Busca avançada
Ano de início
Entree

Transferência de Aprendizado entre Modelos Orientados por Dados para o Monitoramento de Trocadores de Calor

Processo: 24/00140-1
Modalidade de apoio:Bolsas no Brasil - Mestrado
Vigência (Início): 01 de abril de 2024
Vigência (Término): 31 de julho de 2025
Área do conhecimento:Interdisciplinar
Pesquisador responsável:Samuel da Silva
Beneficiário:Estênio Fuzaro de Almeida
Instituição Sede: Faculdade de Engenharia (FEIS). Universidade Estadual Paulista (UNESP). Campus de Ilha Solteira. Ilha Solteira , SP, Brasil
Assunto(s):Diagnóstico   Monitoramento   Trocadores de calor
Palavra(s)-Chave do Pesquisador:Detecção de Danos | diagnóstico | Modelagem orientada por dados | Monitoramento | Transferencia de Aprendizado | trocadores de calor | Transferência de Aprendizado

Resumo

O monitoramento contínuo da saúde dos trocadores de calor em campo é fundamental para garantir o bom desempenho e a segurança na operação de plantas industriais. Nesse contexto, várias técnicas de diagnóstico de estado estão disponíveis na literatura, especialmente aquelas que utilizam informações de sensores já instalados para ações de controle, as quais envolvem variáveis como pressão, vazão e temperatura. No entanto, para um diagnóstico mais preciso, é imprescindível utilizar um modelo matemático que simule a dinâmica do trocador de calor. Na prática, esses modelos são frequentemente derivados de técnicas de identificação de sistemas, pois a modelagem fenomenológica pode ser proibitivamente complexa, exigindo muito tempo e um conhecimento profundo das características físicas dos equipamentos que os engenheiros de manutenção de campo talvez não tenham. Ainda assim, poucos métodos provam ser universalmente eficazes e suficientemente generalistas para uma solução completa deste desafio tecnológico. Uma das razões que identificamos é a falta de disponibilidade generalizada de dados históricos sobre o estado dos trocadores de calor, essenciais para o treinamento eficiente de algoritmos de detecção de falhas nesses equipamentos. Frequentemente, esses conjuntos de dados são incompletos, contendo informações quase estáticas, com baixa taxa de amostragem, e frequentemente escassas. Neste sentido, este projeto contribui ao investigar e propor a utilização de ferramentas avançadas de transferência de aprendizado, aplicadas diretamente entre modelos orientados por dados entre diferentes tipos de trocadores de calor. A ideia central é considerar uma situação-fonte, com informações e históricos detalhados de um trocador de calor padrão, e utilizar as variáveis de pressão, vazão e/ou temperatura para construir um modelo baseado em dados, como um modelo autorregressivo simples. Em seguida, algoritmos de aprendizado de máquina serão empregados para treinar e validar classificadores e regressores que ofereçam informações que permitam diagnosticar o estado operacional do trocador de calor. Posteriormente, dados mais escassos de um trocador de calor alvo, que apresenta algumas discrepâncias, serão utilizados para examinar como técnicas de mapeamento e transferência de aprendizado podem ser implementadas, transferindo o conhecimento do trocador de calor da situação-fonte para a situação-alvo. O objetivo é verificar, por meio de simulações numéricas e experimentais, quais as condições de similaridade e as circunstâncias sob as quais é possível aproveitar o histórico de dados e transferir conhecimento entre algoritmos de detecção de falhas entre trocadores de calor similares ou completamente distintos. Os resultados desta dissertação têm o potencial de introduzir novas técnicas de monitoramento visando assegurar uma operação mais segura e econômica de sistemas térmicos.

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Matéria(s) publicada(s) em Outras Mídias (0 total):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)