Otimização do processo de produção de cloro e soda cáustica com aplicação de técnicas de machine learning.
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Dissertação |
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/32624 |
Resumo: | Na indústria de produção de cloro, soda cáustica e hidrogênio no Brasil, três tecnologias de células eletrolíticas são utilizadas comercialmente para esse fim: célula de mercúrio, diafragma e membrana. Nas células com tecnologia de diafragma, este desempenha um papel decisivo na eficiência da célula. Sua importância vai desde a eficiência energética da célula até aspectos relacionados à segurança operacional. Neste trabalho foram construídos modelos de aprendizado de máquina (ML) para predição do desempenho das células eletrolíticas, a partir dados industriais relativos as células à diafragma produzido pela UCS (Unidade de Cloro-Soda) da fábrica Braskem S/A, implantada no estado de Alagoas. Os modelos treinados apresentaram desempenho satisfatório na previsão do desempenho da célula a partir dos dados de fabricação do diafragma e de operação das células. O modelo Random Forest obteve desempenho superior com relação aos demais modelos, com acurácia superior a 90%, resultado importante que serve de base para a busca pela melhoria da performance do diafragma. Esse resultado confirma a viabilidade de aplicação de técnicas de aprendizado de máquinas na indústria de produção de cloro e soda cáustica, possibilitando a melhorias nos processos de produção. Outro resultado importante da modelagem desenvolvida foi a obtenção das variáveis de maior relevância para os modelos, viabilizando o controle dessas variáveis nos processos de fabricação e operação das células eletrolíticas, contribuindo para o incremento da sua performance. |
id |
UFCG_c4563f86fed8decd7c76fe881625fb10 |
---|---|
oai_identifier_str |
oai:localhost:riufcg/32624 |
network_acronym_str |
UFCG |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFCG |
repository_id_str |
4851 |
spelling |
Otimização do processo de produção de cloro e soda cáustica com aplicação de técnicas de machine learning.Optimization of the chlorine and caustic soda production process using machine learning techniques.Otimização operacionalAprendizado de máquinaIndústria eletrointensivaCloro e soda sáusticaMachine learningElectrical intensive industryChlorine and caustic sodaOperational optimizationOptimización operativaAprendizaje automáticoIndustria electrointensivaCloro y sosa cáusticaOptimisation opérationnelleApprentissage automatiqueIndustrie électro-intensiveChlore et soude caustiqueEngenharia química.Na indústria de produção de cloro, soda cáustica e hidrogênio no Brasil, três tecnologias de células eletrolíticas são utilizadas comercialmente para esse fim: célula de mercúrio, diafragma e membrana. Nas células com tecnologia de diafragma, este desempenha um papel decisivo na eficiência da célula. Sua importância vai desde a eficiência energética da célula até aspectos relacionados à segurança operacional. Neste trabalho foram construídos modelos de aprendizado de máquina (ML) para predição do desempenho das células eletrolíticas, a partir dados industriais relativos as células à diafragma produzido pela UCS (Unidade de Cloro-Soda) da fábrica Braskem S/A, implantada no estado de Alagoas. Os modelos treinados apresentaram desempenho satisfatório na previsão do desempenho da célula a partir dos dados de fabricação do diafragma e de operação das células. O modelo Random Forest obteve desempenho superior com relação aos demais modelos, com acurácia superior a 90%, resultado importante que serve de base para a busca pela melhoria da performance do diafragma. Esse resultado confirma a viabilidade de aplicação de técnicas de aprendizado de máquinas na indústria de produção de cloro e soda cáustica, possibilitando a melhorias nos processos de produção. Outro resultado importante da modelagem desenvolvida foi a obtenção das variáveis de maior relevância para os modelos, viabilizando o controle dessas variáveis nos processos de fabricação e operação das células eletrolíticas, contribuindo para o incremento da sua performance.In the chlorine, caustic soda and hydrogen production industry in Brazil, three electrolytic cell technologies are used commercially for this purpose: mercury cell, diaphragm and membrane. In cells with diaphragm technology, this