Made available in DSpace on 2017-07-10T18:08:07Z (GMT). No. of bitstreams: 1 Tulio Klassen.pdf: 1461464 bytes, checksum: 02d111496a486b94ea73232034f2aeb6 (MD5) Previous issue date: 2008-02-11 / The Artificial Neural Networks have been used with success for the description and modeling of processes in the most several areas of the knowledge, from economy, administration, artificial intelligence and even control of complex industrial processes. The process of chilling of chickens for immersion in cold water ("chillers") is complex and difficult to be modeled phenomenologicaly, because it involves transfer of heat, mass and transient regime, besides a great number of variables. In this work several architectures of artificial neural networks were used in the description and modeling of the process of chilling of the chickens, foreseeing the final temperature and the growth of weight of the carcasses. Also for comparison effect they were used an empiric model proposed by CARCIOFI & LAURINDO (2007) to describe the absorption of the water for the carcasses and the chilling model according to Newton's Law for the temperature of the carcasses. Different situations were tested changing the numbers of neurons of the entrance and hidden layers, and the number of layers. The data used were supplied by the SADIA - Toledo company for training and validation of the net. For the model twenty-five entrance variables were selected, as weight of the carcass, temperature before the chillers, temperature of the propilenoglicol shirt, flow of water in each module of the tanks, time of chilling and temperature of the renewal water, bubble intensity and amount of ice. The results obtained by the neural network and for Newton's Law they were not efficient to represent the final temperature of the carcass. The neural networks and the empiric model of CARCIOFI & LAURINDO (2007) went very efficient to esteem the amount of water absorbed for the carcasses. The obtained results showed that the net type with 4 x 12 x 4 neurons in the entrance layer, first and second hidden layers respectively was the best to represent the investigated system. / As Redes Neurais Artificiais têm sido empregadas com sucesso para a descrição e modelagem de processos nas mais diversas áreas do conhecimento, desde economia, administração, inteligência artificial e até controle de processos industriais complexos. O processo de resfriamento de frangos por imersão em água gelada ( chillers ) é complexo e difícil de ser modelado fenomenologicamente, pois envolve transferência de calor, massa e regime transiente, além de um grande número de variáveis. Neste trabalho foram empregadas diversas arquiteturas de redes neurais artificiais na descrição e modelagem do processo de resfriamento dos frangos, prevendo a temperatura final e o ganho de peso das carcaças. Também para efeito de comparação foram empregados um modelo empírico proposto por CARCIOFI & LAURINDO (2007) para descrever a absorção da água pelas carcaças e o modelo de resfriamento segundo a Lei de Newton para a temperatura das carcaças. Foram testadas diferentes situações alterando-se os números de neurônios das camadas de entrada e intermediária, e o número de camadas. Foram utilizados dados fornecidos pela empresa SADIA Toledo para treinamento e validação da rede. Para o modelo foram selecionadas vinte e cinco variáveis de entrada, como peso da carcaça, temperatura antes do resfriamento, temperatura da camisa de propilenoglicol, vazão de água em cada módulo dos tanques, tempo de resfriamento e temperatura da água de renovação, borbulhamento e quantidade de gelo. Os resultados obtidos pelas redes neurais e pela Lei de Newton não foram eficientes para representar a temperatura de saída da carcaça. As redes neurais e o modelo empírico de CARCIOFI & LAURINDO (2007) foram muito eficientes para estimar a quantidade de água absorvida pelas carcaças. Os resultados obtidos mostraram que a rede tipo 4 x 12 x 4 neurônios na camada de entrada, primeira intermediária e segunda intermediária respectivamente foi a que melhor representou o sistema investigado.

