Técnicas de machine learning aplicadas ao monitoramento de partículas em caldeira de recuperação Kraft
Autor(a) principal: | |
---|---|
Data de Publicação: | 2017 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRJ |
Texto Completo: | http://hdl.handle.net/11422/21023 |
Resumo: | A caldeira de recuperação é um equipamento chave nas plantas de produção de papel e celulose pelo processo Kraft. A deposição de material particulado formado na caldeira representa um dos maiores problemas operacionais, devendo ser monitorada e controlada para prevenção de paradas operacionais não programadas. O processo de formação de partículas neste equipamento é complexo e modelos fenomenológicos são de difícil desenvolvimento. Uma alternativa promissora, que se insere no contexto da Indústria 4.0, é a aplicação de técnicas de aprendizado de máquinas, ou “Machine Learning”, para modelagem de tal fenômeno. O objetivo do presente trabalho foi, então, propor uma metodologia para o emprego de redes neuronais artificiais na modelagem da formação de material particulado em uma caldeira de recuperação Kraft. Foram utilizadas redes neuronais dos tipos Multicamadas Perceptron (MLP), Base Radial (RBF) e de mapeamento auto-organizável para o desenvolvimento de modelos preditivos e classificatórios a partir de dados históricos de um ano de operação em uma planta industrial. Foi possível obter uma modelagem satisfatória do número de partículas formadas na caldeira de recuperação Kraft a partir de um modelo “híbrido” de predição e classificação, que realiza a classificação dos valores preditos por uma rede preditiva em duas classes. A classe 1 engloba dados de operação normal, caracterizada por um número de partículas inferior a 200 partículas por minuto, enquanto a classe 2 agrupa os dados de operação anormal e potencialmente insegura, com emissão acima de 200 partículas por minuto. O melhor modelo encontrado se baseia em uma rede MLP de 3 camadas, com 11 neurônios na camada oculta, utilizando conjuntos adicionais de dados obtidos por adição de ruído gaussiano aos dados originais correspondentes à operação anormal. Esta adição foi realizada para equilibrar a distribuição dos dados operacionais disponíveis. O desempenho da rede de predição, dado pelo coeficiente de correlação entre os valores calculados pela rede e os valores reais, foi superior a 0,87 e o desempenho total de classificação foi de cerca de 87%. Este método é capaz de classificar corretamente aproximadamente 94% dos dados de classe 1 e 77% dos dados de classe 2. Foi obtido, também, um mapa auto-organizável a partir uma rede de mapeamento auto-organizável de topologia 20x5 que permite a identificação de regiões de operação normal, regiões de transição e regiões de maior probabilidade de operação anormal. Este método pode ser usado na geração de recomendações referentes à segurança operacional, sinalizando condições operacionais com maior potencial de risco de elevada formação de partículas. |
id |
UFRJ_963a31e81b069c4d4b63a73b8a27806b |
---|---|
oai_identifier_str |
oai:pantheon.ufrj.br:11422/21023 |
network_acronym_str |
UFRJ |
network_name_str |
Repositório Institucional da UFRJ |
repository_id_str |
|
spelling |
Carmo, Elisa Carneiro Werneck dohttp://lattes.cnpq.br/4530858702685674http://lattes.cnpq.br/8025371753718722Parente, Andréa Pereirahttp://lattes.cnpq.br/9458055897856809Waltz, Flávio da Silvahttp://lattes.cnpq.br/5120737621592413Fernandes, Heloísa Lajas Sancheshttp://lattes.cnpq.br/2840875338255590Freitas, Elene de Souzahttp://lattes.cnpq.br/1197903619294247Souza Júnior, Maurício Bezerra de2023-07-05T20:13:25Z2023-11-30T03:02:41Z2017-08CARMO, Elisa Carneiro Werneck do. Técnicas de machine learning aplicadas ao monitoramento de partículas em caldeira de recuperação Kraft. 2017. 