Modelo empírico da dinâmica de produção de etanol baseado em redes de aprendizagem profunda LSTM

Detalhes bibliográficos
Autor(a) principal: Sousa, Felipe Matheus Mota, 1995-
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/1641753
Resumo: Orientadores: Flávio Vasconcelos da Silva, Rodolpho Rodrigues Fonseca
id UNICAMP-30_c25d4c7775a9d437fcf0d04e966814c6
oai_identifier_str oai::1165641
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Modelo empírico da dinâmica de produção de etanol baseado em redes de aprendizagem profunda LSTMEmpirical modeling of ethanol production dynamics using long short-term memory recurrent neural networksFermentaçãoModelagemAprendizado profundoRedes neurais recorrentesMemória de longo e curto prazoFermentationModelingDeep learningRecurrent neural networksLong short-term memoryOrientadores: Flávio Vasconcelos da Silva, Rodolpho Rodrigues FonsecaDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia QuímicaResumo: A biotecnologia tem papel fundamental no desenvolvimento de produtos específicos devido à alta complexidade estrutural das substâncias desejadas que impede a obtenção via rota química, à implementação fácil e barata dos processos e ao menor custo de operação. Apesar do amplo uso dos processos biotecnológicos, a operação contínua está sujeita a alta variabilidade dos produtos finais em consequência da grande susceptibilidade dos sistemas biológicos aos efeitos de diversas variáveis. Desse modo, a modelagem fenomenológica torna-se menos precisa por simplificações assumidas no modelo tais como invariabilidade dos parâmetros cinéticos ou por não contabilizar os efeitos de algumas variáveis importantes do sistema, porém, não contempladas no modelo matemático e que muitas vezes estão disponíveis nos bancos de dados. Assim, foram desenvolvidos modelos empíricos baseados em redes recorrentes com topologia Long Short-Term Memory para predizer o comportamento dinâmico das variáveis endógenas volume e concentrações de células, de substrato e de etanol em um processo de fermentação alcoólica. O banco de dados foi obtido por meio de simulação numérica empregando um modelo fenomenológico com parâmetros cinéticos variantes por meio de redes neurais artificiais adaptados às condições operacionais propostas. Três variáveis exógenas foram modificadas para gerar o banco de dados e descrever o comportamento das variáveis de processo. O melhor modelo obtido para predição apresentou vinte neurônios e três passos temporais, alta capacidade de generalização como visto pelo baixo valor de MSE de 2,21·10-4, grande correlação linear representado pelos coeficientes de determinação R2 próximos à unidade e não apresentou repetição do valor das entradas endógenas como predições. Entretanto, esse modelo não foi capaz de operar em simulação recursiva, ou seja, empregando suas predições como entradas posteriores, para três diferentes bancos de dados. O MSE total foi calculado em 6,98·10-2 e os altos erros relativos indicam a grande influência das variáveis endógenas no desempenho do modelo. Assim, novas redes com maior complexidade da topologia foram treinadas para verificar a viabilidade de usá-las em modo recursivo. Entre os novos modelos, a rede com 30 neurônios, 7 passos temporais e duas unidades LSTM empilhadas apresentou melhor desempenho com MSE de 1,32·10-3. Os erros percentuais foram reduzidos para um valor máximo de 12%, e as respostas preditas distam dos valores reais em aproximadamente a faixa de precisão dos sensores comerciaisAbstract: Biotechnology has a central role in the manufacturing of specific products due to the high structural complexity of the desired substances that prevents obtaining them via chemical route, the easy and inexpensive implementation and the lower cost of operation. Despite the widespread use of biotechnology processes, the continuous operation is subject to high variability of final products as result of the susceptibility of biological systems to the effects of several variables. In this way, phenomenological modeling becomes less precise due to the simplifications of the proposed model such as kinetic parameters invariability or because it does not account for the effects of some important system variables that are not included in the mathematical model, although they are often available in databases. Thereby, empirical models based on Long Short-Term Memory recurrent neural networks were developed to predict the dynamic behavior of the endogenous variables volume and cell, substrate and ethanol concentrations in a alcoholic fermentation process. The database was generated through numerical simulation applying a phenomenological model in which the kinetic parameters were varied by an artificial neural network according to the operational conditions. Three exogenous variables were modified to generate the database that describes the process variables behavior. The best prediction model obtained had ten neurons and one time-step, high generalization capability as shown by its low MSE of 2,21·10-4, high linear correlation