Made available in DSpace on 2018-08-01T22:57:12Z (GMT). No. of bitstreams: 1 tese_10087_Dissertação Final de Mestrado - Társis Baia Fortunato PDF.20180423-141053.pdf: 2621561 bytes, checksum: 7c512f8e1eafe2e7278d5463307a03e0 (MD5) Previous issue date: 2018-02-20 / A energia é um dos bens mais necessários da humanidade, e essa necessidade continua altamente depende da produção de petróleo e gás. Deste modo, os Sistemas de Produção de Petróleo (SPP) necessitam de avanços continuamente. Atualmente, duas técnicas que compõem as principais tendências da indústria de petróleo e contribuem para o avanço do SPP são o controle preditivo baseado em modelo do inglês Model Predictive Control (MPC) e as técnicas de estimação de estados. Os SPP possuem características de não linearidades que são vistas, em consequência, também nos modelos matemáticos que reproduzem seus comportamentos. Entretanto, o MPC é uma técnica madura somente para modelos lineares, e sua aplicação em processos não lineares é condicionada a hipóteses simplificadoras. A sua variante Non-Linear Model Predictive Control (NMPC), que utiliza modelos não lineares, tem sido indicada para utilização no controle de SPP, pois, não assume hipóteses simplificadoras. Os desafios do NMPC se encontram na resolução do problema de otimização baseada em modelo que integra sua metodologia e também no tratamento de incertezas. Sendo assim, tem sido comum associar NMPC com estimação de estados. Contudo, mesmo havendo várias técnicas de estimação disponíveis são poucas que lidam bem com o caráter não linear do modelo. Deste modo, esta dissertação propõe uma metodologia de controle de um sistema de produção de petróleo considerando a etapa de recuperação secundária waterflooding com um NMPC associado à estimação de estados. Ao desafio na etapa de otimização, é aplicada uma metodologia que reformula o problema de otimização como um problema de filtragem e o ótimo é estimado com o Filtro Partículas (PF), que nesta tarefa é renomeado para Particle Filter Optimization (PFO). Ao processo estimação de estados, é aplicado também um Filtro de Partículas que não faz nenhuma hipótese simplificadora em relação às incertezas não-Gaussianas. As simulações necessárias durante a aplicação das duas técnicas foram obtidas com o modelo que descreve o escoamento imiscível bifásico óleo-água e com o método Volumes Finitos na sua variante Two Point Flux Approximation. Os resultados mostraram que o PFO manteve a produção no set point e que a estimação de estados com PF foi satisfatória, pois, os resultados de monitoramento não apresentaram degeneração nem empobrecimento na reamostragem do PF. Os resultados a respeito do tratamento da incerteza demostraram que o PF foi capaz de reduzir a incerteza na saturação estimada.

Made available in DSpace on 2016-06-02T19:56:56Z (GMT). No. of bitstreams: 1 6271.pdf: 1816121 bytes, checksum: 358e1c3f7d194a552db21ddb44f4761c (MD5) Previous issue date: 2014-08-28 / Financiadora de Estudos e Projetos / In general, the chemical processes can be represented using mathematical models, in the case of lumped systems include ordinary differential equations, or, partial differential equations, when distributed parameter systems using methods is necessary in both cases numerical resolution in these models, with the purpose to simulate, analyze and control the process. The implementation of control systems in chemical processes, brings with it many advantages, among these, the improvement and stability in production rates, ensuring product quality and the possibility of a safe operation of the process. Thus, in the last 30 years, different control methodologies were developed, one of the most used techniques, the Model Predictive Control Based on. Its success is due to the fact that this type of control accepts constraints on input variables and process output, determining the future of this movement, while optimizing an objective function can lead to the output of the process until the desired set point. The objective of this project is to implement the Model Predictive Controller with Nonlinear (CPNL ) for a reactor pulp bleaching by the use of chlorine dioxide, whose mathematical model is comprised of partial differential equations, thus being a model parameter distributed. Implementation of the controller, the plant is discretized by the Finite Difference Method and the process model is solved with the technique of Orthogonal Collocation. The integration of the resulting ordinary differential equations systems is performed by the method of Runge-Kutta. The Predictive Controller was compared with a Controller Proportional-Integral (PI). Studies have shown that CPNL has better performance, with faster response and values of the Integral Absolute Error (IAE) and Integral Square Error (ISE) smaller than those calculated for the PI controller. / Em geral, os processos químicos podem ser representados mediante modelos matemáticos que, no caso dos sistemas de parâmetros concentrados, incluem equações diferenciais ordinárias, ou então, equações diferenciais parciais, quando são sistemas de parâmetros distribuídos, sendo