Mostrar el registro sencillo del ítem
Utilização de aprendizado supervisionado na predição da demanda de energia no processo de produção de cumeno
dc.contributor.author | Vieira, Mateus Vitor | |
dc.date.accessioned | 2021-07-19T23:03:02Z | |
dc.date.available | 2021-07-19T23:03:02Z | |
dc.date.issued | 2021-06-29 | |
dc.identifier.citation | VIEIRA, Mateus Vitor. Utilização de aprendizado supervisionado na predição da demanda de energia no processo de produção de cumeno. 2021. Trabalho de Conclusão de Curso (Graduação em Engenharia Química) – Universidade Federal de São Carlos, São Carlos, 2021. Disponível em: https://repositorio.ufscar.br/handle/ufscar/14630. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/14630 | |
dc.description.abstract | Data Science is a field of knowledge very requested nowadays, specially for digital and technology industries. Despite the increasing investment in this area, also by chemical industries, some elements of data science, such as Artificial Intelligence and machine learning have been used by these industries since 1980s, with artifical neuralnetworks (ANN) being the most used type of algorithms. ANN are great at solving complex non-linear problems but this type of algorithms have some disadvantages such as poor comprehensibility and high hardware dependence. Therefore, this study is about the use of three supervised learning models (linear regression, decision tree and random forest) of high comprehensibility and low hardware dependence for the prediction of total energy and specific energy (energy per mass of cumene) of a cumene producing plant by benzene with propene alkylation. The features are molar flow of propene, molar flow of benzene, temperature and pressure. Data were generated by simulations in Aspen Plus® software, treated and modeled using Python and MS Excel. The models were better at prediction of total energy than specific energy. Even with all the complexity of a chemical process, the models were able to predict the energy required with approximately ±10% errors. | eng |
dc.description.sponsorship | Não recebi financiamento | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Cumeno | por |
dc.subject | Machine learning | por |
dc.subject | Cumene | por |
dc.subject | Energia | por |
dc.subject | Aprendizado supervisionado | por |
dc.subject | Regressão linear | por |
dc.subject | Árvore de decisão | por |
dc.subject | Floresta aleatória | por |
dc.subject | Data science | eng |
dc.subject | Energy | eng |
dc.subject | Supervised learning | eng |
dc.subject | Linear regression | eng |
dc.subject | Decision tree. | eng |
dc.subject | Random forest | eng |
dc.title | Utilização de aprendizado supervisionado na predição da demanda de energia no processo de produção de cumeno | por |
dc.title.alternative | Using supervised learning to predict the energy demand in the cumene production process | eng |
dc.type | TCC | por |
dc.contributor.advisor1 | Lima, Alice Medeiros de | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/0038936541518854 | por |
dc.description.resumo | Ciência de dados (Data Science) é uma área do conhecimento muito requisitada atualmente, sobretudo nas empresas digitais e de tecnologia. Apesar do aumento de investimento nessa área também por parte de indústrias químicas, alguns elementos da ciência de dados, como inteligência artificial e machine learning são utilizados nessa indústria desde os anos 80, sendo as redes neurais artificiais (ANN) os tipos de algoritmos mais usados. Estes algoritmos, apesar na capacidade de resolver problemas não lineares complexos, apresentam algumas desvantagens como baixa compreensibilidade e alta dependência de hardwares. Sendo assim, este trabalho trata-se da criação e da validação de três modelos de aprendizado supervisionado (regressão linear múltipla, árvore de decisão e floresta aleatória) de alta compreensibilidade e baixa dependência de hardwares para a previsão da energia total e da energia específica (energia por massa de cumeno produzido) de uma planta produtora de cumeno através alquilação do benzeno com propeno. As variáveis de entrada dos modelos foram vazão molar de propileno, vazão molar de benzeno, temperatura e pressão do processo. Os dados foram gerados por meio de simulações no software Aspen Plus® e posteriormente tratados e modelados utilizando o Pyhton e MS Excel. Os modelos conseguiram prever melhor a energia total da planta do que a energia específica. Em relação à energia total da planta, mesmo com toda a complexidade de um processo químico, os modelos conseguiram prever a energia requerida com erros de aproximadamente ±10%. | por |
dc.publisher.initials | UFSCar | por |
dc.subject.cnpq | ENGENHARIAS::ENGENHARIA QUIMICA | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/7985027302936043 | por |
dc.publisher.course | Engenharia Química - EQ | por |