Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Engenharia Química. / Made available in DSpace on 2012-10-21T01:11:57Z (GMT). No. of bitstreams: 0 / Por muitas razões, o processo de destilação é a mais importante técnica de separação na indústria de processos químicos em todo o mundo. No entanto, a implementação do controle industrial é dificultada por se não linear, não-estacionário, interativo, e ainda sujeito a restrições e perturbações. Muitos dos modernos métodos de controle são baseados em modelos não-lineares multivariáveis. Os modelos não-lineares precisam ser mais rigorosos e com maiores exigências computacionais na medida em que aumenta a complexidade do processo. As redes neurais são uma alternativa para a modelagem destes processos na medida em que não se necessita um conhecimento a priori do processo. As redes neurais são capazes de encontrar correlação nos problemas complexos e não-lineares, processam a informação rapidamente e podem ser usadas para reduzir o esforço para o desenvolvimento de um modelo para controle. A utilização de uma rede neural para simplificar a modelagem fenomenológica de uma coluna de destilação é apresentada. A rede neural aqui utilizada apresenta uma modificação para melhorar a sua capacidade de generalização. A rede exibe uma performance superior quando comparada com redes feedforward e de base radial na identificação de processos fortemente não-lineares. O caso estudado é uma coluna de destilação com 12 m de altura e 30 pratos, que separa hidrocarbonetos em processo contínuo. Um procedimento sistemático em três etapas é desenvolvido. O primeiro consiste na coleção de dados e eleição das variáveis mais importantes do processo. A aquisição de dados foi feita usando um simulador rigoroso, numa periodicidade compatível com o que poderia ser feito num processo real. A seguir, entradas são informadas à rede no processo de treinamento. A terceira etapa é a validação do modelo testando-o com um novo grupo de dados. O presente trabalho analisa a rede para um número crescente de entradas e saídas possível de ser calculado; a qualidade e quantidade do grupo de dados de treinamento e previsão; o número máximo de passos possíveis de serem preditos pela rede; e finalmente a melhor topologia. A rede ainda é testada para uma série de variáveis de entrada. A performance da rede é testada para determinar os melhores parâmetros livres a serem usados. A qualidade do modelo depende no sucesso de cada uma destas três etapas.Aparte servir como um preditor, a rede neural provê informação sobre a relevância de cada variável. A maioria das predições forneceu coeficientes de correlação acima de 99%, mostrando que a rede pode ser usada em controle e ainda como um sensor por software.
Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufsc.br:123456789/85912 |
Date | January 2003 |
Creators | Moura, Letícia Gomes |
Contributors | Universidade Federal de Santa Catarina, Machado, Ricardo Antonio Francisco, Roqueiro, Nestor |
Publisher | Florianópolis, SC |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Format | xii, 112 f.| il., tabs. |
Source | reponame:Repositório Institucional da UFSC, instname:Universidade Federal de Santa Catarina, instacron:UFSC |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0021 seconds