Por favor, use este identificador para citar o enlazar este ítem: https://repositorio.unipampa.edu.br/jspui/handle/riu/5778
Tipo: Trabalho de Conclusão de Curso
Título : Aprendizado de máquina aplicado à analise da operação de uma planta piloto para gaseificação de carvão mineral
Autor(es): Turmina, Ágatha Gloger
Primeiro Orientador: Arruda, Alexandre Denes
Coorientador: Apio, Andressa
metadata.dc.contributor.advisor-co2: Rodrigues, Rodolfo
1° Membro da banca: Arruda, Alexandre Denes
2° Membro da banca: Apio, Andressa
3° Membro da banca: Rodrigues, Rodolfo
4° Membro da banca: Duarte Filho, Paulo Fernando Marques
Resumo: A gaseificação consiste na reação entre o carvão mineral e um agente gaseificante para a geração de um gás energético, chamado de gás de síntese (syngas), no qual o reator onde ocorre esse processo é chamado de gaseificador. O processo de gaseificação pode ser estudado com base nas suas condições de operação, sendo as condições de entrada: vazões de ar nas diferentes regiões do reator, vazão de carvão, operação da resistência elétrica, pulsos manuais de pressão e frequência da centrífuga. As condições de saída obtidas no processo são as temperaturas e pressões, obtidas por sensores localizados ao longo do leito. Nesse estudo de caso, são aplicadas técnicas de aprendizado de máquina (machine learning), que criam algoritmos capazes de fazer predições através de modelos baseados em dados, e vêm se destacando para uso em análise de processos industriais. O objetivo deste trabalho é avaliar a aplicação de diferentes algoritmos de Aprendizado de Máquina para a predição da operação de um gaseificador de leito fluidizado borbulhante instalado no laboratório de Energia e Carboquímica da UNIPAMPA, campus Bagé, utilizando carvão mineral de Candiota-RS. Para construir uma base de dados confiável foram selecionadas 15 corridas experimentais dos registros de experimentos realizados no laboratório, desde o ano de 2016 até o ano de 2020. A coleta dos dados de saída foi obtida por meio de um computador presente na planta piloto, enquanto os dados de entrada foram coletados a partir de um caderno de registros do Laboratório. Para a análise computacional, utilizou-se o ambiente de desenvolvimento Jupyter Notebook e a linguagem de programação Python. Para implementar o trabalho proposto, foram utilizadas as bibliotecas Pandas, para a manipulação e análise de dados; Numpy, para a manipulação de estruturas e dados numéricos; Matplotlib, para a visualização dos dados; e Scikit-learn e FireTS para a aplicação de algoritmos de aprendizado de máquina. Utilizando essas ferramentas, foram realizados o pré processamento dos dados, a análise de correlação entre as variáveis de operação e a aplicação e validação dos seguintes métodos de aprendizado de máquina: árvore de decisão, florestas aleatórias e redes neurais artificiais utilizando rede autorregressiva não-linear com entradas exógenas (NARX). A análise de correlação demonstrou que as variáveis do processo são extremamente correlacionadas entre si, e que a maioria das relações pode ser explicada por motivos físicos e químicos do processo. O Aprendizado de máquina se mostrou parcialmente satisfatório para os modelos de árvore de decisão e florestas aleatórias, já que foram obtidos valores para R² de 0.8263 e 0.8262, respectivamente. No entanto as análises gráficas demonstram que as predições não condizem com a dinâmica do processo real. Para o modelo NARX, o resultado foi satisfatório, chegando a valores de R² de 0.9955 para a predição das temperaturas e 0.8789 para a predição das pressões. Pelo fato de o processo de gaseificação ser extremamente dinâmico, as redes dinâmicas do modelo NARX apresentam melhores resultados, por possuírem memória e serem treinadas para aprender a partir de padrões de variação no tempo.
Resumen : The gasification process consists in the reaction between mineral coal and one gasifying agent to generate an energetic gas, called synthesis gas (syngas). The reactor where this process occurs is called gasifier. The gasification process can be studied based in operational conditions. The input conditions are: air flow rate in the different regions of the reactor, coal flow, heating element operation, manual pressure pulses and centrifuge frequency. The output conditions in the process are the temperatures and the pressures obtained through sensors, which are located in the course of the reactor bed. In this case study machine learning techniques are applied to create algorithms capable of making predictions through models based on data. This field has been standing out because of its potential in analisys of industrial processes. The aim of this work is to evaluate the aplication of different machine learning algorithms to predict the operation of a fluidized bed gasifier with bubbling air, which is intalled in the Laboratório de Energia e Carboquímica of UNIPAMPA, Campus Bagé, using mineral coal from Candiota – RS. In order to develop a solid database 15 experimental runings were selected from the experiments records. The data since 2016 until 2020 were collected. The acquisition of the output data was executed through a computer placed in the pilot plant. The input data were obtained from a logbook with laboratory record. To the computational analisys, the development enviroment chosen was Jupyter Notebook, where Python programming language was employed. To implement the current work Python libraries were applied, Pandas for manipulation and analisys of the data, Numpy for manipulation of structures and numerical data and Matplotlib for data visualization. The libraries Scikit-learn and FireTS were used to employ machine learning algorithms. Using these tools the data was preprocessed, the correlation between the variables of operation was analysed and the following algorithms were applied: decision tree, random forests and non-linear autoregressive neural network with exogenous inputs (NARX). Most of the variables in the process showed high correlations between each other, it can be explained by physical and chemical process characteristhics. The machine learning performed partially satisfactory to the decision trees and random forests models, since were obtained R² values of 0.8263 and 0.8262 respectively. However the graphical analisys showed that the predictions doesn’t match the dynamics of the real process. To the NARX model, the result was satisfactory, getting to R² values of 0.9955 to temperature predictions, and 0.8789 to pressure predictions. The gasification process is extremely dinamic, for this reason the neural networks of the NARX model present better results, since it carries memory and is trained to learn from the patterns of time variation.
Palabras clave : Gaseificação
Carvão mineral
Aprendizado de Máquina
Análise de Correlação
Variáveis do processo
Gasification
Mineral Coal
Machine Learning
Correlation Analisys
Process Variables
CNPQ: CNPQ::ENGENHARIAS
Idioma: por
metadata.dc.publisher.country: Brasil
Editorial : Universidade Federal do Pampa
Sigla da Instituição: UNIPAMPA
Campus: Campus Bagé
Citación : TURMINA, Ágata Gloger. Aprendizado de máquina aplicado à analise da operação de uma planta piloto para gaseificação de carvão mineral . 81 p. 2021. Trabalho de Conclusão de Curso (Graduação em Engenharia Química ) – Universidade Federal do Pampa, Campus Bagé, Bagé, 2021.
Tipo de acesso: Acesso Aberto
URI : http://dspace.unipampa.edu.br:8080/jspui/handle/riu/5778
Fecha de publicación : 8-may-2021
Aparece en las colecciones: Engenharia Química

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
TCC_Agatha_Turmina_2021.pdf1.92 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.