Made available in DSpace on 2017-07-10T18:07:58Z (GMT). No. of bitstreams: 1 Lucas Maycon Hoff Zeni.pdf: 1421377 bytes, checksum: 75c6a9407a955e26c7fd4db2939b1b79 (MD5) Previous issue date: 2012-02-24 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Configuration of fixed bed that operates with biphasic flow is used in industrial operations such as the Fischer-Tropsch, hydrogenation, and residual water treatments. Vital information for the project and operation of this type of bed is in its characteristics fluid-dynamic and among these characteristics the flow regime because these have a direct influence transferring heat and mass present in the bed. In the two-phase flow with ascendant flow through fixed bed, three distinct regimes can be identified: the bubble regime, for low gas flow; pulsating regime, for moderate liquid and gas flow; and spray regime; for low flow of liquid and high flow rates of gas. Although there are different techniques to determine flow regimes, the most used is the visual identification. Thus, this research aims to develop, by using artificial neural networks (ANNs) a way to determine, for a given set of liquid-gas flow what out-flow regime the bed presents. To do so, firstly, the out-flow regime were identified by using water and air, respectively flux mass flowing varying from 2 to 16.5 kg.m-2.s-1 and from 0 to 0.6 kg.m-2.s-1, flowing up-words through a fixed bed packed with glass spheres measuring from 2.7 to 3.5 mm of diameter. The network proposed to identify the regimes contains Multiple Layers Perceptron architecture (PML) trained by the back propagation algorithm put together by applying the Multiple Back-Propagation (MBP) software, version 2.2.3 consistently with two input neurons, two intermediate layers, and four output neurons. The number of neurons of the intermediate layers was assorted to find out the best configuration. As activation of function, logistic, tangent, hyperbolic, and Gaussian were tested. Observed results showed that it is possible the identification of regimes through neural networks and among those tested the one that showed the best performance was the one that used the hyperbolic-tangent activation function; 10 neurons in the first hidden layer, and 12 neurons in the second hidden layer. / A configuração de leito fixo que opera com escoamento bifásico é muito utilizada em operações industriais, tais como síntese de Fischer-Tropsch, hidrogenação e tratamento de águas residuais. Uma informação vital para projeto e operação deste tipo de leito está nas características fluidodinâmicas, e dentre estas características podem ser citados os regimes de escoamento, pois estes influenciam diretamente nas transferências de calor e massa presentes no leito. No escoamento bifásico com fluxo ascendente através de leito fixo podem ser identificados três regimes distintos: regime bolha, para baixas vazões de gás; regime pulsante, para vazões moderadas de líquido e gás; e regime spray, para baixas vazões de líquidos e altas vazões de gás. Apesar de haver diferentes técnicas para a determinação dos regimes de escoamento, a mais empregada é a identificação visual. Sendo assim, esta pesquisa tem por objetivo desenvolver, por meio da utilização de redes neurais artificiais (RNA s), uma maneira de determinar, para um dado conjunto de vazões gás-líquido, qual regime de escoamento o leito apresenta. Para isto, os regimes de escoamento primeiramente foram identificados utilizando água e ar, respectivamente com fluxo mássico variando de 2 a 16,5 kg.m-2.s-1 e de 0 a 0,6 kg.m-2.s-1, escoando em fluxo ascendente por meio de um leito fixo recheado com esferas de vidro de diâmetro entre 2,7 e 3,5 mm. A rede proposta para a identificação dos regimes possui arquitetura perceptron de múltiplas camadas (MLP) treinada pelo algoritmo backpropagation e foi montada utilizando o programa freeware Multiple Back-Propagation (MBP) versão 2.2.3 sempre com dois neurônios de entrada, duas camadas intermediárias e quatro neurônios de saída. O número de neurônios das camadas intermediárias foi variado a fim de descobrir a melhor configuração. Como função de ativação, foram testadas as funções logística, tangente hiperbólica e gaussiana. Os resultados observados mostram que é possível a identificação dos regimes por meio de redes neurais e dentre as configurações testadas, a que apresentou melhor desempenho foi a rede que utilizou a função de ativação tangente hiperbólica, 10 neurônios na primeira camada oculta e 12 neurônios na segunda camada oculta.