Modelagem neural da resistência elétrica dos fornos de redução do alumínio
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...
| Autor principal: | CONTE, Thiago Nicolau Magalhães de Souza |
|---|---|
| Grau: | Dissertação |
| Idioma: | por |
| Publicado em: |
Universidade Federal do Pará
2017
|
| Assuntos: | |
| Acesso em linha: |
http://repositorio.ufpa.br/jspui/handle/2011/8042 |
| id |
ir-2011-8042 |
|---|---|
| recordtype |
dspace |
| spelling |
ir-2011-80422025-02-19T15:18:10Z Modelagem neural da resistência elétrica dos fornos de redução do alumínio CONTE, Thiago Nicolau Magalhães de Souza OLIVEIRA, Roberto Célio Limão de http://lattes.cnpq.br/4497607460894318 Inteligência computacional Redução de alumínio Redes neurais artificiais Indústria do alumínio Modelagem dinâmica Redes neurais recorrentes Aluminum reduction Industry Dynamic modeling Computational intelligence Artificial neural networks Recurrent neural networks CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO::ARQUITETURA DE SISTEMAS DE COMPUTACAO 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. 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. 2017-03-28T17:12:44Z 2017-03-28T17:12:44Z 2015-10-16 Dissertação CONTE, Thiago Nicolau Magalhães de Souza. Modelagem neural da resistência elétrica dos fornos de redução do alumínio.Orientador: Roberto Célio Limão de Oliveira. 2015. 57 f. Dissertação (Mestrado em Engenharia Elétrica. ) - Instituto de Tecnologia, Universidade Federal do Pará, Belém. 2015. Disponível em: http://repositorio.ufpa.br/jspui/handle/2011/8042. Acesso em:. http://repositorio.ufpa.br/jspui/handle/2011/8042 por Acesso Aberto application/pdf Universidade Federal do Pará Brasil Instituto de Tecnologia UFPA Programa de Pós-Graduação em Engenharia Elétrica |
| institution |
Repositório Institucional - Universidade Federal do Pará |
| collection |
RI-UFPA |
| language |
por |
| topic |
Inteligência computacional Redução de alumínio Redes neurais artificiais Indústria do alumínio Modelagem dinâmica Redes neurais recorrentes Aluminum reduction Industry Dynamic modeling Computational intelligence Artificial neural networks Recurrent neural networks CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO::ARQUITETURA DE SISTEMAS DE COMPUTACAO |
| spellingShingle |
Inteligência computacional Redução de alumínio Redes neurais artificiais Indústria do alumínio Modelagem dinâmica Redes neurais recorrentes Aluminum reduction Industry Dynamic modeling Computational intelligence Artificial neural networks Recurrent neural networks CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO::ARQUITETURA DE SISTEMAS DE COMPUTACAO CONTE, Thiago Nicolau Magalhães de Souza Modelagem neural da resistência elétrica dos fornos de redução do alumínio |
| topic_facet |
Inteligência computacional Redução de alumínio Redes neurais artificiais Indústria do alumínio Modelagem dinâmica Redes neurais recorrentes Aluminum reduction Industry Dynamic modeling Computational intelligence Artificial neural networks Recurrent neural networks CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO::ARQUITETURA DE SISTEMAS DE COMPUTACAO |
| description |
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. |
| author_additional |
OLIVEIRA, Roberto Célio Limão de |
| author_additionalStr |
OLIVEIRA, Roberto Célio Limão de |
| format |
Dissertação |
| author |
CONTE, Thiago Nicolau Magalhães de Souza |
| title |
Modelagem neural da resistência elétrica dos fornos de redução do alumínio |
| title_short |
Modelagem neural da resistência elétrica dos fornos de redução do alumínio |
| title_full |
Modelagem neural da resistência elétrica dos fornos de redução do alumínio |
| title_fullStr |
Modelagem neural da resistência elétrica dos fornos de redução do alumínio |
| title_full_unstemmed |
Modelagem neural da resistência elétrica dos fornos de redução do alumínio |
| title_sort |
modelagem neural da resistência elétrica dos fornos de redução do alumínio |
| publisher |
Universidade Federal do Pará |
| publishDate |
2017 |
| url |
http://repositorio.ufpa.br/jspui/handle/2011/8042 |
| _version_ |
1829089508356784128 |
| score |
11.753735 |