Please use this identifier to cite or link to this item: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/6211
Title: Metamodelagem Kriging dinâmica aplicada em trocadores de calor.
Other Titles: Dynamic kriging metamodeling applied in heat exchangers.
???metadata.dc.creator???: LIMA JÚNIOR, Gladson Euler.
???metadata.dc.contributor.advisor1???: SILVA JÚNIOR, Heleno Bispo da.
???metadata.dc.contributor.advisor2???: PEREIRA NETO, Antônio Tavernard.
???metadata.dc.contributor.referee1???: SILVA, Sidinei Kleber da.
???metadata.dc.contributor.referee2???: ANDRADE, Tony Herbert Freire de.
Keywords: Kriging;Modelos de Correlação;Comportamento Dinâmico;Wavelet;Correlation Models;Dynamic Behavior
Issue Date: 4-Apr-2019
Publisher: Universidade Federal de Campina Grande
Citation: LIMA JÚNIOR, G. E. Metamodelagem Kriging dinâmica aplicada em trocadores de calor. 2019. 92 f. Dissertação (Mestrado em Engenharia Química) – Programa de Pós-Graduação em Engenharia Química, Centro de Ciências e Tecnologia, Universidade Federal de Campina Grande, Paraíba, Brasil, 2019.
???metadata.dc.description.resumo???: 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.
Abstract: Due to the recent technological advances in the industrial segment with the development of the foundations of industry 4.0, such as big data additive manufacturing, simulation and internet of things (IoT), artificial intelligence concepts and techniques became widely known. The machine learning (ML) presents itself as a branch of artificial intelligence, which had its development propelled along with the rise in storage capabilities and data analysis. The gaussian process regressor method (Kriging) is one of the ML methods recommended for industrial processes applications due to its ability to deal with highly non-linear system responses, aside from the fact that it provides estimates regarding statistical error by modeling it as gaussian processes. Aiming to contribute to the advances in the industrial sphere by using ML techniques, the present work sets as goal to study Kriging modeling by the means of a methodology developed to determine the process variables dynamic behavior. As case study, it was used a counterflow heat exchanger simulated in the Aspen Plus DynamicTM software in order to obtain dynamic data of the highest coupled variables to the equipment. The model was built with the PythonTM programming language by using both stationary correlation models (radial basis function (RBF), rational quadratic (RQ) and matern) and non-stationary (dot product) to evaluate which one provided the best prediction. The model training (one hundred cases) and validation (ten cases) data sets were generated using the latin hypercube sampling (LHS) technique. The model was validated by evaluating the mean squared error (MSE), the explained variance score (EVS) and the determination coefficient (R2) applied to each correlation model. Ultimately, a wavelet filter coupled to a moving average filter was proposed to smoothen the behavior predicted by the models. The results indicate that for the two model outputs (output temperature of the hot and cold fluid) only the dot product correlation presented significant results, yielding behavior inside the range of ± 4% deviation in the validation scenario selected for appraisal. The MSE, R2 and EVS tests confirm the observed results for the predicted behavior for both fluid temperatures. The addition of filters made it possible to confirm the applicability of themselves while coupled with the resultant model from dot product correlation.
Keywords: Kriging
Modelos de Correlação
Comportamento Dinâmico
Wavelet
Correlation Models
Dynamic Behavior
???metadata.dc.subject.cnpq???: Engenharia Química
URI: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/6211
Appears in Collections:Mestrado em Engenharia Química

Files in This Item:
File Description SizeFormat 
GLADSON EULER LIMA JÚNIOR – DISSERTAÇÃO (PPGEQ) 2019.pdf4.11 MBAdobe PDFView/Open


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