necessário nos dois casos o uso de métodos numéricos na resolução destes modelos, com a finalidade de simular, analisar e controlar o processo. A implementação de sistemas de controle em processos químicos, traz consigo múltiplas vantagens, entre essas, a melhora e a estabilidade nas taxas de produção, a garantia da qualidade do produto e a possibilidade de uma operação segura do processo. Desta forma, nos últimos 30 anos, foram desenvolvidas diferentes metodologias de controle, sendo uma das técnicas mais empregadas, o Controle Preditivo Baseado no Modelo. Seu sucesso se deve ao fato de que este tipo de controle aceita restrições nas variáveis de entrada e saída do processo, determinando os movimentos futuros deste, além de otimizar uma função objetivo para conseguir levar a saída do processo até o Set-Point desejado. Assim, o objetivo deste projeto é implementar o Controlador Preditivo com Modelo Não Linear (CPNL ) para um reator de branqueamento de celulose, mediante o uso de dióxido cloro, cujo modelo matemático está constituído por equações diferenciais parciais, sendo assim, um modelo de parâmetros distribuídos. Na implementação do controlador, a planta é discretizada, mediante o Método das Diferenças Finitas e o modelo do processo é resolvido com a técnica de Colocação Ortogonal. A integração dos sistemas de equações diferenciais ordinárias resultantes é realizada mediante o método de Runge- Kutta. O Controlador Preditivo foi comparado com um Controlador Proporcional-Integral (PI). Os estudos mostraram que o CPNL possui melhor desempenho, apresentando uma resposta mais rápida e valores da Integral do Erro Absoluto (IAE) e a Integral do Erro Quadrático (ISE) menores que os calculados para o controlador PI.

A pesquisa em redes neurais artificiais (RNAs) está atualmente experimentando um crescente interesse por modelos que utilizem a variável tempo como um grau de liberdade extra a ser explorado nas representações neurais. Esta ênfase na codificação temporal (temporal coding) tem provocado debates inflamados nas neurociências e áreas correlatas, mas nos últimos anos o surgimento de um grande volume de dados comportamentais e fisiológicos vêm dando suporte ao papel-chave desempenhado por este tipo de representação no cérebro [BALLARD et al. (1998)]. Contribuições ao estudo da representação temporal em redes neurais vêm sendo observadas nos mais diversos tópicos de pesquisa, tais como sistemas dinâmicos não-lineares, redes oscilatórias, redes caóticas, redes com neurônios pulsantes e redes acopladas por pulsos. Como conseqüência, várias tarefas de processamento da informação têm sido investigada via codificação temporal, a saber: classificação de padrões, aprendizagem, memória associativa, controle sensório-motor, identificação de sistemas dinâmicos e robótica. Freqüentemente, porém, não fica muito claro até que ponto a modelagem dos aspectos temporais de uma tarefa contribui para aumentar a capacidade de processamento da informação de modelos neurais. Esta tese busca apresentar, de uma maneira clara e abrangente, os principais conceitos e resultados referentes à proposição de dois modelos de redes neurais não-supervisionadas (RNATs), e como estas lançam mão da codificação temporal para desempenhar melhor a tarefa que lhes é confiada. O primeiro modelo, chamado rede competitiva Hebbiana temporal (competitive temporal Hebbian - CTH), é aplicado especificamente em tarefas de aprendizagem e reprodução de trajetórias do robô manipulador PUMA 560. A rede CTH é uma rede neural competitiva cuja a principal característica é o aprendizado rápido, em apenas uma época de treinamento, de várias trajetórias complexas contendo ) elementos repetidos. As relações temporais da tarefa, representadas pela ordem temporal da trajetória, são capturadas por pesos laterais treinados via aprendizagem hebbiana. As propriedades computacionais da rede CTH são avaliadas através de simulações, bem como através da implementação de um sistema de controle distribuído para o robô PUMA 560 real. O desempenho da rede CTH é superior ao de métodos tabulares (look-up table) tradicionais de aprendizagem de trajetórias robóticas e ao de outras técnicas baseadas em redes neurais, tais como redes recorrentes supervisionadas e modelos de memória associativa bidirecional (BAM). O segundo modelo, chamado rede Auto-Organizável NARX (Self-Organizing NARX-SONARX), é baseado no conhecido algoritmo SOM, proposto por KOHONEN (1997). Do ponto de vista computacional, as propriedades de rede SONARX são avaliadas em diferentes domínios de aplicação, tais como predição de séries temporais caóticas, identificação de um atuador hidráulico e no controle preditivo de uma planta não-linear. Do ponto de vista teórico, demonstra-se que a rede SONARX pode ser utilizada como aproximador assintótico de mapeamentos dinâmicos não-lineares, graças a uma nova técnica de modelagem neural, chamada Memória Associativa Temporal via Quantização Vetorial (MATQV). A MATQV, assim como a aprendizagem hebbiana da rede CTH, é uma técnica de aprendizado associativo temporal. A rede SONARX é comparada com modelos NARX