Aprendizado de máquinas na predição do perfil de temperatura de trocadores de calor.
Data
2024
Autores
Vicente, Vittoria Santos de
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
O aprendizado de máquina pode ser aplicado em estudos de otimização de vários processos industriais, como de controle de processos, predição de demanda, modelagem e simulação de processos. Essa aplicação também se estende para estudos em equipamentos, como os trocadores de calor, presentes na maioria das indústrias. Com a crescente preocupação com a redução de gastos, bem como com o respeito ao meio ambiente, os estudos relacionados a aplicação da IA na indústria se tornam cada vez mais necessários, pois evitam o desperdício de insumos e trazem maior rentabilidade aos negócios. Diante disso, este trabalho tem como objetivo analisar qual algoritmo de Aprendizado de Máquina melhor identificam o comportamento e consegue prever o processo de troca de calor de forma mais precisa, em um trocador de calor de tubo concêntrico. Para realizar essa análise foram coletados dados de um trocador de calor de tubo concêntrico didático, disponível no laboratório de Engenharia Química da UNILA, e estes dados foram utilizados para alimentar o software Orange Data Mining. Este software possui ferramentas para realizar analises estatísticas e de opções de modelos de aprendizado de máquina, além de ser capaz de criar modelos de predição. A variável escolhida para realizar a predição foi a Temperatura de Saída do fluido quente e, como trata-se de uma variável continua, foram utilizados os indicadores estatísticos RMSE, MSE, MAE, MAPE e R2 para avaliar o desempenho dos modelos. Os dados experimentais foram utilizados para treinar modelos de predição derivados de três algoritmos de aprendizado de máquina diferentes: Linear Regression, Decision Tree e Randon Forest. A partir das informações coletas e geradas neste estudo, foi possível avaliar que o modelo de predição que melhor se adaptou ao processo de troca de calor foi o gerado pelo modelo de aprendizado de máquina Randon Forest. Esse resultado é consistente com a natureza não linear dos dados do processo de trocadores de calor. O Modelo teve um bom desempenho com os dados de teste, evidenciado por erros baixos e um coeficiente de determinação (R2) próximo de 1. Isso indica que o modelo se ajustou bem aos dados de teste, refletindo de forma precisa o comportamento do sistema.
Abstract
Descrição
Trabalho de Conclusão de Curso apresentado ao Instituto Latino-Americano de Tecnologia, Infraestrutura e Território da Universidade Federal da Integração Latino- Americana, como requisito parcial à obtenção do título de Bacharel em Engenharia Química.
Palavras-chave
Trocador de calor, Machine Learning, Aprendizado de Máquina, Modelo de Predição