Previsão da eficiência de geração de vapor por meio de redes neurais artificiais com diferentes acoplamentos

Detalhes bibliográficos
Autor(a) principal: Büttenbender, Felipe Brunetto
Data de Publicação: 2021
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFRGS
Texto Completo: http://hdl.handle.net/10183/223610
Resumo: Usinas termelétricas têm alta participação na matriz de geração de energia global e já integram a demanda de base do Sistema Elétrico Brasileiro. Modelos e estratégias de simulação voltadas à melhoria da eficiência das usinas e de seus sistemas são importantes para garantir o bom desempenho aliado ao controle de emissões. O presente trabalho investiga diferentes formas de simular a eficiência do subsistema real de moagem e de geração de vapor com Redes Neurais Artificiais (RNAs). O subsistema completo é simulado por RNAs com variações do número de moinhos em conjunto com o gerador de vapor. Essas soluções são comparadas à alternativa de RNAs individuais para cada moinho e para o gerador de vapor, posteriormente acopladas por meio de suas entradas e saídas. Os resultados dessas duas estratégias de simulação são comparados pelas métricas de erros RMSE e R². A simulação com redes separadas e posteriormente acopladas aumenta o RMSE de 1,244 para 2,210 em relação às redes únicas, e diminui o R² de 0,861 para 0,557. Desempenhos levemente superiores são observados com o emprego de Máquinas de Vetor de Suporte e Random Forest, mas igualmente com perda de acurácia. Estes resultados apontam para a necessidade de melhor a estratégia de acoplamento de modelos individuais baseados em dados para alcançar bons resultados.
id UFRGS-2_c347ad7aa22eaf5d1e1f92b1832c3a41
oai_identifier_str oai:www.lume.ufrgs.br:10183/223610
network_acronym_str UFRGS-2
network_name_str Repositório Institucional da UFRGS
repository_id_str
spelling Büttenbender, Felipe BrunettoSchneider, Paulo Smith2021-07-10T04:52:41Z2021http://hdl.handle.net/10183/223610001127373Usinas termelétricas têm alta participação na matriz de geração de energia global e já integram a demanda de base do Sistema Elétrico Brasileiro. Modelos e estratégias de simulação voltadas à melhoria da eficiência das usinas e de seus sistemas são importantes para garantir o bom desempenho aliado ao controle de emissões. O presente trabalho investiga diferentes formas de simular a eficiência do subsistema real de moagem e de geração de vapor com Redes Neurais Artificiais (RNAs). O subsistema completo é simulado por RNAs com variações do número de moinhos em conjunto com o gerador de vapor. Essas soluções são comparadas à alternativa de RNAs individuais para cada moinho e para o gerador de vapor, posteriormente acopladas por meio de suas entradas e saídas. Os resultados dessas duas estratégias de simulação são comparados pelas métricas de erros RMSE e R². A simulação com redes separadas e posteriormente acopladas aumenta o RMSE de 1,244 para 2,210 em relação às redes únicas, e diminui o R² de 0,861 para 0,557. Desempenhos levemente superiores são observados com o emprego de Máquinas de Vetor de Suporte e Random Forest, mas igualmente com perda de acurácia. Estes resultados apontam para a necessidade de melhor a estratégia de acoplamento de modelos individuais baseados em dados para alcançar bons resultados.Thermal power plants have a high global energy generation market share and they already are part of the brazilian electric system basic demand. Models and simulation aimed at improving the efficiency of the plants and their systems are important to ensure good performance combined with execution control. The present work investigates different ways to simulate the efficiency of the real grinding and steam generation subsystem with Artificial Neural Networks (ANNs). The complete subsystem is simulated by RNAs with variations in the number of mills in conjunction with the steam generator. These solutions are compared to the alternative using individual RNAs for each mill and for the steam generator, later coupled through their inputs and outputs. The results of these two simulation strategies are compared by the error metrics RMSE and R². The simulation with separate and subsequently coupled networks increases the RMSE from 1,244 to 2,210 in relation to the single networks, and decreases the R² from 0,861 to 0,557. Slightly better performances are observed with the use of Support Vector Machines and Random Forest, but also with loss of accuracy. These results point to the need to improve the strategy of coupling individual models based on data to achieve good results.application/pdfporUsinas termelétricasRedes neurais artificiaisArtificial neural