Controle preditivo neural aplicado à processos petroquímicos

dc.contributor.advisorMaitelli, André Laurindopt_BR
dc.contributor.advisorIDpor
dc.contributor.advisorLatteshttp://lattes.cnpq.br/0477027244297797por
dc.contributor.authorPopoff, Luiz Henrique Gomespt_BR
dc.contributor.authorIDpor
dc.contributor.referees1Araújo, Fábio Meneghetti Ugulino dept_BR
dc.contributor.referees1IDpor
dc.contributor.referees1Latteshttp://lattes.cnpq.br/5473196176458886por
dc.contributor.referees2Gabriel Filho, Oscarpt_BR
dc.contributor.referees2IDpor
dc.contributor.referees2Latteshttp://lattes.cnpq.br/4171033998524192por
dc.date.accessioned2014-12-17T14:08:39Z
dc.date.available2010-11-18pt_BR
dc.date.available2014-12-17T14:08:39Z
dc.date.issued2009-08-07pt_BR
dc.description.resumoA pesquisa tem como objetivo desenvolver uma estrutura de controle preditivo neural, com o intuito de controlar um processo de pH, caracterizado por ser um sistema SISO (Single Input - Single Output). O controle de pH é um processo de grande importância na indústria petroquímica, onde se deseja manter constante o nível de acidez de um produto ou neutralizar o afluente de uma planta de tratamento de fluidos. O processo de controle de pH exige robustez do sistema de controle, pois este processo pode ter ganho estático e dinâmica nãolineares. O controlador preditivo neural envolve duas outras teorias para o seu desenvolvimento, a primeira referente ao controle preditivo e a outra a redes neurais artificiais (RNA s). Este controlador pode ser dividido em dois blocos, um responsável pela identificação e outro pelo o cálculo do sinal de controle. Para realizar a identificação neural é utilizada uma RNA com arquitetura feedforward multicamadas com aprendizagem baseada na metodologia da Propagação Retroativa do Erro (Error Back Propagation). A partir de dados de entrada e saída da planta é iniciado o treinamento offline da rede. Dessa forma, os pesos sinápticos são ajustados e a rede está apta para representar o sistema com a máxima precisão possível. O modelo neural gerado é usado para predizer as saídas futuras do sistema, com isso o otimizador calcula uma série de ações de controle, através da minimização de uma função objetivo quadrática, fazendo com que a saída do processo siga um sinal de referência desejado. Foram desenvolvidos dois aplicativos, ambos na plataforma Builder C++, o primeiro realiza a identificação, via redes neurais e o segundo é responsável pelo controle do processo. As ferramentas aqui implementadas e aplicadas são genéricas, ambas permitem a aplicação da estrutura de controle a qualquer novo processopor
dc.formatapplication/pdfpor
dc.identifier.citationPOPOFF, Luiz Henrique Gomes. Controle preditivo neural aplicado à processos petroquímicos. 2009. 94 f. Dissertação (Mestrado em Pesquisa e Desenvolvimento em Ciência e Engenharia de Petróleo) - Universidade Federal do Rio Grande do Norte, Natal, 2009.por
dc.identifier.urihttps://repositorio.ufrn.br/jspui/handle/123456789/12922
dc.languageporpor
dc.publisherUniversidade Federal do Rio Grande do Nortepor
dc.publisher.countryBRpor
dc.publisher.departmentPesquisa e Desenvolvimento em Ciência e Engenharia de Petróleopor
dc.publisher.initialsUFRNpor
dc.publisher.programPrograma de Pós-Graduação em Ciência e Engenharia do Petróleopor
dc.rightsAcesso Abertopor
dc.subjectRede neural artificialpor
dc.subjectControle avançadopor
dc.subjectControle preditivopor
dc.subjectArtificial neural networkeng
dc.subjectAdvanced controleng
dc.subjectPredictive controleng
dc.subject.cnpqCNPQ::ENGENHARIASpor
dc.titleControle preditivo neural aplicado à processos petroquímicospor
dc.typemasterThesispor

Arquivos

Pacote Original

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
ControlePreditivoNeural_Popoff_2009.pdf
Tamanho:
1.39 MB
Formato:
Adobe Portable Document Format
Carregando...
Imagem de Miniatura
Baixar