supervisionados, implementados a partir das redes MLP e RBF. Em todos os testes realizados para cada uma das tarefas citadas no parágrafo anterior, a rede SONARX tem desempenho similar ou melhor do que o apresentado por modelos supervisionados tradicionais, com um custo computacional consideravelmente menor. A rede SONARX é também comparada com a rede CTH na parendizagem de trajetórias robóticas complexas, com o intuito de destacar as principais diferenças entre os dois ) tipos de aprendizado associativo. Esta tese também propõe uma taxonomia matemática, baseada na representação por espaço de estados da teoria de sistemas, que visa classificar redes neurais não-supervisionadas temporais com ênfase em suas propriedades computacionais. Esta taxonomia tem como principal objetivo unificar a descrição de modelos neurais dinâmicos, facilitando a análise e a comparação entre diferentes arquiteturas, contrastando suas características representacionais e operacionais. Como exemplo, as redes CTH e a SONARX serão descritas usando a taxonomia proposta. / Neural network research is currently witnessing a significant shift of emphasis towards temporal coding, which uses time as an extra degree of freedom in neural representations. Temporal coding is passionately debated in neuroscience and related fields, but in the last few years a large volume of physiological and behavioral data has emerged that supports a key role for temporal coding in the brain [BALLARD et al. (1998)]. In neural networks, a great deal of research is undertaken under the topics of nonlinear dynamics, oscillatory and chaotic networks, spiking neurons, and pulse-coupled networks. Various information processing tasks are investigated using temporal coding, including pattern classification, learning, associative memory, inference, motor control, dynamical systems identification and control, and robotics. Progress has been made that substantially advances the state-of-the-art of neural computing. In many instances, however, it is unclear whether, and to what extent, the temporal aspects of the models contribute to information processing capabilities. This thesis seeks to present, in a clear and collective way, the main issues and results regarding the proposal of two unsupervised neural models, emphasizing how these networks make use of temporal coding to perform better in the task they are engaged in. The first model, called Competitive Temporal Hebbian (CTH) network, is applied specifically to learning and reproduction of trajectories of a PUMA 560 robot. The CTH model is a competitive neural network whose main characteristic is the fast learning, in just one training epoch, of multiple trajectories containing repeated elements. The temporal relationships within the task, represented by the temporal order of the elements of a given trajectory, are coded in lateral synaptic trained with hebbian learning. The computational properties of the CTH network are assessed through simulations, as well ) as through the practical implementation of a distributed control system for the real PUMA 560 robot. The CTH performs better than conventional look-up table methods for robot trajectory learning, and better than other neural-based techniques, such as supervised recurrent networks and bidirectional associative memory models. The second model, called Self-Organizing NARX (SONARX) network, is based on the well-known SOM algorithm by KOHONEN (1997). From the computational view-point, the properties of the SONARX model are evaluated in different application domains, such as prediction of chaotic time series, identification of an hydraulic actuator and predictive control of a non-linear plant. From the theoretic viewpoint, it is shown that the SONARX model can be seen as an asymptotic approximator for nonlinear dynamical mappings, thanks to a new neural modelling technique, called Vector-Quantized Temporal Associative Memory (VQTAM). This VQTAM, just like the hebbian learning rule of the CTH network, is a temporal associative memory techniques. The SONARX network is compared with supervised NARX models which based on the MLP and RBF networks. For all simulations, in each one of the forementioned application domains, the SONARX network had a similar and sometimes better performance than those observed for standard supervised models, with the additional advantage of a lower computational cost. The SONARX model is also compared with the CTH network in trajectory reproduction tasks, in order to contrast the main differences between these two types of temporal associative learning models. In this thesis, it is also proposed a mathematical taxonomy, based on the state-space representation of dynamical systems, for classification of unsupervised temporal neural networks with emphasis in their computational properties. The main goal of this taxonomy is to unify the description of dynamic neural models, ) facilitating the analysis and comparison of different architectures by constrasting their representational and operational characteristics. Is is shown how the CTH and SONARX models can be described using the proposed taxonomy.

