Banca de DEFESA: VINICIUS VIENA SANTANA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : VINICIUS VIENA SANTANA
DATA : 29/08/2022
HORA: 09:00
LOCAL: videoconferência na plataforma RNP (sala PEI-UFBA)
TÍTULO:

LEITO MÓVEL SIMULADO REATIVO: MODELAGEM DINÂMICA, RASTREIO DE CONDIÇÕES ANORMAIS E OTIMIZAÇÃO.

PALAVRAS-CHAVES:

Identificação de redes neurais profundas. Sistemas dinâmicos. Leito móvel simulado reativo. Inteligência artificial. Monitoramento de processos. Análises de dados massivos.Ortogonalização de Gram-Schmidt. Processos intensificados. Propanoato de propila.

PÁGINAS: 117
RESUMO:

Este trabalho propõe preencher lacunas em três áreas do PSE aplicadas ao processo cíclico, especificamente, ao leito móvel simulado reativo: Análise de sensibilidade dinâmica, aceleração com modelos substitutos baseados em redes neurais profundas, otimização robusta e diagnóstico de defeitos. Para começar, este trabalho propõe duas unidades de leito móvel simulado reativo para a síntese de propanoato de propila: o Leito Móvel Simulado Reativo com 4 columas (LMSR-4) e o Leito Móvel Simulado Reativo com 8 colunas (LMSR-8). Seus desempenhos foram simulados e comparados com o Leito Móvel Verdadeiro Reativo (LMVR). Este trabalho fornece duas análises detalhadas para avaliar o comportamento dinâmico do sistema das três unidades: uma análise baseada em ortogonalização e a curva de reação do processo. O primeiro mostrou que o tempo de comutação e a concentração de alimentação são as variáveis que mais influenciam o sistema, embora em extensões diferentes para cada unidade. O segundo destacou que a equivalência LMVR/LMSR comumente utilizada não é válida durante determinadas condições transitórias. Quando se trata de modelos substitutos neurais, sabe-se que as Redes Neurais Recorrentes (RNRs) são preditores adequados para a família de modelos do tipo NOE (Nonlinear Output Error). O NOE é uma das representações mais importantes na engenharia química quando são necessárias previsões de longo prazo (simulação). Mesmo assim, a literatura de engenharia química apresenta lacunas notórias neste tema. Portanto, este trabalho propõe uma estrutura nova e completa para identificar Redes Neurais Recorrentes Profundas (RNRPs) para representação NOE com foco em sistemas de engenharia química. A estrutura incorpora um novo método de treinamento e o emprego de um algoritmo de seleção automática de hiperparmetros de alta eficiência. Os resultados mostram que, utilizando o quadro proposto, as RNRPs podem modelar o processo LMSR com precisão satisfatória, contando exclusivamente com sinais de entrada e previsões passadas (simulação livre). Ao lidar com a otimização baseada em modelos mecanicistas de LMSR, são necessários solucionadores eficientes e poder computacional significativo. Nos últimos anos, modelos substitutos têm sido considerados para tais problemas de otimização com alta carga computacional. Nesse sentido, as Redes Neurais Artificiais (RNAs) encontraram aplicações para modelagem da unidade leito móvel simulado, mas ainda não foram relatadas para o LMSR. No entanto, um método consistente para avaliação da otimização usando modelos substitutos ainda é uma questão aberta na literatura. Sendo assim, duas contribuições principais podem ser destacadas: a otimização do LMSR com base na rede neural recorrente profunda e a caracterização da região de operação viável. Isso é feito reciclando os pontos de dados a partir de uma técnica meta-heurística – avaliação de otimalidade. Os resultados demonstram que a otimização baseada em redes neurais profundas converge ao mesmo tempo em que atende à otimalidade. Finalmente, sabe-se que o Big Data desempenha um papel crucial na Indústria 4.0, oferecendo ferramentas para melhorar o processo de tomada de decisão. Entre os setores industriais, a indústria de processos químicos já possui estruturas maduras de gestão de dados, mas ferramentas analíticas pouco exploradas. Nesse sentido, este trabalho propõe uma ferramenta analítica online que pode lidar com big data a ser utilizado para identificar operação anormal em processos químicos. Trata-se de uma Matriz de Sensibilidade Dinâmica (DSM) modificada e Ortogonalização Gram-Schmidt (GSO) para priorizar variáveis de processo sob comportamento anormal e avaliar o impacto que elas têm no desempenho da planta.

MEMBROS DA BANCA:
Externo à Instituição - Galo Antonio Carillo Le Roux
Externa à Instituição - IDELFONSO BESSA DOS REIS NOGUEIRA
Externo à Instituição - LUIS CLAUDIO OLIVEIRA LOPES
Presidente - 2042153 - MARCIO ANDRE FERNANDES MARTINS