Algoritmos de aprendizado de máquinas aplicados na inferência de vazão de um medidor de vazão por efeito térmico

• Ano de defesa: 2020
• Autor(a) principal: Silva, José Rodrigo de Castro
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Estado do Rio de Janeiro; Centro de Tecnologia e Ciências::Faculdade de Engenharia; Brasil; UERJ; Programa de Pós-Graduação em Engenharia Eletrônica
• Palavras-chave em Português: Electronic engineering; Flow meters; Neural networks (Computing); Computer Learning; Calorimetry; Detectors; Engenharia eletrônica; Medidores de fluxo; Redes neurais (Computação); Aprendizado do computador; Calorimetria; Detectores; ENGENHARIAS::ENGENHARIA ELETRICA::ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS
• Link de acesso: http://www.bdtd.uerj.br/handle/1/17140

As técnicas de medição de vazão não-intrusivas atuais ainda carecem de melhorias pois têm desvantagens que são impeditivas para aplicações em pequenos diâmetros. Este trabalho busca desenvolver um medidor de vazão por efeito térmico não-intrusivo que utiliza algoritmos de aprendizado de máquinas para obtenção do menor erro de fundo de escala possível em baixas vazões de líquidos. O medidor utiliza um duto de cobre com diâmetro interno de 22mm, seis termopares comerciais do tipo k, uma resistência de aquecimento do tipo microtubular e uma inteligência artificial para inferir a vazão a partir da distribuição térmica na superfície do duto. A disposição dos sensores e do aquecedor foi calculada com base no espalhamento teórico de temperatura obtido na modelagem feita através do software COMSOL Multiphysics. Para avaliar o protótipo do medidor uma bancada de testes foi construída, a qual possibilita o controle da vazão e da temperatura da resistência de aquecimento. A bancada de testes é dotada de um medidor de vazão eletromagnético calibrado e certificado em laboratório externo o qual é utilizado para referência e comparação, conforme as orientações da ABNT e as boas práticas utilizadas nas indústrias e laboratórios de calibração. No experimento, a resistência foi acionada de modo que a temperatura na região central do duto permanecesse em 70°C e foram coletados os dados da distribuição térmica com vazões entre 0,05 e 0,6 m3/h com acréscimos intermediários de 0,01 m3/h. Os dados coletados fornecidos pelo experimento foram utilizados no treinamento dos seguintes modelos: regressão linear, K-Nearest Neighbor (K-NN), Árvore de Decisão, Florestas Aleatórias e Gradient Boosting. Além disso, também foram treinadas redes neurais artificiais Perceptron Multicamadas e modelos de Aprendizagem Profunda. O melhor resultado foi obtido com um modelo de aprendizagem profunda com a técnica Dropout, a qual demonstrou que o protótipo construído tem a capacidade de inferir a vazão com erro de fundo de escala igual a 1,8%. O experimento demonstrou que o uso de algoritmos de aprendizado de máquinas pode ser usado para melhorias em sistemas de medição de vazão não-intrusivos.