Submitted by Maike Costa (maiksebas@gmail.com) on 2017-05-30T13:07:14Z
No. of bitstreams: 1
- Geraldo Moura -.pdf: 5891648 bytes, checksum: 9ca720ba25a16879f0da2a9a837d1f4b (MD5) / Made available in DSpace on 2017-05-30T13:07:14Z (GMT). No. of bitstreams: 1
- Geraldo Moura -.pdf: 5891648 bytes, checksum: 9ca720ba25a16879f0da2a9a837d1f4b (MD5)
Previous issue date: 2016-11-21 / This work deals with pressure control in water distribution networks to promote the optimization of hydraulic loads in order to minimize water losses in the pipes and energy in the corresponding pumping system. Therefore, a neural fuzzy control system (NFCS) beyond the adaptive neural control system (ANCS) were developed. These control systems have been tested and evaluated on experimental bench. The neural fuzzy control system (NFCS) involves techniques of artificial neural network (ANN) and fuzzy logic. The adaptive neural control system (ANCS) used a ANN Perceptron type multilayer by backpropagation technique and gradient descent with Levenberg-Marquardt optimizer. The pressure control will be through the frequency inverter with frequency adjustments in real time, which will act on pump motor assembly installed in the trial bench hydraulic network. Control systems NFCS and ANCS, in this work, were confronted in order to promote a comparative analysis between controllers. The results showed that the ANCS reached a performance index greater than NFCS almost entirely. Finally it was added a logic filter to supervisory control and data acquisition system (SCADA) to make the ANCS able to alternately control the minimum pressure points from the distribution network of experimental bench. Both control systems, ANCS and NFCS were developed in programming environment LabVIEW® / Este trabalho tem como objetivo o controle de pressão em redes de distribuição de água, a fim promover a otimização das cargas hidráulicas, buscando minimizar as perdas de água nas tubulações e de energia no correspondente sistema de bombeamento. Para tanto foram elaborados um sistema de controle fuzzy neural (SCFN) e um sistema de controle neural adaptativo (SCNA). Esses sistemas de controle foram testados e avaliados em uma bancada experimental. O sistema de controle fuzzy neural (SCFN) envolve técnicas de rede neural artificial (RNA) e lógica fuzzy. O sistema de controle neural adaptativo (SCNA) utilizou uma RNA do tipo Perceptron de múltiplas camadas, através da técnica de retropropagação (backpropagation) e gradiente descendente com otimizador de Levenberg-Marquardt. O controle de pressão é realizado através do conversor de frequência, com ajustes da frequência, em tempo real (on-line), que atuará sobre conjunto motor bomba (CMB) instalado na rede hidráulica da bancada experimental. Os sistemas de controle SCFN e o SCNA, apresentados neste trabalho, foram confrontados a fim de promover uma análise comparativa entre os controladores. Os resultados demonstraram que o SCNA apresentou especificações superiores ao SCFN em quase sua totalidade. Finalmente foi acrescentado um filtro lógico ao SCADA (supervisory control system and data acquisition) para tornar o SCNA capaz de controlar alternadamente a pressão mínima dentre pontos da rede de distribuição da bancada experimental. Ambos os sistemas de controle, SCFN e SCNA foram desenvolvidos em ambiente de programação LabVIEW®.
| Identifer | oai:union.ndltd.org:IBICT/oai:tede.biblioteca.ufpb.br:tede/8971 |
| Date | 21 November 2016 |
| Creators | Moura, Geraldo de Araújo |
| Contributors | Gomes, Hober Pimentel |
| Publisher | Universidade Federal da Paraíba, Programa de Pós-Graduação em Engenharia Mecânica, UFPB, Brasil, Engenharia Mecânica |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UFPB, instname:Universidade Federal da Paraíba, instacron:UFPB |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | 3562149281793654633, 600, 600, 600, 5792267035407506340, -6956026795191561793 |
Page generated in 0.0027 seconds