124 f. TCC (Graduação) - Curso de Engenharia Química, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2017.http://hdl.handle.net/11422/21023Submitted by Felipe Correa Oliveira de Mello (felipemello@eq.ufrj.br) on 2023-07-05T20:13:25Z No. of bitstreams: 1 ECWCarmo.pdf: 4290510 bytes, checksum: f0e0008ea2ab836cd5d3877023a5137f (MD5)Made available in DSpace on 2023-07-05T20:13:25Z (GMT). No. of bitstreams: 1 ECWCarmo.pdf: 4290510 bytes, checksum: f0e0008ea2ab836cd5d3877023a5137f (MD5) Previous issue date: 2017-08A caldeira de recuperação é um equipamento chave nas plantas de produção de papel e celulose pelo processo Kraft. A deposição de material particulado formado na caldeira representa um dos maiores problemas operacionais, devendo ser monitorada e controlada para prevenção de paradas operacionais não programadas. O processo de formação de partículas neste equipamento é complexo e modelos fenomenológicos são de difícil desenvolvimento. Uma alternativa promissora, que se insere no contexto da Indústria 4.0, é a aplicação de técnicas de aprendizado de máquinas, ou “Machine Learning”, para modelagem de tal fenômeno. O objetivo do presente trabalho foi, então, propor uma metodologia para o emprego de redes neuronais artificiais na modelagem da formação de material particulado em uma caldeira de recuperação Kraft. Foram utilizadas redes neuronais dos tipos Multicamadas Perceptron (MLP), Base Radial (RBF) e de mapeamento auto-organizável para o desenvolvimento de modelos preditivos e classificatórios a partir de dados históricos de um ano de operação em uma planta industrial. Foi possível obter uma modelagem satisfatória do número de partículas formadas na caldeira de recuperação Kraft a partir de um modelo “híbrido” de predição e classificação, que realiza a classificação dos valores preditos por uma rede preditiva em duas classes. A classe 1 engloba dados de operação normal, caracterizada por um número de partículas inferior a 200 partículas por minuto, enquanto a classe 2 agrupa os dados de operação anormal e potencialmente insegura, com emissão acima de 200 partículas por minuto. O melhor modelo encontrado se baseia em uma rede MLP de 3 camadas, com 11 neurônios na camada oculta, utilizando conjuntos adicionais de dados obtidos por adição de ruído gaussiano aos dados originais correspondentes à operação anormal. Esta adição foi realizada para equilibrar a distribuição dos dados operacionais disponíveis. O desempenho da rede de predição, dado pelo coeficiente de correlação entre os valores calculados pela rede e os valores reais, foi superior a 0,87 e o desempenho total de classificação foi de cerca de 87%. Este método é capaz de classificar corretamente aproximadamente 94% dos dados de classe 1 e 77% dos dados de classe 2. Foi obtido, também, um mapa auto-organizável a partir uma rede de mapeamento auto-organizável de topologia 20x5 que permite a identificação de regiões de operação normal, regiões de transição e regiões de maior probabilidade de operação anormal. Este método pode ser usado na geração de recomendações referentes à segurança operacional, sinalizando condições operacionais com maior potencial de risco de elevada formação de partículas.porUniversidade Federal do Rio de JaneiroUFRJBrasilEscola de QuímicaCNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO::GERENCIA DE PRODUCAO::PLANEJAMENTO, PROJETO E CONTROLE DE SISTEMAS DE PRODUCAOProcesso KraftMachine learningAprendizado de máquinaRedes neuronais artificiaisTécnicas de machine learning aplicadas ao monitoramento de partículas em caldeira de recuperação Kraftinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisabertoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRJinstname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJLICENSElicense.txtlicense.txttext/plain; charset=utf-81853http://pantheon.ufrj.br:80/bitstream/11422/21023/2/license.txtdd32849f2bfb22da963c3aac6e26e255MD52ORIGINALECWCarmo.pdfECWCarmo.pdfapplication/pdf4290510http://pantheon.ufrj.br:80/bitstream/11422/21023/1/ECWCarmo.pdff0e0008ea2ab836cd5d3877023a5137fMD5111422/210232023-11-30 00:02:41.266oai:pantheon.ufrj.br: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Repositório de PublicaçõesPUBhttp://www.pantheon.ufrj.br/oai/requestopendoar:2023-11-30T03:02:41Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)false |
