federal do Rio de Janeiro |
| Data de publicação: | Ago-2017 |
| País de publicação: | Brasil |
| Idioma da publicação: | por |
| Tipo de acesso: | Acesso Aberto |
| Citação: | CARMO, Elisa Carneiro Werneck do. Técnicas de machine learning aplicadas ao monitoramento de partículas em caldeira de recuperação Kraft. 2017. 124 f. TCC (Graduação) - Curso de Engenharia Química, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2017. |
| Aparece nas coleções: | Engenharia Química |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| ECWCarmo.pdf | 4.19 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.