Metamodelagem Kriging dinâmica aplicada em trocadores de calor.

• Ano de defesa: 2019
• Autor(a) principal: LIMA JÚNIOR, Gladson Euler.
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande; Brasil; Centro de Ciências e Tecnologia - CCT; PÓS-GRADUAÇÃO EM ENGENHARIA QUÍMICA; UFCG
• Palavras-chave em Português: Kriging; Modelos de Correlação; Comportamento Dinâmico; Wavelet; Correlation Models; Dynamic Behavior; Engenharia Química
• Link de acesso: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/6211

Devido aos recentes avanços tecnológicos no âmbito industrial com o desenvolvimento dos pilares da indústria 4.0 como big data, manufatura aditiva, simulação e internet das coisas (IoT), conceitos e técnicas de inteligência artificial passaram a ser amplamente difundidas. O aprendizado de máquina (ML) apresenta-se como um ramo da inteligência artificial que passou a ter seu desenvolvimento potencializado juntamente com o aumento da capacidade de armazenamento e análise de dados. O método gaussian process regressor (Kriging) apresenta-se como um dos métodos de ML indicados para aplicação em processos industriais devido a sua capacidade em lidar com respostas altamente não-lineares além de fornecer uma estimativa referente ao erro estatístico, modelando-o por meio de processos gaussianos. Visando contribuir com os avanços no âmbito industrial utilizando técnicas de ML, o presente trabalho tem como objetivo o estudo da modelagem Kriging, por meio de uma metodologia desenvolvida para determinar o comportamento dinâmico de variáveis de processo. Como caso de estudo, utilizou-se um trocador de calor contracorrente, simulado no software Aspen Plus DynamicsTM pra obtenção dos dados dinâmicos das variáveis de maior grau de acoplamento do equipamento. A construção do modelo foi realizada no software PythonTM utilizando modelos de correlação estacionários (radial basis function (RBF), rational quadratic (RQ) e matern) e não estacionários (dot product) para avaliar qual modelo fornece a melhor predição. Os dados para treinamento (100 casos) e validação (10 casos) dos modelos foram gerados por meio da técnica de amostragem hipercubo latino (LHS). O modelo foi validado por meio da avaliação das métricas de erro médio quadrado (MSE), variância explicada (EVS) e coeficiente de determinação (R2), aplicadas a cada modelo de correlação. Por fim, um filtro de wavelet acoplado com um filtro média móvel foi proposto para suavização do comportamento predito pelos modelos. Os resultados indicam que para os dois outputs do modelo (temperatura de saída do fluido quente e frio), apenas a correlação dot product apresentou resultados significativos para ambos as temperaturas avaliadas, fornecendo comportamentos dentro dos limites de ± 4% de desvio para a simulação de validação escolhida para avaliação. Os testes de MSE, R2 e EVS corroboram com os resultados observados para comportamento predito das temperaturas de ambos os fluidos. Com a incorporação dos filtros foi possível confirmar a aplicabilidade dos mesmos em conjunto com modelo oriundo da correlação dot product.