Utilização de redes neurais artificiais para determinar o tempo de resposta de sensores de temperatura do tipo RTD

• Main Author: Santos, Roberto Carlos dos
• Other Authors: Gonçalves, Iraci Martinez Pereira
• Format: Others
• Language: pt
• Published: Biblioteca Digitais de Teses e Dissertações da USP 2010
• Subjects: neural networks; redes neurais; RTD; sensores de temperatura; temperature sensors; tempo de resposta; time response
• Online Access: http://www.teses.usp.br/teses/disponiveis/85/85133/tde-15082011-085540/

Em um reator nuclear PWR a temperatura do refrigerante do circuito primário e a da água de realimentação são medidas usando RTD (Resistance Temperature Detectors), ou termômetros de resistência. Estes RTDs alimentam os sistemas de controle e segurança da usina e devem, portanto, ser muito precisos e ter bom desempenho dinâmico. O tempo de resposta dos RTDs é caracterizado por um parâmetro denominado de Constante de Tempo, definido como sendo o tempo que o sensor leva para atingir 63,2% do seu valor final após sofrer uma variação de temperatura em forma de degrau. Este valor é determinado em laboratório, porém as condições de operação de reatores nucleares são difíceis de ser reproduzidas. O método LCSR (Loop Current Step Response), ou teste de resposta a um degrau de corrente, foi desenvolvido para medir remotamente o tempo de resposta dos RTDs. A partir desse teste, a constante de tempo do sensor é calculada através de uma transformação LCSR que envolve a determinação das constantes modais do modelo de transferência de calor. Este cálculo não é simples e requer pessoal especializado. Por este motivo, utilizou-se a metodologia de Redes Neurais Artificiais para estimar a constante de tempo do RTD a partir do LCSR. Os testes LCSR foram usados como dados de entrada da RNA; os testes de Imersão Rápida foram usados para determinar a constante de tempo dos sensores, sendo estes os valores desejados de saída da rede. Esta metodologia foi aplicada inicialmente a dados teóricos, simulando dez sensores com diferentes valores de constante de tempo, resultando em um erro médio de aproximadamente 0,74 %. Dados experimentais de 3 diferentes RTDs foram usados para estimar a constante de tempo, resultando em um erro máximo de 3,34 %. Os valores de constante de tempo estimados pelas RNAs foram comparados com aqueles obtidos pelo método tradicional, obtendo-se um erro médio de 18 % o que mostra que as RNAs são capazes de estimar a constante de tempo de uma forma precisa. === In a PWR nuclear power plant, the primary coolant temperature and feedwater temperature are measured using RTDs (Resistance Temperature Detectors). These RTDs typically feed the plants control and safety systems and must, therefore, be very accurate and have good dynamic performance. The response time of RTDs is characterized by a single parameter called the Plunge Time Constant defined as the time it takes the sensor output to achieve 63.2 percent of its final value after a step change in temperature. Nuclear reactor service conditions are difficult to reproduce in the laboratory, and an in-situ test method called LCSR (Loop Current Step Response) test was developed to measure remotely the response time of RTDs. From this test, the time constant of the sensor is identified by means of the LCSR transformation that involves the dynamic response modal time constants determination using a nodal heat-transfer model. This calculation is not simple and requires specialized personnel. For this reason an Artificial Neural Network has been developed to predict the time constant of RTD from LCSR test transient. It eliminates the transformations involved in the LCSR application. A series of LCSR tests on RTDs generates the response transients of the sensors, the input data of the networks. Plunge tests are used to determine the time constants of the RTDs, the desired output of the ANN, trained using these sets of input/output data. This methodology was firstly applied to theoretical data simulating 10 RTDs with different time constant values, resulting in an average error of about 0.74 %. Experimental data from three different RTDs was used to predict time constant resulting in a maximum error of 3,34 %. The time constants values predicted from ANN were compared with those obtained from traditional way resulting in an average error of about 18 % and that shows the network is able to predict accurately the sensor time constant.