1 |
[en] ARTIFICIAL INTELLIGENCE METHODS APPLIED TO MECHANICAL ENGINEERING PROBLEMS / [pt] MÉTODOS DE INTELIGÊNCIA ARTIFICIAL APLICADOS A PROBLEMAS DE ENGENHARIA MECÂNICAPEDRO HENRIQUE LEITE DA SILVA PIRES DOMINGUES 05 June 2020 (has links)
[pt] Problemas reais de engenharia mecânica podem compreender tarefas de i) otimização multi-objetivo (MO) ou ii) regressão, classificação e predição. Os métodos baseados em inteligência artificial (AI) são bastante difundidos na resolução desses problemas por i) demandarem menor custo computacional e informações do domínio do problema para a resolução de uma MO, quando comparados com métodos de programação matemática, por exemplo; e ii) apresentarem melhores resultados com estrutura mais simples, adaptabilidade e interpretabilidade, em contraste com outros métodos. Sendo assim, o presente trabalho busca i) otimizar um controle proporcional-integral-derivativo (PID) aplicado a um sistema de frenagem anti-travamento de rodas (ABS) e o projeto de trocadores de calor de placas
aletadas (PFHE) e casco-tubo (STHE) através de métodos de otimização baseados AI, buscando o desenvolvimento de novas versões dos métodos aplicados, e.g. multi-objective salp swarm algorithm (MSSA) e multi-objective heuristic Kalman algorithm (MOHKA), que melhorem a performance da
otimização; ii) desenvolver um sistema de detecção de vazamento em dutos (LDS) sensível ao roubo de combustível a partir do treinamento de árvores de decisão (DTs) com features baseadas no tempo e na análise de componentes principais (PCA), ambas exraídas de dados de transiente de pressão de operação normal do duto e de roubo de combustível; iii) constituir um guia de aplicação para problemas de MO de controle e projeto, processo de extração de features e treinamento de classificadores baseados em aprendizado de máquina (MLCs), através de aprendizado supervisionado; e, por fim iv) demonstrar o potencial das técnicas baseadas em AI. / [en] Real-world mechanical engineering problems may comprise tasks of i) multi-objective optimization (MO) or ii) regression, classification and prediction. The use of artificial intelligence (AI) based methods for solving these problems are widespread for i) demanding less computational cost and problem domain information to solve the MO, when compared with mathematical programming for an example; and ii) presenting better results with simpler structure, adaptability and interpretability, in contrast to other methods. Therefore, the present work seeks to i) optimize a proportional-integral-derivative control (PID) applied to an anti-lock braking system (ABS) and the heat exchanger design of plate-fin (PFHE) and shell-tube (STHE) types through AI based optimization methods, seeking to develop new versions of the applied methods, e.g. multi-objective salp swarm algorithm (MSSA) and multi-objective heuristic Kalman algorithm (MOHKA), which enhance the optimization performance; ii) develop a pipeline leak detection system (LDS) sensitive to fuel theft by training decision trees (DTs) with features based on time and principal component analysis (PCA), both extracted from pressure transient data of regular pipeline operation and fuel theft; iii) constitute an application guide for control and design MO problems, feature extraction process and machine learning classifiers (MLCs) training through supervised learning; and, finally, iv) demonstrate the potential of AI-based techniques.
|
2 |
[en] A HYBRID NEURO- EVOLUTIONARY APPROACH FOR DYNAMIC WEIGHTED AGGREGATION OF TIME SERIES FORECASTERS / [pt] ABORDAGEM HÍBRIDA NEURO-EVOLUCIONÁRIA PARA PONDERAÇÃO DINÂMICA DE PREVISORESCESAR DAVID REVELO APRAEZ 18 February 2019 (has links)
[pt] Estudos empíricos na área de séries temporais indicam que combinar
modelos preditivos, originados a partir de diferentes técnicas de modelagem,
levam a previsões consensuais superiores, em termos de acurácia, às previsões
individuais dos modelos envolvidos na combinação. No presente trabalho é
apresentada uma metodologia de combinação convexa de modelos estatísticos de
previsão, cujo sucesso depende da forma como os pesos de combinação de cada
modelo são estimados. Uma Rede Neural Artificial Perceptron Multi-camada
(Multilayer Perceptron - MLP) é utilizada para gerar dinamicamente vetores de
pesos ao longo do horizonte de previsão, sendo estes dependentes da contribuição
individual de cada previsor observada nos dados históricos da série. O ajuste dos
parâmetros da rede MLP é efetuado através de um algoritmo de treinamento
híbrido, que integra técnicas de busca global, baseadas em computação
evolucionária, junto com o algoritmo de busca local backpropagation, de modo a
otimizar de forma simultânea tanto os pesos quanto a arquitetura da rede, visando,
assim, a gerar de forma automática um modelo de ponderação dinâmica de
previsores de alto desempenho. O modelo proposto, batizado de Neural Expert
Weighting - Genetic Algorithm (NEW-GA), foi avaliado em diversos
experimentos comparativos com outros modelos de ponderação de previsores,
assim como também com os modelos individuais envolvidos na combinação,
contemplando 15 séries temporais divididas em dois estudos de casos: séries de
derivados de petróleo e séries da versão reduzida da competição NN3, uma
competição entre metodologias de previsão, com maior ênfase nos modelos
baseados em Redes Neurais. Os resultados demonstraram o potencial do NEWGA
em fornecer modelos acurados de previsão de séries temporais. / [en] Empirical studies on time series indicate that the combination of forecasting
models, generated from different modeling techniques, leads to higher
consen+sus forecasts, in terms of accuracy, than the forecasts of individual
models involved in the combination scheme. In this work, we present a
methodology for convex combination of statistical forecasting models, whose
success depends on how the combination weights of each model are estimated.
