Tese de mestrado integrado. Engenharia Electrotécnica e de Computadores (Major Energia). Faculdade de Engenharia. Universidade do Porto. 2009

Tese de mestrado. Engenharia Electrotécnica e de Computadores. Faculdade de Engenharia. Universidade do Porto. 2008

Tese de mestrado. Automação, Instrumentação e Controlo. Faculdade de Engenharia. Universidade do Porto. 2008

Tese de mestrado integrado. Engenharia Electrotécnica e de Computadores (Major Energia). Faculdade de Engenharia. Universidade do Porto. 2010

Tese de mestr.. Gestão de Informação. Faculdade de Engenharia. Universidade do Porto. 2005

Dissertation submitted for obtain the degree of Doctor , at the Faculdade de Engenharia da Universidade do Porto, under supervisory Prof. Vladimiro Miranda

Submitted by Johnny Rodrigues (johnnyrodrigues@ufcg.edu.br) on 2018-08-14T16:42:54Z No. of bitstreams: 1 EWALDO EDER CARVALHO SANTANA - TESE PPGEE 2009..pdf: 5646465 bytes, checksum: d83cd716193f68815a22b066836f3ae6 (MD5) / Made available in DSpace on 2018-08-14T16:42:54Z (GMT). No. of bitstreams: 1 EWALDO EDER CARVALHO SANTANA - TESE PPGEE 2009..pdf: 5646465 bytes, checksum: d83cd716193f68815a22b066836f3ae6 (MD5) Previous issue date: 2009-11-06 / Neste trabalho é proposto o desenvolvimento de uma rede neuronial com aprendizagem não supervisionada, para modelar a organização topográfica do córtex visual primário. Para isto, estuda-se o comportamento dos campos receptivos do córtex visual primário(V1), e, para o modelamento da rede utilizam-se os conceitos de divergência local e de interação entre neurônios vizinhos, bem como da característica de não linearidades dos neurônios. Para treinamento da rede desenvolveu-se um algoritmo de ponto fixo. / In this work it is proposed an unsupervised neural network model, which seems biologically plausible in modeling the primary visual cortex (V1). It is, also, studied de behavior of the receptive fields of V1. In order to modeling the net it was used the concepts of local discrepancy and interactions between neighbor neurons, as well the non-linearity characteristics of neurons. It was designed a fixed-point algorithm to train the neural network.

Submitted by Eduarda Figueiredo (eduarda.ffigueiredo@ufpe.br) on 2015-03-11T13:28:22Z No. of bitstreams: 2 MCSC.pdf: 902467 bytes, checksum: feccf454de8a2ed9ecdca640cb23ba6c (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-11T13:28:22Z (GMT). No. of bitstreams: 2 MCSC.pdf: 902467 bytes, checksum: feccf454de8a2ed9ecdca640cb23ba6c (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Previous issue date: 2012-01-19 / ANP, FINEP / Devido a maior oferta de petróleos pesados e alto grau de contaminantes que os derivados deste possuem, os processos de hidrorrefino têm recebido atenção especial ao longo dos últimos por possibilitar a remoção de contaminantes e melhorar a margem de lucro das refinarias por tonar possível a obtenção de derivados de maior valor agregado. Entre esses o processo de hidrotratamento (HDT), no qual ocorre uma série de reações que utilizam o gás hidrogênio como reagente, foi o foco de estudo deste trabalho. Ao ser aplicado em correntes de Diesel o HDT realiza a remoção de contaminantes como enxofre e nitrogênio, aumentando a qualidade do mesmo. A unidade de HDT tem como principal equipamento o reator, que consiste em um leito com partículas sólidas, onde gás e líquido escoam em fluxo co-corrente ou em contracorrente. Apesar deste processo já ser maduro, o crescente aumento nas exigências de mercado demandam por melhorias no mesmo, a fim de atingir uma rentabilidade cada vez maior. Desta forma o uso de inferenciadores na estimação das variáveis tornaria possível o melhor acompanhamento do processo como também a implementação de novas estratégias de controle. Visto a relevância desse tema o presente trabalho abordou o desenvolvimento de observadores de estado para o reator do processo de HDT, para isto foi necessário a aquisição de dados do processo, o que foi conseguido através de um modelo matemático do reator, o qual foi denominado como planta virtual. Esta forneceu os dados para treinamento e validação dos inferenciadores aqui estudados: as redes neuronais e a neuro-fuzzy. No decorrer do trabalho foi definido o tempo de amostragem e o período de excitação do sinal através da menor constante de tempo. Para treinamento dos inferenciadores foi utilizado dois bancos de dados distintos, um com tempo de amostragem de 50s, onde este foi obtido pelo método da constante de tempo, e outro com amostragem de 10 minutos, em que as seguintes variáveis foram inferenciadas: concentração de compostos sulfurados, nitrogenados e olefinas na saída do reator. Dessas o melhor resultado foi obtido na inferência da concentração de compostos sulfurados realizada através da Rede Neuronal. Foi escolhida esta rede neuronal na implementação de um controlador PID e como modelo interno de um controlador NNMPC. O controlador PID cuja variável de controle foi à concentração de sulfurados foi chamado de controlador PID inferencial e os resultados deste se mostraram melhores do que os resultados obtidos pelo controlador NNMPC.

