Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/267588
Type: TESE
Title: Modelagem de digestores Kraft continuo : redes neurais e modelo hibrido
Author: Aguiar, Helena Cristina I. L
Advisor: Maciel Filho, Rubens, 1958-
Filho, Rubens Maciel
Abstract: Resumo: Estudos demonstram que a expectativa de crescimento do consumo de papel e baixo custo de produção no Brasil pode tornar a indústria de celulose e papel do país a maior geradora de negócios neste ramo internacionalmente. O processo de produção de celulose é complexo, e apesar de muito estudado ainda há muitas lacunas que precisam ser preenchidas. Por outro lado, as redes neurais são uma solução para a modelagem de processos cujo conhecimento é incompleto ou cuja complexidade dificulta a produção de bons resultados através da modelagem determinística. O objetivo principal desta tese foi a criação de um modelo para a predição do grau de polpação da madeira a partir de dados industriais, utilizando técnicas de modelagem diferentes. O trabalho explorou principalmente a modelagem através de redes neurais, mas também se dedicou à aplicação dos dados industriais a um modelo determinístico e a sua posterior combinação com uma rede neural para o desenvolvimento de um modelo híbrido. A discussão sobre os recursos necessários para a utilização de cada técnica, bem como a comparação entre as diferentes metodologias, suas vantagens e desvantagens, também são assuntos deste trabalho. A Aracruz Celulose SA, a maior fábrica do Brasil, cedeu os dados para o desenvolvimento do modelo. A avaliação de vários modelos encontrados na literatura selecionou o modelo determinístico a ser utilizado. O modelo neural apresenta uma rede "feedforward" treinada com o algoritmo de retropropagação. Inicialmente, os dados industriais foram avaliados e apenas aqueles que mostraram trazer informação relevante foram utilizados. A estrutura e parâmetros da rede foram otirnizados de modo a melhorar a performance do modelo. A combinação do resultado do modelo determinístico com o modelo neural formaram o modelo híbrido. A fábrica não pode ceder o esperado número de conjuntos de dados para o treinamento da rede neural. No entanto, a qualidade dos dados e o rigor com que foram obtidos, conjuntamente com um cuidadoso trabalho de seleção desses dados possibilitaram a busca de soluções para o sucesso do modelo. A alternativa encontrada foi a criação de um novo conjunto de dados, obtidos através de uma curva de correlação dos dados industriais. Apesar do pequeno conjunto de treinamento, a rede neural produziu resultados satisfatórios, onde o erro entre os valores esperados e preditos foram menores que o erro experimental para a determinação de lignina remanescente. O modelo determinístico foi capaz de reproduzir a taxa de deslignificação da celulose no tempo, o que determina o grau de polpação, e portanto foi considerado adequado para a utilização no modelo híbrido. A rede híbrida gerou resultados um pouco melhores que a rede pura, e seu treinamento foi significativamente mais rápido. Um modelo de computação rápida e que reproduza os resultados esperados pode ser implementado em um sistema supervisor ou de controle para funcionar "on-line". Os resultados apresentados mostram que tanto as redes neurais puras quanto os modelos luoridos, quando bem treinados e otimizados, atendem a esses requisitos. Mostram também que é possfvel utilizar variáveis normais de processo, tomando mais viável o desenvolvimento de modelos específicos

Abstract: Studies show that the expected growth of paper consumption and low production cost in Brazil may turn its pulp and paper industry into the greatest business generator in this field worldwide. The process to produce pulp is complex, and although it has been extensively researched, there are still many questions to be answered. On the other hand, neural networks may be the solution for processes whose knowledge is incomplete or whose complexity makes it harder to obtain good results with first principIe models. The main goal of this thesis was the development of a model to predict pulping degree using industrial data, with different modeling techniques. It explored mainly neural networks technique, but also did it apply the data into a first principIe model, which was later used for the development of a hybrid mode!. The discussion about the resources required for each technique, as well as the different methods, their advantages and limitations, is part of this work. Aracruz Celulose SA, the largest mill in Brazil, provided the data for the model development. The evaluation of published models set the criteria for the selection of the deterministic model to be used. The neural model presents a feedforward network trained with backpropagation algorithm. After an evaluation of the industrial data, only the variables that showed to carry relevant information were used. The network structure and its parameters were optimized in order to improve model performance. The combination of the result obtained from the deterministic model with a neural network composed the hybrid model. The mill could not provide the expected amount of training data. However, the quality of the data and the rigorous data collection procedure, as well as the careful data evaluation made it possible to search for solutions for a successful model. The alternative was the production of a new data set formed with points of the correlation curve obtained from industrial data. The difference between the expected and predicted values was lower than the experimental error inherent to the lab test for determination of remaining lignin. The fIrst principIe model was able to reproduce delignification rate, which determines the pulping degree, and therefore was considered adequate to be used in the hybrid model. The hybrid network results were slightly better than the ones obtained with the pure net and its training was appreciably faster. A model which is able to reproduce expected results in a timely fashion can be implemented in a control or supervisory system that works on-line. The results showed that when well trained and optimized, both, the pure nets and the hybrid models, fulfill these requirements. They also show that it is possible to use normal process variables, making it more feasible to develop customized models
Subject: Redes neurais (Computação)
Autoclaves
Language: Português
Editor: [s.n.]
Date Issue: 2000
Appears in Collections:FEQ - Dissertação e Tese

Files in This Item:
File SizeFormat 
Aguiar_HelenaCristinaI.L_M.pdf4.51 MBAdobe PDFView/Open


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