dc.title.pt_BR.fl_str_mv |
Técnicas de machine learning aplicadas ao monitoramento de partículas em caldeira de recuperação Kraft |
title |
Técnicas de machine learning aplicadas ao monitoramento de partículas em caldeira de recuperação Kraft |
spellingShingle |
Técnicas de machine learning aplicadas ao monitoramento de partículas em caldeira de recuperação Kraft Carmo, Elisa Carneiro Werneck do CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO::GERENCIA DE PRODUCAO::PLANEJAMENTO, PROJETO E CONTROLE DE SISTEMAS DE PRODUCAO Processo Kraft Machine learning Aprendizado de máquina Redes neuronais artificiais |
title_short |
Técnicas de machine learning aplicadas ao monitoramento de partículas em caldeira de recuperação Kraft |
title_full |
Técnicas de machine learning aplicadas ao monitoramento de partículas em caldeira de recuperação Kraft |
title_fullStr |
Técnicas de machine learning aplicadas ao monitoramento de partículas em caldeira de recuperação Kraft |
title_full_unstemmed |
Técnicas de machine learning aplicadas ao monitoramento de partículas em caldeira de recuperação Kraft |
title_sort |
Técnicas de machine learning aplicadas ao monitoramento de partículas em caldeira de recuperação Kraft |
author |
Carmo, Elisa Carneiro Werneck do |
author_facet |
Carmo, Elisa Carneiro Werneck do |
author_role |
author |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/4530858702685674 |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/8025371753718722 |
dc.contributor.advisorCo1.none.fl_str_mv |
Parente, Andréa Pereira |
dc.contributor.advisorCo1Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/9458055897856809 |
dc.contributor.author.fl_str_mv |
Carmo, Elisa Carneiro Werneck do |
dc.contributor.referee1.fl_str_mv |
Waltz, Flávio da Silva |
dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/5120737621592413 |
dc.contributor.referee2.fl_str_mv |
Fernandes, Heloísa Lajas Sanches |
dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/2840875338255590 |
dc.contributor.referee3.fl_str_mv |
Freitas, Elene de Souza |
dc.contributor.referee3Lattes.fl_str_mv |
http://lattes.cnpq.br/1197903619294247 |
dc.contributor.advisor1.fl_str_mv |
Souza Júnior, Maurício Bezerra de |
contributor_str_mv |
Waltz, Flávio da Silva Fernandes, Heloísa Lajas Sanches Freitas, Elene de Souza Souza Júnior, Maurício Bezerra de |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO::GERENCIA DE PRODUCAO::PLANEJAMENTO, PROJETO E CONTROLE DE SISTEMAS DE PRODUCAO |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO::GERENCIA DE PRODUCAO::PLANEJAMENTO, PROJETO E CONTROLE DE SISTEMAS DE PRODUCAO Processo Kraft Machine learning Aprendizado de máquina Redes neuronais artificiais |
dc.subject.por.fl_str_mv |
Processo Kraft Machine learning Aprendizado de máquina Redes neuronais artificiais |
description |
A caldeira de recuperação é um equipamento chave nas plantas de produção de papel e celulose pelo processo Kraft. A deposição de material particulado formado na caldeira representa um dos maiores problemas operacionais, devendo ser monitorada e controlada para prevenção de paradas operacionais não programadas. O processo de formação de partículas neste equipamento é complexo e modelos fenomenológicos são de difícil desenvolvimento. Uma alternativa promissora, que se insere no contexto da Indústria 4.0, é a aplicação de técnicas de aprendizado de máquinas, ou “Machine Learning”, para modelagem de tal fenômeno. O objetivo do presente trabalho foi, então, propor