Made available in DSpace on 2014-06-12T18:08:23Z (GMT). No. of bitstreams: 2 arquivo9473_1.pdf: 920450 bytes, checksum: 8de41a22d93f1f66a4f3481b45626f98 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2012 / Devido a maior oferta de petróleos pesados e alto grau de contaminantes que os derivados deste possuem, os processos de hidrorrefino têm recebido atenção especial ao longo dos últimos por possibilitar a remoção de contaminantes e melhorar a margem de lucro das refinarias por tonar possível a obtenção de derivados de maior valor agregado. Entre esses o processo de hidrotratamento (HDT), no qual ocorre uma série de reações que utilizam o gás hidrogênio como reagente, foi o foco de estudo deste trabalho. Ao ser aplicado em correntes de Diesel o HDT realiza a remoção de contaminantes como enxofre e nitrogênio, aumentando a qualidade do mesmo. A unidade de HDT tem como principal equipamento o reator, que consiste em um leito com partículas sólidas, onde gás e líquido escoam em fluxo co-corrente ou em contracorrente. Apesar deste processo já ser maduro, o crescente aumento nas exigências de mercado demandam por melhorias no mesmo, a fim de atingir uma rentabilidade cada vez maior. Desta forma o uso de inferenciadores na estimação das variáveis tornaria possível o melhor acompanhamento do processo como também a implementação de novas estratégias de controle. Visto a relevância desse tema o presente trabalho abordou o desenvolvimento de observadores de estado para o reator do processo de HDT, para isto foi necessário a aquisição de dados do processo, o que foi conseguido através de um modelo matemático do reator, o qual foi denominado como planta virtual. Esta forneceu os dados para treinamento e validação dos inferenciadores aqui estudados: as redes neuronais e a neuro-fuzzy. No decorrer do trabalho foi definido o tempo de amostragem e o período de excitação do sinal através da menor constante de tempo. Para treinamento dos inferenciadores foi utilizado dois bancos de dados distintos, um com tempo de amostragem de 50s, onde este foi obtido pelo método da constante de tempo, e outro com amostragem de 10 minutos, em que as seguintes variáveis foram inferenciadas: concentração de compostos sulfurados, nitrogenados e olefinas na saída do reator. Dessas o melhor resultado foi obtido na inferência da concentração de compostos sulfurados realizada através da Rede Neuronal. Foi escolhida esta rede neuronal na implementação de um controlador PID e como modelo interno de um controlador NNMPC. O controlador PID cuja variável de controle foi à concentração de sulfurados foi chamado de controlador PID inferencial e os resultados deste se mostraram melhores do que os resultados obtidos pelo controlador NNMPC

Submitted by Rosivalda Pereira (mrs.pereira@ufma.br) on 2017-08-14T18:28:45Z No. of bitstreams: 1 FabioSilva.pdf: 1098466 bytes, checksum: a72dcced91748fe6c54f3cab86c19849 (MD5) / Made available in DSpace on 2017-08-14T18:28:45Z (GMT). No. of bitstreams: 1 FabioSilva.pdf: 1098466 bytes, checksum: a72dcced91748fe6c54f3cab86c19849 (MD5) Previous issue date: 2008-06-20 / Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPQ) / Fundação de Amparo à Pesquisa e ao Desenvolvimento Científico e Tecnológico do Maranhão (FAPEMA) / We present in this work the results about two neural networks methods to solve the algebraic Riccati(ARE), what are used in many applications, mainly in the Linear Quadratic Regulator (LQR), H2 and H1 controls. First is showed the real symmetric form of the ARE and two methods based on neural computation. One feedforward neural network (FNN), that de¯nes an error as function of the ARE and a recurrent neural network (RNN), which converts a constrain optimization problem, restricted to the state space model, into an unconstrained convex optimization problem de¯ning an energy as function of the ARE and Cholesky factor. A proposal to chose the learning parameters of the RNN used to solve the ARE, by making a surface of the parameters variations, thus we can tune the neural network for a better performance. Computational experiments related with the plant matrices perturbations of the tested systems in order to perform an analysis of the behavior of the presented methodologies, that are based on homotopies methods, where we chose a good initial condition and compare the results to the Schur method. Two 6th order systems were used, a Doubly Fed Induction Generator(DFIG) and an aircraft plant. The results showed the RNN a good alternative compared with the FNN and Schur methods. / Apresenta-se nesta dissertação os resultados a respeito de dois métodos neuronais para a resolução da equação algébrica de Riccati(EAR), que tem varias aplicações, sendo principalmente usada pelos Regulador Linear Quadrático(LQR), controle H2 e controle H1. É apresentado a EAR real e simétrica e dois métodos baseados em uma rede neuronal direta (RND) que tem a função de erro associada a EAR e uma rede neuronal recorrente (RNR) que converte um problema de otimização restrita ao modelo de espaço de estados em outro de otimização convexa em função da EAR e do fator de Cholesky de modo a usufruir das propriedades de convexidade e condições de otimalidade. Uma proposta para a escolha dos parâmetros da RNR usada para solucionar a EAR por meio da geração de superfícies com a variação paramétrica da RNR, podendo assim melhor sintonizar a rede neuronal para um melhor desempenho. Experimentos computacionais relacionados a perturbações nos sistemas foram realizados para analisar o comportamento das metodologias apresentadas, tendo como base o princípio dos métodos homotópicos, com uma boa condição inicial, a partir de uma ponto de operação estável e comparamos os resultados com o método de Schur. Foram usadas as plantas de dois sistemas: uma representando a dinâmica de uma aeronave e outra de um motor de indução eólico duplamente alimentado(DFIG), ambos sistemas de 6a ordem. Os resultados mostram que a RNR é uma boa alternativa se comparado com a RND e com o método de Schur.