Please use this identifier to cite or link to this item: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/34843
Full metadata record
DC FieldValueLanguage
dc.creator.IDhttp://lattes.cnpq.br/9860845649579022pt_BR
dc.creator.LattesSILVA, M. M.pt_BR
dc.contributor.advisor1SILVA JÚNIOR, Heleno Bispo da.-
dc.contributor.advisor1IDhttp://lattes.cnpq.br/0710351695395057pt_BR
dc.contributor.advisor1LattesBispo, H.pt_BR
dc.contributor.advisor2SILVA NETO, Antônio Tavernard Pereira da.-
dc.contributor.advisor2IDhttp://lattes.cnpq.br/5201054610951483pt_BR
dc.contributor.advisor2LattesPEREIRA NETO, Antonio Tavernard.pt_BR
dc.contributor.referee1ARAÚJO, Antônio Carlos Brandão de.-
dc.contributor.referee2ALVES, José Jailson Nicácio.-
dc.contributor.referee3SILVA, Sidinei Kleber da.-
dc.contributor.referee4NEIRO, Sérgio Mauro da Silva.-
dc.description.resumoUm dos principais objetivos da engenharia é operar processos de forma ótima ou próxima ao ponto ótimo, buscando maximizar ou minimizar uma função objetivo que pode levar em consideração restrições operacionais, ambientais e/ou econômicas. A garantia de operação ótima só é possível por meio de uma estrutura de controle bem projetada para manter o processo dentro das especificações. Neste trabalho, propomos um procedimento sistemático programado em linguagem Python, utilizando o ambiente de desenvolvimento Jupyter Notebook, para a metamodelagem, otimização e aplicação da metodologia de self-optimizing control (SOC). Esse procedimento foi desenvolvido com o objetivo de otimizar a sequência de implementação da metodologia de self-optimizing control para processos simulados usando o Aspen Hysys. Para análise e validação de sua funcionalidade o procedimento é aplicado para dois estudos de caso. No primeiro, um modelo desenvolvido em Python para um reator CSTR no qual ocorre uma reação reversível e exotérmica é analisado para determinação da variável controlada que resulta na menor perda. Os resultados obtidos são comparados com resultados da literatura, e todos são validados numericamente. No segundo estudo de caso, o procedimento é aplicado para analisar uma coluna de destilação de alta pureza modelada no simulador de processos Aspen Hysys para determinar os melhores pares de controle. Os resultados obtidos mostram coerência em termos do processo, validando assim a aplicabilidade do procedimento. A metodologia de self-optimizing control é uma abordagem promissora para otimizar a operação de processos industriais. Ao utilizar metamodelos, como o Kriging, é possível reduzir o esforço computacional necessário para realizar a otimização. Em uma das etapas mais importantes da metodologia SOC, modificações matemáticas foram realizadas para obtenção dos metamodelos. Neste trabalho mostramos o ganho computacional e de tempo através da utilização de regressores de segunda ordem para a estimativa das Hessianas. Por fim, o trabalho apresenta contribuições valiosas para a área de controle de processos, fornecendo uma ferramenta automatizada para a aplicação da metodologia SOC. Os resultados obtidos mostram que a ferramenta é eficaz na determinação da variável controlada em um reator CSTR e na identificação dos melhores pares de controle para uma coluna de destilação de alta pureza. Além disso, a validação numérica dos resultados reforça a confiabilidade e a utilidade da ferramenta proposta.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentCentro de Ciências e Tecnologia - CCTpt_BR
dc.publisher.programPÓS-GRADUAÇÃO EM LETRAS EM REDE PROFLETRAS (UFRN)pt_BR
dc.publisher.initialsUFCGpt_BR
dc.subject.cnpqEngenharia química.pt_BR
dc.titleImplementação da metodologia de self-optimizing control usando metamodelos kriging em linguagem python.pt_BR
dc.date.issued2023-09-14-
dc.description.abstractOne of the primary objectives of engineering is to operate processes optimally or near the optimum point, aiming to maximize or minimize an objective function that may take into account operational, environmental, and/or economic constraints. Ensuring optimal operation is only possible through a well-designed control framework to maintain the process within specifications. In this work, we propose a systematic procedure programmed in the Python language, utilizing the Jupyter Notebook development environment, for metamodeling, optimization, and application of the self-optimizing control (SOC) methodology. This procedure was developed with the goal of optimizing the implementation sequence of the selfoptimizing control methodology for simulated processes using Aspen Hysys. For analysis and validation of its functionality, the procedure is applied to two case studies. In the first case, a Python-developed model for a reversible and exothermic reaction in a CSTR reactor is analyzed to determine the controlled variable resulting in the least loss. The obtained results are compared with literature results, and all outcomes are numerically validated. In the second case study, the procedure is applied to analyze a high-purity distillation column modeled in the Aspen Hysys process simulator to determine the best control pairs. The obtained results exhibit coherence in terms of the process, thus validating the applicability of the procedure. The self-optimizing control methodology presents a promising approach for optimizing the operation of industrial processes. By employing metamodels like Kriging, it is possible to reduce the computational effort needed for optimization. In one of the most crucial steps of the SOC methodology, mathematical modifications were carried out to obtain metamodels. In this work, we demonstrate the computational and time gains achieved through the utilization of second-order regressors for Hessian estimation. Lastly, the study provides valuable contributions to the field of process control, furnishing an automated tool for applying the SOC methodology. The achieved results demonstrate the tool's effectiveness in determining the controlled variable in a CSTR reactor and identifying the optimal control pairs for a high-purity distillation column. Moreover, the numerical validation of results reinforces the reliability and utility of the proposed tool.pt_BR
dc.identifier.urihttp://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/34843-
dc.date.accessioned2024-03-01T17:53:52Z-
dc.date.available2024-03-01-
dc.date.available2024-03-01T17:53:52Z-
dc.typeTesept_BR
dc.subjectMetamodelspt_BR
dc.subjectSelf-optimizing controlpt_BR
dc.subjectMetamodelospt_BR
dc.subjectKrigingpt_BR
dc.subjectPythonpt_BR
dc.rightsAcesso Abertopt_BR
dc.creatorSILVA, Marcílio Máximo da.-
dc.publisherUniversidade Federal de Campina Grandept_BR
dc.languageporpt_BR
dc.title.alternativeImplementation of the self-optimizing control methodology using kriging metamodels in Python language.pt_BR
dc.identifier.citationSILVA, Marcílio Máximo da. Implementação da metodologia de self-optimizing control usando metamodelos kriging em linguagem python.. 2023. 77 f. Tese (Doutorado em Engenharia Química) – Programa de Pós-Graduação em Engenharia Química, Centro de Ciências e Tecnologia, Universidade Federal de Campina Grande, Paraíba, Brasil,2023.pt_BR
Appears in Collections:Doutorado em Engenharia Química.

Files in This Item:
File Description SizeFormat 
MARCÍLIO MÁXIMO DA SILVA - TESE (PPGEQ) 2023.pdf1.2 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.