Dissertação
Hybrid modelling/Machine learning for soft-sensing and process modelling EVALUATED
É comum a existência de sistemas cujas relações entre variáveis não são bem conhecidas tornando-se difícil a sua representação com modelos de primeiros princípios. Com o objectivo de fazer soft-sensing a parâmetros pertencentes a estes sistemas, foi desenvolvido o protótipo de uma ferramenta, em Python, que permite a criação de modelos usando dados de entrada e saída. Os modelos criados foram integrados em simulações dinâmicas usando o software gPROMS. Com esse propósito, foi implementada uma regressão de mínimos quadrados parciais. Visto este algoritmo necessitar que as dimensões do modelo sejam escolhidas, foi implementada uma 10 fold cross validation juntamente com outras ferramentas que ajudam a averiguar a qualidade do modelo. Os testes estatísticos Distance to the model e Hotelling's T2 foram implementados para detecção de outliers. De modo a estudar como os modelos se comportam quando integrados em simulações dinâmicas, foram usados dados de um caso de granulação e de um de compressibilidade. Adicionalmente, dados de um caso de solid oxide fuel cell foram usados para estudar a criação de um modelo para previsão várias variáveis de resposta. Estes casos levaram à implementação de uma transformação polinomial de 2º grau e de uma transformação recíproca. As simulações acentuaram a importância de escolher dados para a criação do modelo que abranjam as condições operatórias da simulação. Caso contrário os resultados não serão de confiança, uma vez que o modelo está a ser usado para prever valores fora do alcance para o qual foi concebido.
novembro 26, 2018, 11:0
Publicação
Obra sujeita a Direitos de Autor