Implementação da metodologia de self-optimizing control usando metamodelos kriging em linguagem python.

• Autor(a) principal: SILVA, Marcílio Máximo da.
• Data de Publicação: 2023
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFCG
• Texto Completo: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/34843
• topic: Metamodels; Self-optimizing control; Metamodelos; Kriging; Python; Engenharia química.

Um dos principais objetivos da engenharia é operar processos de forma ótima ou próxima ao ponto ótimo, buscando maximizar ou minimizar uma função objetivo que pode levar em consideração restrições operacionais, ambientais e/ou econômicas. A garantia de operação ótima só é possível por meio de uma estrutura de controle bem projetada para manter o processo dentro das especificações. Neste trabalho, propomos um procedimento sistemático programado em linguagem Python, utilizando o ambiente de desenvolvimento Jupyter Notebook, para a metamodelagem, otimização e aplicação da metodologia de self-optimizing control (SOC). Esse procedimento foi desenvolvido com o objetivo de otimizar a sequência de implementação da metodologia de self-optimizing control para processos simulados usando o Aspen Hysys. Para análise e validação de sua funcionalidade o procedimento é aplicado para dois estudos de caso. No primeiro, um modelo desenvolvido em Python para um reator CSTR no qual ocorre uma reação reversível e exotérmica é analisado para determinação da variável controlada que resulta na menor perda. Os resultados obtidos são comparados com resultados da literatura, e todos são validados numericamente. No segundo estudo de caso, o procedimento é aplicado para analisar uma coluna de destilação de alta pureza modelada no simulador de processos Aspen Hysys para determinar os melhores pares de controle. Os resultados obtidos mostram coerência em termos do processo, validando assim a aplicabilidade do procedimento. A metodologia de self-optimizing control é uma abordagem promissora para otimizar a operação de processos industriais. Ao utilizar metamodelos, como o Kriging, é possível reduzir o esforço computacional necessário para realizar a otimização. Em uma das etapas mais importantes da metodologia SOC, modificações matemáticas foram realizadas para obtenção dos metamodelos. Neste trabalho mostramos o ganho computacional e de tempo através da utilização de regressores de segunda ordem para a estimativa das Hessianas. Por fim, o trabalho apresenta contribuições valiosas para a área de controle de processos, fornecendo uma ferramenta automatizada para a aplicação da metodologia SOC. Os resultados obtidos mostram que a ferramenta é eficaz na determinação da variável controlada em um reator CSTR e na identificação dos melhores pares de controle para uma coluna de destilação de alta pureza. Além disso, a validação numérica dos resultados reforça a confiabilidade e a utilidade da ferramenta proposta.