Return to search

Uma aplicação de redes neurais na instrumentação virtual do grau acoólico no processo industrial de produção do etanol / An application of neural networks in virtual instrumentation alcohol content in the industrial process of ethanol production

A busca por eficiência e qualidade esta presente nas usinas de produção de etanol. A demanda por novas tecnologias e soluções para problemas conhecidos é dinâmica e contínua. No processo de produção do etanol há a necessidade de se quantificar a qualidade do etanol produzido. Esta análise demanda procedimentos laboratoriais que impõe um tempo entre a coleta da amostra e o resultado das análises laboratoriais. Este tempo afeta a velocidade de reação do sistema de controle de produção a uma variação na qualidade do etanol. Quanto antes se atue na produção, menor é o retrabalho sobre o que foi produzido fora da especificação desejada e maior o rendimento e a produtividade do processo. Um dos indicadores de rendimento do processo de produção de etanol é a porcentagem de massa de etanol em relação à massa de água contida na solução. Este indicador é representado por \"m/m\", e significa grau alcoólico do etanol. Tabelas alcoométricas são utilizadas para determinar o valor do grau alcoólico, tendo como variáveis de entrada a temperatura e a densidade. O intervalo de temperatura onde as tabelas alcoométricas são válidas não é o mesmo que o processo industrial necessita. O processo industrial trabalha com temperaturas próximas a 90°C. Este fato impõe que as análises do grau alcoólico sejam feitas em laboratório, prejudicando o tempo de resposta ao processo industrial. Objetivando resolver este problema, este trabalho busca por meio da utilização de redes neurais determinar uma função matemática que possa ser capaz de indicar o valor do grau alcoólico do etanol de maneira precisa e sem que seja necessário o uso de consultas e aproximações por tabelas de referência. / The search for efficiency and quality is present in ethanol plants. The demand for new technologies and solutions to known problems is dynamic and continuous. In the process of producing ethanol is necessary to quantify the quality of the produced ethanol. This analysis requires laboratory procedures it takes a time between sample collection and results of laboratory analysis. This time affects the reaction speed of the system production control to a variation in the quality of ethanol. The sooner they are acting in the production, lower rework on what was produced outside the desired specification and higher efficiency and productivity of the process. One of the indicators of process performance ethanol is the percentage mass of ethanol relative to water diluted solution. This indicator is represented by \"m/m\" and means a degree alcoholic of ethanol. Alcohol tables are used to determine the amount of degree alcohol having as input variables the temperature and density. The temperature range where the alcohol tables are valid is not the same as the industrial process needs. The industrial process works at temperatures around 90°C. This fact requires the analysis of the degree of alcoholic of the ethanol are made in the laboratory, hampering the response time to the industrial process. Aiming to solve this fact, this paper aims through the use of neural networks for universal approximation theorem, find a mathematical function that can be implemented in a virtual sensor capable of indicating the value of the alcoholic content of ethanol.

Identiferoai:union.ndltd.org:IBICT/oai:teses.usp.br:tde-13052014-110105
Date03 April 2014
CreatorsCiro Luís Teixeira Carpintieri
ContributorsRogério Andrade Flauzino, Alessandro Goedtel, Aniel Silva de Morais
PublisherUniversidade de São Paulo, Engenharia Elétrica, USP, BR
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Sourcereponame:Biblioteca Digital de Teses e Dissertações da USP, instname:Universidade de São Paulo, instacron:USP
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.003 seconds