Orientadora: Profª Drª Graziella Colato Antonio / Dissertação (mestrado) - Universidade Federal do ABC. Programa de Pós-Graduação em Energia, 2016. / As crescentes preocupações socioambientais têm incentivado discussões acerca de alternativas que aliem um incremento da participação de fontes renováveis na matriz energética e a redução dos impactos ambientais negativos decorrentes da atividade humana. Nesse sentido, o correto manejo e destinação dos resíduos sólidos urbanos ocupa uma posição importante, pois tratamentos adequados para esses resíduos podem contribuir em ambas as frentes. Uma solução que tem sido largamente utilizada por países desenvolvidos e em desenvolvimento para a destinação dos resíduos sólidos é a sua recuperação energética por processo de conversão termoquímica de incineração. Essa solução tanto contribui para o aumento da oferta de energia, quanto diminui consideravelmente o volume dos resíduos a serem depositados em aterros, e ainda mitiga sua toxicidade. Como parte de um adequado planejamento, implantação e operação de uma planta de conversão energética de resíduos é imprescindível que se conheça seu poder calorífico, e muitos modelos têm sido desenvolvidos, principalmente com a utilização de regressão linear múltipla, técnica matemática que gera modelos de previsão lineares. Este trabalho teve o objetivo de propor uma metodologia de construção de modelos de predição de poder calorífico de resíduos sólidos urbanos, a partir da análise elementar, porém com uma abordagem computacional, utilizando uma técnica de inteligência computacional denominada redes neurais artificiais. Redes neurais podem representar tanto funções lineares quanto funções não lineares, e é através dessa característica que se pretendeu promover um incremento na acurácia das predições de poder calorífico de resíduos. Para tanto, foram testadas 432 configurações distintas de redes neurais, com a variação de 5 parâmetros de arquitetura da rede. Como resultado do trabalho, foi observado que, dentre essas 432 configurações, 80 (18,5%) obtiveram um índice de previsão considerado excelente, e a rede de melhor desempenho (rna-771-bfg-lp) atingiu um índice de erro médio percentual absoluto de 2,9%, na previsão de poder calorífico de 10 amostras. No comparativo com modelos matemáticos da literatura, a rna-771-bfg-lp foi melhor do que todos os modelos considerados, cujo melhor resultado foi 3,9% pelo índice MAPE. Esses resultados indicam que redes neurais se constituem uma técnica de construção de modelos de predição bastante promissora, e que a metodologia aqui proposta é capaz de gerar modelos de predição de poder calorífico de resíduos baseado em redes neurais bastante eficazes para esse tipo de tarefa. / The growing of the environmental concerns has encouraged discussions about alternatives that combine an increase of the share of renewable sources in the energy matrix and the reduction of the negative environmental impacts of human activity. By this way, the proper management and disposal of municipal solid waste have played an important role, and an adequate waste treatment can help on both fronts. A possible solution that has been widely used by developed and developing countries for disposal of solid waste is the energy recovery of the waste by a thermochemical conversion process called incineration. This solution contributes to increase the energy supply, reducing the vólume óf waste tó be landfilled, and mitigates the waste¿s tóxicity. To a proper planning, implementation and operation of a waste-to-energy plant is essential to know the heating value of waste to be incinerated, and many models have been developed, especially with the use of multiple linear regression, a mathematical technique to build linear predictive models. This paper aims to propose a methodology to create heating value predicting models of municipal solid waste with a computational approach, using an artificial intelligence technique called neural networks. Artificial neural networks can represent both linear and non-linear functions, and we intend that this feature could improve the accuracy of the heating value of waste forecasts. 432 neural networks configurations have been tested, with a variation of 5 architecture parameters of the networks. It was observed that among these 432 configurations, 80 (18.5%) were considered excellent to predict the heating value of the waste, and the best performance network (rna-771-bfg-lp) got a mean absolute percentage error (MAPE) index of 2.9%, in a set of 10 samples. In the comparison with mathematical models of literature, rna-771-bfg-lp was better than all models considered, whose best result was 3.9% by the MAPE index. These results indicate that neural networks are a very promising computational technique to create prediction models, and the methodology proposed here is very effective to the development of municipal solid waste heating value forecasting models based on neural networks.
Identifer | oai:union.ndltd.org:IBICT/oai:BDTD:103689 |
Date | January 2016 |
Creators | Drudi, Ricardo |
Contributors | Antonio, Graziella Colato, Gallego, Antonio Garrido, Nogueira, Marcelo |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Format | application/pdf, 124 f. : il. |
Source | reponame:Repositório Institucional da UFABC, instname:Universidade Federal do ABC, instacron:UFABC |
Rights | info:eu-repo/semantics/openAccess |
Relation | http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=103689&midiaext=73211, http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=103689&midiaext=73212, Cover: http://biblioteca.ufabc.edu.brphp/capa.php?obra=103689 |
Page generated in 0.0668 seconds