netsEfficiencyCouplingSteam generatorThermal power plantPrevisão da eficiência de geração de vapor por meio de redes neurais artificiais com diferentes acoplamentosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulEscola de EngenhariaPorto Alegre, BR-RS2021Engenharia Mecânicagraduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001127373.pdf.txt001127373.pdf.txtExtracted Texttext/plain47421http://www.lume.ufrgs.br/bitstream/10183/223610/2/001127373.pdf.txt9f2ffe09666a6fc0cd76a5f843ed0caeMD52ORIGINAL001127373.pdfTexto completoapplication/pdf1216348http://www.lume.ufrgs.br/bitstream/10183/223610/1/001127373.pdf43d28ad49a74f64b9f55bc38b2b088f0MD5110183/2236102021-08-18 04:43:01.283614oai:www.lume.ufrgs.br:10183/223610Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2021-08-18T07:43:01Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Previsão da eficiência de geração de vapor por meio de redes neurais artificiais com diferentes acoplamentos
title Previsão da eficiência de geração de vapor por meio de redes neurais artificiais com diferentes acoplamentos
spellingShingle Previsão da eficiência de geração de vapor por meio de redes neurais artificiais com diferentes acoplamentos
Büttenbender, Felipe Brunetto
Usinas termelétricas
Redes neurais artificiais
Artificial neural nets
Efficiency
Coupling
Steam generator
Thermal power plant
title_short Previsão da eficiência de geração de vapor por meio de redes neurais artificiais com diferentes acoplamentos
title_full Previsão da eficiência de geração de vapor por meio de redes neurais artificiais com diferentes acoplamentos
title_fullStr Previsão da eficiência de geração de vapor por meio de redes neurais artificiais com diferentes acoplamentos
title_full_unstemmed Previsão da eficiência de geração de vapor por meio de redes neurais artificiais com diferentes acoplamentos
title_sort Previsão da eficiência de geração de vapor por meio de redes neurais artificiais com diferentes acoplamentos
author Büttenbender, Felipe Brunetto
author_facet Büttenbender, Felipe Brunetto
author_role author
dc.contributor.author.fl_str_mv Büttenbender, Felipe Brunetto
dc.contributor.advisor1.fl_str_mv Schneider, Paulo Smith
contributor_str_mv Schneider, Paulo Smith
dc.subject.por.fl_str_mv Usinas termelétricas
Redes neurais artificiais
topic Usinas termelétricas
Redes neurais artificiais
Artificial neural nets
Efficiency
Coupling
Steam generator
Thermal power plant
dc.subject.eng.fl_str_mv Artificial neural nets
Efficiency
Coupling
Steam generator
Thermal power plant
description Usinas termelétricas têm alta participação na matriz de geração de energia global e já integram a demanda de base do Sistema Elétrico Brasileiro. Modelos e estratégias de simulação voltadas à melhoria da eficiência das usinas e de seus sistemas são importantes para garantir o bom desempenho aliado ao controle de emissões. O presente trabalho investiga diferentes formas de simular a eficiência do subsistema real de moagem e de geração de vapor com Redes Neurais Artificiais (RNAs). O subsistema completo é simulado por RNAs com variações do número de moinhos em conjunto com o gerador de vapor. Essas soluções são comparadas à alternativa de RNAs individuais para cada moinho e para o gerador de vapor, posteriormente acopladas por meio de suas entradas e saídas. Os resultados dessas duas estratégias de simulação são comparados pelas métricas de erros RMSE e R². A simulação com redes separadas e posteriormente acopladas aumenta o RMSE de 1,244 para 2,210 em relação às redes únicas, e diminui o R² de 0,861 para 0,557. Desempenhos levemente superiores são observados com o emprego de Máquinas de Vetor de Suporte e Random Forest, mas igualmente com perda de acurácia. Estes resultados apontam para a necessidade de melhor a estratégia de acoplamento de modelos individuais baseados em dados para alcançar bons resultados.
publishDate 2021
dc.date.accessioned.fl_str_mv 2021-07-10T04:52:41Z
dc.date.issued.fl_str_mv 2021
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/223610
dc.identifier.nrb.pt_BR.fl_str_mv 001127373
url http://hdl.handle.net/10183/223610
identifier_str_mv 001127373
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.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Repositório Institucional da UFRGS
collection Repositório Institucional da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/223610/2/001127373.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/223610/1/001127373.pdf
bitstream.checksum.fl_str_mv 9f2ffe09666a6fc0cd76a5f843ed0cae
43d28ad49a74f64b9f55bc38b2b088f0
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv
_version_ 1801224608825737216

Registros relacionados