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/11422/21023
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorSouza Júnior, Maurício Bezerra de-
dc.contributor.authorCarmo, Elisa Carneiro Werneck do-
dc.date.accessioned2023-07-05T20:13:25Z-
dc.date.available2023-12-21T03:04:26Z-
dc.date.issued2017-08-
dc.identifier.citationCARMO, 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.pt_BR
dc.identifier.urihttp://hdl.handle.net/11422/21023-
dc.languageporpt_BR
dc.publisherUniversidade Federal do Rio de Janeiropt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectProcesso Kraftpt_BR
dc.subjectMachine learningpt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectRedes neuronais artificiaispt_BR
dc.titleTécnicas de machine learning aplicadas ao monitoramento de partículas em caldeira de recuperação Kraftpt_BR
dc.typeTrabalho de conclusão de graduaçãopt_BR
dc.contributor.advisorLatteshttp://lattes.cnpq.br/4530858702685674pt_BR
dc.contributor.authorLatteshttp://lattes.cnpq.br/8025371753718722pt_BR
dc.contributor.advisorCo1Parente, Andréa Pereira-
dc.contributor.advisorCo1Latteshttp://lattes.cnpq.br/9458055897856809pt_BR
dc.contributor.referee1Waltz, Flávio da Silva-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/5120737621592413pt_BR
dc.contributor.referee2Fernandes, Heloísa Lajas Sanches-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/2840875338255590pt_BR
dc.contributor.referee3Freitas, Elene de Souza-
dc.contributor.referee3Latteshttp://lattes.cnpq.br/1197903619294247pt_BR
dc.description.resumoA 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.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 PRODUCAO::PLANEJAMENTO, PROJETO E CONTROLE DE SISTEMAS DE PRODUCAOpt_BR
dc.embargo.termsabertopt_BR
Appears in Collections:Engenharia Química

Files in This Item:
File Description SizeFormat 
ECWCarmo.pdf4.19 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.