A pesquisa em redes neurais artificiais (RNAs) está atualmente experimentando um crescente interesse por modelos que utilizem a variável tempo como um grau de liberdade extra a ser explorado nas representações neurais. Esta ênfase na codificação temporal (temporal coding) tem provocado debates inflamados nas neurociências e áreas correlatas, mas nos últimos anos o surgimento de um grande volume de dados comportamentais e fisiológicos vêm dando suporte ao papel-chave desempenhado por este tipo de representação no cérebro [BALLARD et al. (1998)]. Contribuições ao estudo da representação temporal em redes neurais vêm sendo observadas nos mais diversos tópicos de pesquisa, tais como sistemas dinâmicos não-lineares, redes oscilatórias, redes caóticas, redes com neurônios pulsantes e redes acopladas por pulsos. Como conseqüência, várias tarefas de processamento da informação têm sido investigada via codificação temporal, a saber: classificação de padrões, aprendizagem, memória associativa, controle sensório-motor, identificação de sistemas dinâmicos e robótica. Freqüentemente, porém, não fica muito claro até que ponto a modelagem dos aspectos temporais de uma tarefa contribui para aumentar a capacidade de processamento da informação de modelos neurais. Esta tese busca apresentar, de uma maneira clara e abrangente, os principais conceitos e resultados referentes à proposição de dois modelos de redes neurais não-supervisionadas (RNATs), e como estas lançam mão da codificação temporal para desempenhar melhor a tarefa que lhes é confiada. O primeiro modelo, chamado rede competitiva Hebbiana temporal (competitive temporal Hebbian - CTH), é aplicado especificamente em tarefas de aprendizagem e reprodução de trajetórias do robô manipulador PUMA 560. A rede CTH é uma rede neural competitiva cuja a principal característica é o aprendizado rápido, em apenas uma época de treinamento, de várias trajetórias complexas contendo ) elementos repetidos. As relações temporais da tarefa, representadas pela ordem temporal da trajetória, são capturadas por pesos laterais treinados via aprendizagem hebbiana. As propriedades computacionais da rede CTH são avaliadas através de simulações, bem como através da implementação de um sistema de controle distribuído para o robô PUMA 560 real. O desempenho da rede CTH é superior ao de métodos tabulares (look-up table) tradicionais de aprendizagem de trajetórias robóticas e ao de outras técnicas baseadas em redes neurais, tais como redes recorrentes supervisionadas e modelos de memória associativa bidirecional (BAM). O segundo modelo, chamado rede Auto-Organizável NARX (Self-Organizing NARX-SONARX), é baseado no conhecido algoritmo SOM, proposto por KOHONEN (1997). Do ponto de vista computacional, as propriedades de rede SONARX são avaliadas em diferentes domínios de aplicação, tais como predição de séries temporais caóticas, identificação de um atuador hidráulico e no controle preditivo de uma planta não-linear. Do ponto de vista teórico, demonstra-se que a rede SONARX pode ser utilizada como aproximador assintótico de mapeamentos dinâmicos não-lineares, graças a uma nova técnica de modelagem neural, chamada Memória Associativa Temporal via Quantização Vetorial (MATQV). A MATQV, assim como a aprendizagem hebbiana da rede CTH, é uma técnica de aprendizado associativo temporal. A rede SONARX é comparada com modelos NARX supervisionados, implementados a partir das redes MLP e RBF. Em todos os testes realizados para cada uma das tarefas citadas no parágrafo anterior, a rede SONARX tem desempenho similar ou melhor do que o apresentado por modelos supervisionados tradicionais, com um custo computacional consideravelmente menor. A rede SONARX é também comparada com a rede CTH na parendizagem de trajetórias robóticas complexas, com o intuito de destacar as principais diferenças entre os dois ) tipos de aprendizado associativo. Esta tese também propõe uma taxonomia matemática, baseada na representação por espaço de estados da teoria de sistemas, que visa classificar redes neurais não-supervisionadas temporais com ênfase em suas propriedades computacionais. Esta taxonomia tem como principal objetivo unificar a descrição de modelos neurais dinâmicos, facilitando a análise e a comparação entre