Desenvolvimento de um algoritmo piloto para a previsão da temperatura de saída do hidrogênio na planta de produção situada no Itaipu Parquetec

Página do item simplificado
dc.contributor.authorPinto, Gustavo Soares
dc.date.accessioned2025-03-31T11:21:12Z
dc.date.available2025-03-31T11:21:12Z
dc.date.issued2025
dc.description.abstractEste trabalho propõe o desenvolvimento e teste de um algoritmo para prever a temperatura de saída do hidrogênio (H2) em uma planta industrial, utilizando aprendizado de máquina. Plantas de produção de hidrogênio são instalações responsáveis pela geração, purificação e armazenamento desse elemento, que desempenha um papel fundamental como vetor de energia limpa. O hidrogênio é amplamente utilizado para o armazenamento de energia gerada a partir de fontes renováveis, permitindo a redução da dependência de combustíveis fósseis. Foram explorados modelos Long Short-Term Memory (LSTM) e sua versão quântica, Quantum Long Short-Term Memory (QLSTM), ambos avaliados com e sem Deep Reinforcement Learning (DRL). A previsão precisa dessa variável é essencial para otimizar processos, reduzir custos e garantir a segurança do sistema. Além disso, este estudo está entre os primeiros a investigar o uso combinado de DRL com QLSTM, bem como a aplicação de DRL com LSTM, ampliando o campo de pesquisa na área. A metodologia incluiu pré-processamento de dados, regressões lineares e polinomiais, além da otimização de hiperparâmetros com Optuna. Os modelos foram avaliados por métricas como Erro Quadrático Médio (RMSE), onde o LSTM obteve 0,0658 no treinamento e 0,0826 na validação. O QLSTM apresentou dificuldades em sua execução devido ao alto custo computacional, e o DRL demonstrou potencial na seleção de variáveis. Este estudo contribui para o uso da inteligência artificial na indústria do hidrogênio, ressaltando desafios e oportunidades da computação quântica aplicada ao aprendizado de máquina, além de reforçar a importância da pesquisa contínua para aprimoramento de modelos. Ao aprimorar a previsibilidade e a estabilidade dos processos em plantas de hidrogênio, este trabalho apoia o avanço de tecnologias voltadas para a transição energética e a sustentabilidade. Resumen Este trabajo propone el desarrollo y prueba de un algoritmo para predecir la temperatura de salida del hidrógeno (H2) en una planta industrial utilizando aprendizaje automático. Las plantas de producción de hidrógeno son instalaciones responsables de la generación, purificación y almacenamiento de este elemento, que desempeña un papel fundamental como vector de energía limpia. El hidrógeno se utiliza ampliamente para el almacenamiento de energia generada a partir de fuentes renovables, contribuyendo a la reducción de la dependencia de los combustibles fósiles. Se exploraron modelos Long Short-Term Memory (LSTM) y su versión cuántica, Quantum Long Short-Term Memory (QLSTM), ambos evaluados con y sin Deep Reinforcement Learning (DRL). La predicción precisa de esta variable es essencial para optimizar procesos, reducir costos y garantizar la seguridad del sistema. Además, este estudio se encuentra entre los primeros en investigar el uso combinado de DRL con QLSTM, así como la aplicación de DRL con LSTM, ampliando el campo de investigación en esta área. La metodología incluyó preprocesamiento de datos, regresiones lineales y polinomiales, además de la optimización de hiperparámetros con Optuna. Los modelos fueron evaluados mediante métricas como el Error Cuadrático Medio (RMSE), donde LSTM obtuvo 0,0658 en el entrenamiento y 0,0826 en la validación. QLSTM presentó dificultades en su ejecución debido a su alto costo computacional, mientras que DRL demostró potencial en la selección de variables. Este estudio contribuye al uso de la inteligencia artificial en la industria del hidrógeno, resaltando los desafíos y oportunidades de la computación cuántica aplicada al aprendizaje automático, además de reforzar la importancia de la investigación continua para la mejora de modelos. Al mejorar la previsibilidad y estabilidad de los procesos en plantas de hidrógeno, este trabajo apoya el avance de tecnologías orientadas a la transición energética y la sostenibilidad.
dc.identifier.urihttps://dspace.unila.edu.br/handle/123456789/8998
dc.language.isopt
dc.rightsopenAccess
dc.subjecthidrôgenio
dc.subjectaprendizado de máquina
dc.subjectalgoritmos
dc.subjectenergia limpa
dc.titleDesenvolvimento de um algoritmo piloto para a previsão da temperatura de saída do hidrogênio na planta de produção situada no Itaipu Parquetec
dcterms.abstractThis work proposes the development and testing of an algorithm to predict the hydrogen (H2) outlet temperature in an industrial plant using machine learning. Hydrogen production plants are facilities responsible for generating, purifying, and storing this element, which plays a fundamental role as a clean energy carrier. Hydrogen is widely used for storing energy generated from renewable sources, helping to reduce dependence on fossil fuels. Long Short-Term Memory (LSTM) models and their quantum version, Quantum Long Short-Term Memory (QLSTM), were explored, both evaluated with and without Deep Reinforcement Learning (DRL). Accurate prediction of this variable is essential to optimize processes, reduce costs, and ensure system safety. Furthermore, this study is among the first to investigate the combined use of DRL with QLSTM, as well as the application of DRL with LSTM, expanding research in this field. The methodology included data preprocessing, linear and polynomial regressions, as well as hyperparameter optimization using Optuna. The models were evaluated using metrics such as Root Mean Squared Error (RMSE), where LSTM achieved 0.0658 in training and 0.0826 in validation. QLSTM faced execution difficulties due to its high computational cost, while DRL showed potential in variable selection. This study contributes to the application of artificial intelligence in the hydrogen industry, highlighting challenges and opportunities in quantum computing applied to machine learning, while also emphasizing the importance of continuous research for model improvement. By enhancing the predictability and stability of processes in hydrogen plants, this work supports the advancement of technologies aimed at energy transition and sustainability.

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
Desenvolvimento de um algoritmo piloto para a previsão da temperatura de saída do hidrogênio na planta de produção situada no Itaipu Parquetec.pdf
Tamanho:
2.05 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.82 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

TCC - Engenharia Física