An Artificial Neural Network Multilayer Perceptron (MLP) is used to generate
dynamically weighting vectors over the forecast horizon, being dependent on the
individual contribution of each forecaster observed over historical data series. The
MLP network parameters are adjusted via a hybrid training algorithm that
integrates global search techniques, based on evolutionary computation, along
with the local search algorithm backpropagation, in order to optimize
simultaneously both weights and network architecture. This approach aims to
automatically generate a dynamic weighted forecast aggregation model with
high performance. The proposed model, called Neural Expert Weighting -
Genetic Algorithm (NEW-GA), was com- pared with other forecaster
combination models, as well as with the individual models involved in the
combination scheme, comprising 15 time series divided into two case studies:
Petroleum Products and the reduced set of NN3 forecasting competition, a
competition between forecasting methodologies, with greater emphasis on
models based on neural networks. The results obtained demonstrated the
potential of NEW-GA in providing accurate models for time series forecasting.
|
3 |
[en] MULTIOBJECTIVE OPTIMIZATION METHODS FOR REFINERY CRUDE SCHEDULING APPLYING GENETIC PROGRAMMING / [pt] MÉTODOS DE OTIMIZAÇÃO MULTIOBJETIVO PARA PROGRAMAÇÃO DE PETRÓLEO EM REFINARIA UTILIZANDO PROGRAMAÇÃO GENÉTICACRISTIANE SALGADO PEREIRA 11 April 2022 (has links)
[pt] A programação de produção em refinaria pode ser compreendida como
decisões que buscam otimizar alocação de recursos, o sequenciamento de
atividades e a sua realização temporal, respeitando restrições e visando ao
atendimento de múltiplos objetivos. Apesar da complexidade e natureza
combinatória, a atividade carece de sistemas sofisticados que auxiliem o
processo decisório, especialmente baseadas em otimização, pois as ferramentas utilizadas são planilhas ou softwares de simulação. A diversidade de
objetivos do problema não implica em equivalência de importância. Pode-se
considerar que existem grupos, onde os que afetam diretamente a capacidade
produtiva da refinaria se sobrepõem aos associados à maior continuidade operacional. Esta tese propõe o desenvolvimento de algoritmos multiobjetivos
para programação de petróleo em refinaria. As propostas se baseiam em conceituadas técnicas da literatura multiobjetivo, como dominância de Pareto
e decomposição do problema, integradas à programação genética com inspiração quântica. São estudados modelos em um ou dois níveis de decisão. A
diferenciação dos grupos de objetivos é avaliada com base em critérios estabelecidos para considerar uma solução proposta como aceitável e também é
avaliada a influência de uma população externa no processo evolutivo. Os
modelos são testados em cenários de uma refinaria real e os resultados são
comparados com um modelo que trata os objetivos de forma hierarquizada.
As abordagens baseadas em dominância e em decomposição apresentam
vantagem sobre o algoritmo hierarquizado, e a decomposição é superior.
Numa comparação com o modelo em dois níveis de decisão, apenas o que
utiliza estratégia de decomposição em cada nível apresenta bons resultados.
Ao final deste trabalho é obtido mais de um modelo multiobjetivo capaz de
oferecer um conjunto de soluções que atendam aos objetivos críticos e deem
flexibilidade de análise a posteriori para o programador de produção, o que,
por exemplo, permite que ele pondere questões não mapeadas no modelo. / [en] Refinery scheduling can be understood as a set of decisions which aims
to optimize resource allocation, task sequencing, and their time-related execution, respecting constraints and targeting multiple objectives. Despite its
complexity and combinatorial nature, the refinery scheduling lacks more
sophisticated support decision tools. The main systems in the area are
worksheets and, sometimes, simulation software. The multiple objectives
do not mean they have the same importance. Actually, they can be grouped
whereas the objectives related to the refinery production capacity are more
important than the ones related to a smooth operation. This thesis proposes
the development of multiobjective algorithms applied to crude oil refinery
scheduling. The proposals are based on the major technics of multiobjective
literature, like Pareto dominance and problem decomposition, integrated
with a quantum-inspired genetic programming approach. One and two decision level models are studied. The difference between groups is handled
with conditions that define what can be considered a good solution. The
effect of using an archive population in the evolutionary process is also
evaluated. The results of the proposed models are compared with another
model that handles the objectives in a hierarchical logical. Both decomposition and dominance approaches have better results than the hierarchical
model. The decomposition model is even better. The bilevel decomposition
method is the only one, among two decision levels models, which have shown
good performance. In the end, this work achieves more than one multiobjective model able to offer a set of solutions which comprises the critical
objectives and can give flexibility to the production scheduler does his analysis. Therefore, he can consider aspects not included in the model, like the
forecast of crude oil batches not scheduled yet.
|
Page generated in 0.0373 seconds