Otimização de coluna de destilação pelo uso de redes neurais.

• Ano de defesa: 1998
• Autor(a) principal: Suehiro, Ayako
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Coluna de destilação; Distillation column; Neural networks; Redes neurais
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3137/tde-09092025-140056/

As facilidades das redes neurais artificiais para simular quaisquer processos é utilizada para otimizar uma coluna de destilação. As principais vantagens de utilizá-las para modelagem é a não necessidade de conhecimento anterior do fenômeno. Além disso, não requerem recursos computacionais sofisticados para efetuar cálculos a uma velocidade estremamente elevada. É, portanto, uma alternativa aos métodos tradicionais para simulação de processos cujos parâmetros característicos ainda são pouco conhecidos e cuja complexidade torna os cálculos extremamente lentos. A modelagem em redes neurais compreende basicamente a fase de geração de dados e a sua utilização para treinamento da rede. A primeira fase é a mais trabalhosa pois requer uma grande quantidade de dados que devem ser de boa qualidade, ou seja, sem a influência de fatores que não seja o próprio processo: se a fonte de dados for a planta industrial será necessário reconciliá-los. Neste trabalho os dados para treinamento foram gerados por um modelo da coluna desenvolvido em um simulador comercial. A vantagem deste último método é a obtenção de dados sempre \"bons\" e que relatem o comportamento do processo em toda a faixa operacional. Os dados obtidos diretamente da planta industrial dificilmente atendem esta última característica citada pois normalmente tende a operar sempre em torno de uma mesma condição para suprir a demanda do mercado. A segunda etapa é o treinamento da rede. Normalmente, para modelagem estática de processos químicos utiliza-se a rede \"feedforward\" com três camadas: a de entrada, a escondida \"hidden layer\" e a de saída. Foi utilizado o método de convergência \"backpropagtion\". Finalmente, o modelo de rede obtido foiutlizado para realizar milhares cálculos para a otimização enérgetica da coluna de destilação. Esta facilidade de cálculo garante uma boa precisão do resultado obtido.