| Summary: | Submitted by camilla martins (camillasmmartins@gmail.com) on 2017-03-28T14:46:51Z
No. of bitstreams: 2
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
Dissertacao_ModelagemNeuralResistencia.pdf: 1952861 bytes, checksum: 1924e498b84043d53cd4a207b4f98d34 (MD5) === Approved for entry into archive by Edisangela Bastos (edisangela@ufpa.br) on 2017-03-28T17:12:44Z (GMT) No. of bitstreams: 2
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
Dissertacao_ModelagemNeuralResistencia.pdf: 1952861 bytes, checksum: 1924e498b84043d53cd4a207b4f98d34 (MD5) === Made available in DSpace on 2017-03-28T17:12:44Z (GMT). No. of bitstreams: 2
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
Dissertacao_ModelagemNeuralResistencia.pdf: 1952861 bytes, checksum: 1924e498b84043d53cd4a207b4f98d34 (MD5)
Previous issue date: 2015-10-16 === Este trabalho avalia dois tipos de Redes Neurais Artificiais na tarefa de modelar dinamicamente o comportamento da resistência elétrica de um forno de redução de alumínio primário. A proposta é utilizar Redes Neurais Multicamada Diretas (RNMD) e Redes Neurais Recorrentes (RNR) para modelar a resistência elétrica do forno. Para cada uma destas Redes Neurais é explorado a sua capacidade de modelar sistemas dinâmicos, seja variando o número de camadas de neurônios, bem como o número de neurônios em cada camada, variando também os sinais de entrada da rede neural, etc. Os dados a serem utilizados na modelagem são oriundos de uma fábrica brasileira de alumínio primário. Esta modelagem pode ser usada para controlar a distância (subir ou descer) entre os eletrodos anodos e catodos do forno de redução que são constituídos principalmente por materiais carbonáceos. Desta forma o sistema de controle possui a tarefa de manter o valor de resistência dentro de faixas aceitáveis de operação procurando sempre garantir estabilidade térmica e consequentemente a produção do alumínio primário, com alto teor de pureza, com base em dados disponíveis online no sistema de controle da fábrica. Através desses eletrodos são injetadas correntes elétricas continuas que, além da eletrólise em si, provocam o aquecimento do banho eletrolítico, elevando a sua temperatura para uma faixa acima de 960 °C. A motivação para o trabalho está na alta complexibilidade do processo de redução do alumínio primário, cuja natureza é não-linear e o mesmo sofre influência de diversas variáveis diretamente ligadas a dinâmica do processo, muitas vezes imperceptíveis aos engenheiros de processo da fábrica, mas que podem ser percebidas por meio das técnicas de inteligência computacional refletindo aproximadamente as diferentes condições operacionais do sistema real. === The paper evaluates two types of Artificial Neural Networks to model dynamically the behaviour of the electrical resistance of a primary aluminum reduction furnace. The proposal is to use Direct Multilayer neural networks (RNMD) and Recurrent Neural networks (RNR) to model the electrical resistance of the oven. For each of these Neural Networks is explored its ability to model dynamic systems, either by varying the number of layers of neurons, as well as the number of neurons in each layer, varying the neural network input signals, etc. The data to be used in modeling from a Brazilian factory of primary aluminum. This modeling can be used to control the distance (up or down) between the electrodes, anodes and cathodes of the reduction that it consists primarily of carbonaceous materials. In this way the system of control has the task of maintaining the value of resistance within acceptable ranges of operation always attempting to ensure thermal stability and consequently the production of primary aluminum, high-purity, based on data available online in the control system of the plant. Through these electrodes are injected electrical currents keep that, besides the electrolysis itself cause the electrolytic bath, raising its temperature to a range up to 960° C. The motivation for the work is in high complexity of primary aluminum reduction process, whose nature is non-linear and the same suffering directly related variables influence the dynamics of the process, often imperceptible process engineers from the factory, but can be perceived by means of computational intelligence techniques reflecting about the different operating conditions of the real system.
|
|---|