uma metodologia para o emprego de redes neuronais artificiais na modelagem da formação de material particulado em uma caldeira de recuperação Kraft. Foram utilizadas redes neuronais dos tipos Multicamadas Perceptron (MLP), Base Radial (RBF) e de mapeamento auto-organizável para o desenvolvimento de modelos preditivos e classificatórios a partir de dados históricos de um ano de operação em uma planta industrial. Foi possível obter uma modelagem satisfatória do número de partículas formadas na caldeira de recuperação Kraft a partir de um modelo “híbrido” de predição e classificação, que realiza a classificação dos valores preditos por uma rede preditiva em duas classes. A classe 1 engloba dados de operação normal, caracterizada por um número de partículas inferior a 200 partículas por minuto, enquanto a classe 2 agrupa os dados de operação anormal e potencialmente insegura, com emissão acima de 200 partículas por minuto. O melhor modelo encontrado se baseia em uma rede MLP de 3 camadas, com 11 neurônios na camada oculta, utilizando conjuntos adicionais de dados obtidos por adição de ruído gaussiano aos dados originais correspondentes à operação anormal. Esta adição foi realizada para equilibrar a distribuição dos dados operacionais disponíveis. O desempenho da rede de predição, dado pelo coeficiente de correlação entre os valores calculados pela rede e os valores reais, foi superior a 0,87 e o desempenho total de classificação foi de cerca de 87%. Este método é capaz de classificar corretamente aproximadamente 94% dos dados de classe 1 e 77% dos dados de classe 2. Foi obtido, também, um mapa auto-organizável a partir uma rede de mapeamento auto-organizável de topologia 20x5 que permite a identificação de regiões de operação normal, regiões de transição e regiões de maior probabilidade de operação anormal. Este método pode ser usado na geração de recomendações referentes à segurança operacional, sinalizando condições operacionais com maior potencial de risco de elevada formação de partículas. |
publishDate |
2017 |
dc.date.issued.fl_str_mv |
2017-08 |
dc.date.accessioned.fl_str_mv |
2023-07-05T20:13:25Z |
dc.date.available.fl_str_mv |
2023-11-30T03:02:41Z |
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.citation.fl_str_mv |
CARMO, Elisa Carneiro Werneck do. Técnicas de machine learning aplicadas ao monitoramento de partículas em caldeira de recuperação Kraft. 2017. 124 f. TCC (Graduação) - Curso de Engenharia Química, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2017. |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/11422/21023 |
identifier_str_mv |
CARMO, Elisa Carneiro Werneck do. Técnicas de machine learning aplicadas ao monitoramento de partículas em caldeira de recuperação Kraft. 2017. 124 f. TCC (Graduação) - Curso de Engenharia Química, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2017. |
url |
http://hdl.handle.net/11422/21023 |
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 do Rio de Janeiro |
dc.publisher.initials.fl_str_mv |
UFRJ |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Escola de Química |
publisher.none.fl_str_mv |
Universidade Federal do Rio de Janeiro |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRJ instname:Universidade Federal do Rio de Janeiro (UFRJ) instacron:UFRJ |
instname_str |
Universidade Federal do Rio de Janeiro (UFRJ) |
instacron_str |
UFRJ |
institution |
UFRJ |
reponame_str |
Repositório Institucional da UFRJ |
collection |
Repositório Institucional da UFRJ |
bitstream.url.fl_str_mv |
http://pantheon.ufrj.br:80/bitstream/11422/21023/2/license.txt http://pantheon.ufrj.br:80/bitstream/11422/21023/1/ECWCarmo.pdf |
bitstream.checksum.fl_str_mv |
dd32849f2bfb22da963c3aac6e26e255 f0e0008ea2ab836cd5d3877023a5137f |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ) |
repository.mail.fl_str_mv |
|
_version_ |
1784097303262396416 |