Transferência de aprendizado entre modelos orientados por dados para o monitoramento de trocadores de calor

• Ano de defesa: 2025
• Autor(a) principal: Almeida, Estênio Fuzaro de [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Trocadores de calor; Detecção de incrustação; Sombra digital; Calibração bayesiana; Modelagem autoregressiva; Transferência de aprendizado; Heat exchangers; Fouling detection; Digital shadow; Bayesian calibration; Autoregressive modeling; Transfer learning
• Link de acesso: https://hdl.handle.net/11449/313484

A incrustação em trocadores de calor compromete a eficiência térmica e eleva os custos operacionais em sistemas industriais. É proposta uma metodologia orientada por dados para a detecção de incrustação, baseada na construção de representações digitais simplificadas do comportamento térmico dos trocadores de calor e na Transferência de Aprendizado, permitindo a adaptação do modelo a diferentes geometrias de equipamentos. A abordagem utiliza dados de processo em tempo real, como temperatura, vazão e pressão, dispensando simulações numéricas avançadas, que são computacionalmente custosas. Como a coleta e validação de dados reais podem ser desafiadoras, as técnicas foram testadas inicialmente com um modelo de ordem reduzida, que emprega equações diferenciais ordinárias para representar a dinâmica térmica, combinadas a um modelo estocástico do coeficiente global de troca de calor, para considerar incertezas e emular a progressão da incrustação. Por não haver comunicação em tempo real com o sistema físico, não se trata de um Gêmeo Digital, mas sim uma Sombra Digital. Foram analisadas três bases de dados distintas: a primeira simula o envelhecimento térmico de um trocador de calor por meio de um modelo estocástico calibrado com computação bayesiana; a segunda utiliza curvas térmicas sintéticas, isto é, simuladas numericamente a partir de uma distribuição probabilística do coeficiente global de troca de calor, permitindo a identificação de modelos autorregressivos; e a terceira base é composta por dados experimentais de dois trocadores com geometrias diferentes, em que a condição de incrustação foi simulada por variações nos parâmetros de resposta térmica. A partir dos sinais de temperatura, são extraídas métricas como a variância dos erros de predição e a energia do sinal, utilizadas em um processo de classificação automática dos estados operacionais por meio de máquinas de vetores de suporte. A Transferência de Aprendizado, usando o método JDA, generaliza o algoritmo, permitindo o reaproveitamento de conhecimento entre trocadores de calor distintos. A metodologia demonstrou robustez e bom desempenho na detecção do nível de incrustação e na generalização do algoritmo em diferentes cenários, mesmo em contextos com instrumentação simplificada, oferecendo uma ferramenta versátil para aprimorar práticas de manutenção preditiva em ambientes industriais.