diferentes arquiteturas, contrastando suas características representacionais e operacionais. Como exemplo, as redes CTH e a SONARX serão descritas usando a taxonomia proposta. / Neural network research is currently witnessing a significant shift of emphasis towards temporal coding, which uses time as an extra degree of freedom in neural representations. Temporal coding is passionately debated in neuroscience and related fields, but in the last few years a large volume of physiological and behavioral data has emerged that supports a key role for temporal coding in the brain [BALLARD et al. (1998)]. In neural networks, a great deal of research is undertaken under the topics of nonlinear dynamics, oscillatory and chaotic networks, spiking neurons, and pulse-coupled networks. Various information processing tasks are investigated using temporal coding, including pattern classification, learning, associative memory, inference, motor control, dynamical systems identification and control, and robotics. Progress has been made that substantially advances the state-of-the-art of neural computing. In many instances, however, it is unclear whether, and to what extent, the temporal aspects of the models contribute to information processing capabilities. This thesis seeks to present, in a clear and collective way, the main issues and results regarding the proposal of two unsupervised neural models, emphasizing how these networks make use of temporal coding to perform better in the task they are engaged in. The first model, called Competitive Temporal Hebbian (CTH) network, is applied specifically to learning and reproduction of trajectories of a PUMA 560 robot. The CTH model is a competitive neural network whose main characteristic is the fast learning, in just one training epoch, of multiple trajectories containing repeated elements. The temporal relationships within the task, represented by the temporal order of the elements of a given trajectory, are coded in lateral synaptic trained with hebbian learning. The computational properties of the CTH network are assessed through simulations, as well ) as through the practical implementation of a distributed control system for the real PUMA 560 robot. The CTH performs better than conventional look-up table methods for robot trajectory learning, and better than other neural-based techniques, such as supervised recurrent networks and bidirectional associative memory models. The second model, called Self-Organizing NARX (SONARX) network, is based on the well-known SOM algorithm by KOHONEN (1997). From the computational view-point, the properties of the SONARX model are evaluated in different application domains, such as prediction of chaotic time series, identification of an hydraulic actuator and predictive control of a non-linear plant. From the theoretic viewpoint, it is shown that the SONARX model can be seen as an asymptotic approximator for nonlinear dynamical mappings, thanks to a new neural modelling technique, called Vector-Quantized Temporal Associative Memory (VQTAM). This VQTAM, just like the hebbian learning rule of the CTH network, is a temporal associative memory techniques. The SONARX network is compared with supervised NARX models which based on the MLP and RBF networks. For all simulations, in each one of the forementioned application domains, the SONARX network had a similar and sometimes better performance than those observed for standard supervised models, with the additional advantage of a lower computational cost. The SONARX model is also compared with the CTH network in trajectory reproduction tasks, in order to contrast the main differences between these two types of temporal associative learning models. In this thesis, it is also proposed a mathematical taxonomy, based on the state-space representation of dynamical systems, for classification of unsupervised temporal neural networks with emphasis in their computational properties. The main goal of this taxonomy is to unify the description of dynamic neural models, ) facilitating the analysis and comparison of different architectures by constrasting their representational and operational characteristics. Is is shown how the CTH and SONARX models can be described using the proposed taxonomy.