Pinto, Gustavo Soares2025-03-312025-03-312025https://dspace.unila.edu.br/handle/123456789/8998Este 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.ptopenAccesshidrôgenioaprendizado de máquinaalgoritmosenergia limpa