[pt] A indústria 4.0 impulsionou o desenvolvimento de novas tecnologias
para atender as demandas atuais do mercado. Uma dessas novas tecnologias
foi a incorporação de técnicas de inteligência computacional no cotidiano
da indústria química. Neste âmbito, este trabalho avaliou o desempenho de
controladores baseados em aprendizado por reforço em processos químicos
industriais. A estratégia de controle interfere diretamente na segurança e
no custo do processo. Quanto melhor for o desempenho dessa estrategia,
menor será a produção de efluentes e o consumo de insumos e energia. Os
algoritmos de aprendizado por reforço apresentaram excelentes resultados
para o primeiro estudo de caso, o reator CSTR com a cinética de Van de
Vusse. Entretanto, para implementação destes algoritmos na planta química
do Tennessee Eastman Process mostrou-se que mais estudos são necessários.
A fraca ou inexistente propriedade Markov, a alta dimensionalidade e as
peculiaridades da planta foram fatores dificultadores para os controladores
desenvolvidos obterem resultados satisfatórios. Foram avaliados para o estudo
de caso 1, os algoritmos Q-Learning, Actor Critic TD, DQL, DDPG, SAC e
TD3, e para o estudo de caso 2 foram avaliados os algoritmos CMA-ES, TRPO,
PPO, DDPG, SAC e TD3. / [en] Industry 4.0 boosted the development of new technologies to meet
current market demands. One of these new technologies was the incorporation
of computational intelligence techniques into the daily life of the chemical
industry. In this context, this present work evaluated the performance of
controllers based on reinforcement learning in industrial chemical processes.
The control strategy directly affects the safety and cost of the process. The
better the performance of this strategy, the lower will be the production of
effluents and the consumption of input and energy. The reinforcement learning
algorithms showed excellent results for the first case study, the Van de Vusse s
reactor. However, to implement these algorithms in the Tennessee Eastman
Process chemical plant it was shown that more studies are needed. The weak
Markov property, the high dimensionality and peculiarities of the plant were
factors that made it difficult for the developed controllers to obtain satisfactory
results. For case study 1, the algorithms Q-Learning, Actor Critic TD, DQL,
DDPG, SAC and TD3 were evaluated, and for case study 2 the algorithms
CMA-ES, TRPO, PPO, DDPG, SAC and TD3 were evaluated.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:56872 |
Date | 30 December 2021 |
Contributors | WOUTER CAARLS |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | Portuguese |
Detected Language | English |
Type | TEXTO |
Page generated in 0.1302 seconds