plays a decisive role in cell efficiency. Its importance ranges from the energy efficiency of the cell to aspects related to operational safety. In this work, machine learning (ML) models were built to predict the performance of electrolytic cells, based on industrial data relating to diaphragm cells produced by the UCS (Chlorine Soda Unit) of the Braskem S/A factory, located in the state of Alagoas. The trained models showed satisfactory performance in predicting cell performance based on diaphragm manufacturing and cell operation data. The Random Forest model achieved superior performance in relation to the other models, with an accuracy greater than 90%, an important result that serves as a basis for the search for improving the performance of the diaphragm. This result confirms the feasibility of applying machine learning techniques in the chlorine and caustic soda production industry, enabling improvements in production processes. Another important result of the modeling developed was the obtaining of the most relevant variables for the models, making it possible to control these variables in the manufacturing and operation processes of the electrolytic cells, contributing to an increase in their performance.Universidade Federal de Campina GrandeBrasilCentro de Ciências e Tecnologia - CCTPÓS-GRADUAÇÃO EM ENGENHARIA QUÍMICAUFCGSILVA JUNIOR, Heleno Bispo da.Bispo, H.http://lattes.cnpq.br/0710351695395057VILAR, Eudésio Oliveira.VILAR, E. O.http://lattes.cnpq.br/6363257813968241ALVES , José Jailson Nicacio.SILVA, Sidinei Kleber da.FREITAS, Pedro Augusto Silva de.2023-09-262023-11-03T14:41:47Z2023-11-032023-11-03T14:41:47Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/32624FREITAS, Pedro Augusto Silva de. Otimização do processo de produção de cloro e soda cáustica com aplicação de técnicas de machine learning. 2023. 52 f. Dissertação (Mestrado em Engenharia Química) – Programa de Pós-Graduação em Engenharia Química, Centro de Ciências e Tecnologia, Universidade Federal de Campina Grande, Paraíba, Brasil, 2023.porinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFCGinstname:Universidade Federal de Campina Grande (UFCG)instacron:UFCG2023-11-03T14:41:47Zoai:localhost:riufcg/32624Biblioteca Digital de Teses e Dissertaçõeshttp://bdtd.ufcg.edu.br/PUBhttp://dspace.sti.ufcg.edu.br:8080/oai/requestbdtd@setor.ufcg.edu.br || bdtd@setor.ufcg.edu.bropendoar:48512023-11-03T14:41:47Biblioteca Digital de Teses e Dissertações da UFCG - Universidade Federal de Campina Grande (UFCG)false |
dc.title.none.fl_str_mv |
Otimização do processo de produção de cloro e soda cáustica com aplicação de técnicas de machine learning. Optimization of the chlorine and caustic soda production process using machine learning techniques. |
title |
Otimização do processo de produção de cloro e soda cáustica com aplicação de técnicas de machine learning. |
spellingShingle |
Otimização do processo de produção de cloro e soda cáustica com aplicação de técnicas de machine learning. FREITAS, Pedro Augusto Silva de. Otimização operacional Aprendizado de máquina Indústria eletrointensiva Cloro e soda sáustica Machine learning Electrical intensive industry Chlorine and caustic soda Operational optimization Optimización operativa Aprendizaje automático Industria electrointensiva Cloro y sosa cáustica Optimisation opérationnelle Apprentissage automatique Industrie électro-intensive Chlore et soude caustique Engenharia química. |
title_short |
Otimização do processo de produção de cloro e soda cáustica com aplicação de técnicas de machine learning. |
title_full |
Otimização do processo de produção de cloro e soda cáustica com aplicação de técnicas de machine learning. |
title_fullStr |
Otimização do processo de produção de cloro e soda cáustica com aplicação de técnicas de machine learning. |
title_full_unstemmed |
Otimização do processo de produção de cloro e soda cáustica com aplicação de técnicas de machine learning. |
title_sort |
Otimização do processo de produção de cloro e soda cáustica com aplicação de técnicas de machine learning. |
author |
FREITAS, Pedro Augusto Silva de. |
author_facet |
FREITAS, Pedro Augusto Silva de. |
author_role |
author |
dc.contributor.none.fl_str_mv |
SILVA JUNIOR, Heleno Bispo da. Bispo, H. http://lattes.cnpq.br/0710351695395057 VILAR, Eudésio Oliveira. VILAR, E. O. http://lattes.cnpq.br/6363257813968241 ALVES , José Jailson Nicacio. SILVA, Sidinei Kleber da. |