indicated by the determination coefficients R2 near to unity and it did not show repetition of the endogenous input values as predictions. However, this model was not able to operate in a recursive simulation, that is, using its predictions as future inputs, for three different datasets. The total MSE calculated as 6.98·10-2 and the high relative errors indicate that the endogenous inputs have great influence on the model performance. Thereby, more complex networks were trained to verify the viability of using them in recursive mode. Amongst the new models, the 2 stacked LSTM, 30 neurons and 7 time-steps network showed the best results with MSE equals to 1.32·10-3. Maximum relative errors were reduced to 12% and the predicted responses differ from the real values in approximately the accuracy range of commercial sensorsMestradoEngenharia QuímicaMestre em Engenharia QuímicaCNPQ83053519993[s.n.]Silva, Flávio Vasconcelos da, 1971-Fonseca, Rodolpho Rodrigues, 1987-Givigi Junior, Sidney NascimentoSouza Junior, Mauricio Bezerra deUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia QuímicaPrograma de Pós-Graduação em Engenharia QuímicaUNIVERSIDADE ESTADUAL DE CAMPINASSousa, Felipe Matheus Mota, 1995-20212021-02-23T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (98 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/1641753SOUSA, Felipe Matheus Mota. Modelo empírico da dinâmica de produção de etanol baseado em redes de aprendizagem profunda LSTM. 2021. 1 recurso online (98 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Química, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1641753. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1165641Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2021-09-20T15:16:22Zoai::1165641Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2021-09-20T15:16:22Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Modelo empírico da dinâmica de produção de etanol baseado em redes de aprendizagem profunda LSTM
Empirical modeling of ethanol production dynamics using long short-term memory recurrent neural networks
title Modelo empírico da dinâmica de produção de etanol baseado em redes de aprendizagem profunda LSTM
spellingShingle Modelo empírico da dinâmica de produção de etanol baseado em redes de aprendizagem profunda LSTM
Sousa, Felipe Matheus Mota, 1995-
Fermentação
Modelagem
Aprendizado profundo
Redes neurais recorrentes
Memória de longo e curto prazo
Fermentation
Modeling
Deep learning
Recurrent neural networks
Long short-term memory
title_short Modelo empírico da dinâmica de produção de etanol baseado em redes de aprendizagem profunda LSTM
title_full Modelo empírico da dinâmica de produção de etanol baseado em redes de aprendizagem profunda LSTM
title_fullStr Modelo empírico da dinâmica de produção de etanol baseado em redes de aprendizagem profunda LSTM
title_full_unstemmed Modelo empírico da dinâmica de produção de etanol baseado em redes de aprendizagem profunda LSTM
title_sort Modelo empírico da dinâmica de produção de etanol baseado em redes de aprendizagem profunda LSTM
author Sousa, Felipe Matheus Mota, 1995-
author_facet Sousa, Felipe Matheus Mota, 1995-
author_role author
dc.contributor.none.fl_str_mv Silva, Flávio Vasconcelos da, 1971-
Fonseca, Rodolpho Rodrigues, 1987-
Givigi Junior, Sidney Nascimento
Souza Junior, Mauricio Bezerra de
Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Química
Programa de Pós-Graduação em Engenharia Química
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Sousa, Felipe Matheus Mota, 1995-
dc.subject.por.fl_str_mv Fermentação
Modelagem
Aprendizado profundo
Redes neurais recorrentes
Memória de longo e curto prazo
Fermentation
Modeling
Deep learning
Recurrent neural networks
Long short-term memory
topic Fermentação
Modelagem
Aprendizado profundo
Redes neurais recorrentes
Memória de longo e curto prazo
Fermentation
Modeling
Deep learning
Recurrent neural networks
Long short-term memory
description Orientadores: Flávio Vasconcelos da Silva, Rodolpho Rodrigues Fonseca
publishDate 2021
dc.date.none.fl_str_mv 2021
2021-02-23T00:00:00Z
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 https://hdl.handle.net/20.500.12733/1641753
SOUSA, Felipe Matheus Mota. Modelo empírico da dinâmica de produção de etanol baseado em redes de aprendizagem profunda LSTM. 2021. 1 recurso online (98 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Química, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1641753. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/1641753
identifier_str_mv SOUSA, Felipe Matheus Mota. Modelo empírico da dinâmica de produção de etanol baseado em redes de aprendizagem profunda LSTM. 2021. 1 recurso online (98 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Química, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1641753. Acesso em: 3 set. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1165641
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (98 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1809189174668951552

Registros relacionados