dc.contributor.author.fl_str_mv |
FREITAS, Pedro Augusto Silva de. |
dc.subject.por.fl_str_mv |
Otimização operacional Aprendizado de máquina Indústria eletrointensiva Cloro e soda sáustica Machine learning Electrical intensive industry Chlorine and caustic soda Operational optimization Optimización operativa Aprendizaje automático Industria electrointensiva Cloro y sosa cáustica Optimisation opérationnelle Apprentissage automatique Industrie électro-intensive Chlore et soude caustique Engenharia química. |
topic |
Otimização operacional Aprendizado de máquina Indústria eletrointensiva Cloro e soda sáustica Machine learning Electrical intensive industry Chlorine and caustic soda Operational optimization Optimización operativa Aprendizaje automático Industria electrointensiva Cloro y sosa cáustica Optimisation opérationnelle Apprentissage automatique Industrie électro-intensive Chlore et soude caustique Engenharia química. |
description |
Na indústria de produção de cloro, soda cáustica e hidrogênio no Brasil, três tecnologias de células eletrolíticas são utilizadas comercialmente para esse fim: célula de mercúrio, diafragma e membrana. Nas células com tecnologia de diafragma, este desempenha um papel decisivo na eficiência da célula. Sua importância vai desde a eficiência energética da célula até aspectos relacionados à segurança operacional. Neste trabalho foram construídos modelos de aprendizado de máquina (ML) para predição do desempenho das células eletrolíticas, a partir dados industriais relativos as células à diafragma produzido pela UCS (Unidade de Cloro-Soda) da fábrica Braskem S/A, implantada no estado de Alagoas. Os modelos treinados apresentaram desempenho satisfatório na previsão do desempenho da célula a partir dos dados de fabricação do diafragma e de operação das células. O modelo Random Forest obteve desempenho superior com relação aos demais modelos, com acurácia superior a 90%, resultado importante que serve de base para a busca pela melhoria da performance do diafragma. Esse resultado confirma a viabilidade de aplicação de técnicas de aprendizado de máquinas na indústria de produção de cloro e soda cáustica, possibilitando a melhorias nos processos de produção. Outro resultado importante da modelagem desenvolvida foi a obtenção das variáveis de maior relevância para os modelos, viabilizando o controle dessas variáveis nos processos de fabricação e operação das células eletrolíticas, contribuindo para o incremento da sua performance. |
publishDate |
2023 |
dc.date.none.fl_str_mv |
2023-09-26 2023-11-03T14:41:47Z 2023-11-03 2023-11-03T14:41:47Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/32624 FREITAS, Pedro Augusto Silva de. Otimização do processo de produção de cloro e soda cáustica com aplicação de técnicas de machine learning. 2023. 52 f. Dissertação (Mestrado em Engenharia Química) – Programa de Pós-Graduação em Engenharia Química, Centro de Ciências e Tecnologia, Universidade Federal de Campina Grande, Paraíba, Brasil, 2023. |
url |
http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/32624 |
identifier_str_mv |
FREITAS, Pedro Augusto Silva de. Otimização do processo de produção de cloro e soda cáustica com aplicação de técnicas de machine learning. 2023. 52 f. Dissertação (Mestrado em Engenharia Química) – Programa de Pós-Graduação em Engenharia Química, Centro de Ciências e Tecnologia, Universidade Federal de Campina Grande, Paraíba, Brasil, 2023. |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Campina Grande Brasil Centro de Ciências e Tecnologia - CCT PÓS-GRADUAÇÃO EM ENGENHARIA QUÍMICA UFCG |
publisher.none.fl_str_mv |
Universidade Federal de Campina Grande Brasil Centro de Ciências e Tecnologia - CCT PÓS-GRADUAÇÃO EM ENGENHARIA QUÍMICA UFCG |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFCG instname:Universidade Federal de Campina Grande (UFCG) instacron:UFCG |
instname_str |
Universidade Federal de Campina Grande (UFCG) |
instacron_str |
UFCG |
institution |
UFCG |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFCG |
collection |
Biblioteca Digital de Teses e Dissertações da UFCG |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFCG - Universidade Federal de Campina Grande (UFCG) |
repository.mail.fl_str_mv |
bdtd@setor.ufcg.edu.br || bdtd@setor.ufcg.edu.br |
_version_ |
1809744598748102656 |