Desenvolvimento de um modelo fuzzy e algoritmos de aprendizado para sequência de partida de plantas industriais / Development of a fuzzy model and learning algorithms for industrial plant sequence

André da Silva Barcelos, Fábio Muniz Mazzoni

Resumo


Neste trabalho é desenvolvido um modelo fuzzy-analítico que descreve o comportamento de quatro unidades de processamento de gás natural, localizadas em um parque industrial e que podem operar em paralelo de acordo com a demanda energética nacional. A sequência de partida de unidades de processamento é um problema de decisão estratégica, que consiste em determinar qual das unidades tem prioridade para processar gás natural sob o viés da viabilidade econômica e operacional. Assim, utiliza-se de algoritmos de aprendizado de màquinas, com intuito de determinar a melhor sequência através de um modelo multivariável. A implementação desta proposta acarretou em uma estimativa de redução de desperdícios na produção na ordem de 16% ao mês.


Palavras-chave


Gás natural; Aprendizagem de máquinas; Fuzzy; Tomada de decisão inteligente

Texto completo:

PDF

Referências


BEHBAHANI, R.M., JAZAYERI-RAD, H., HAJMIRZAEE, S. Fault detection and diagnosis in a sour gas absorption column using neural networks. Chemical engineering & technology, (2009).

BEHZADIAN, M., et al. A state-of the-art survey of topsis applications. Expert Systems with applications, (2012).

CRISTIANINI, N., SHAWE-TAYLOR, J. An introduc- tion to support vector machines and other kernel-based learning methods. Cambridge university press, (2000).

DIETTERICH, T.G. Ensemble methods in machine le- arning. In International workshop on multiple classifier systems, 1–15. Springer, (2000).

GHOLIAN, A., et al,. Optimal industrial load control in smart grid: A case study for oil refineries. IEEE Power & Energy Society General Meeting, 1–5. IEEE, (2013)..

HOSMER Jr, D.W., LEMESHOW, S., STURDIVANT, R.X. Applied logistic regression, volume 398. John Wiley & Sons, (2013).

HWANG, C.L.,YOON, K. Methods for multiple attribute decision making. In Multiple attribute decision making, 58–191. Springer, (1981).

JOSHI, D. and KUMAR, S. Intuitionistic fuzzy entropy and distance measure based topsis method for multi-criteria decision making. Egyptian informatics journal, (2014).

KIDNAY, A.J., PARRISH, W.R., MCCARTNEY, D.G. Fundamentals of natural gas processing. CRC press, (2011).

MENAR, S. Applied logistic regression analysis, volume 106. Sage, (2002).

MOKHATA, S., POE, W.A. Handbook of natu- ral gas transmission and processing. Gulf professional publishing, (2012).

ORMOS, M. and ZIBRICZKY, D. Entropy-based financial asset pricing. PloS one, (2014).

PERLOTTI, E.A., SANTOS, E.M.d., and COSTA, H.C.d.M. Concentra¸c˜ao espacial da indu´stria de s˜ao paulo: evidˆencias sobre o papel da disponibilidade de g´as na- tural. Estudos avan¸cados, (2016).

S¸ENG U¨ L, U¨ ., et al. Fuzzy topsis method for ranking renewable energy supply systems in turkey. Renewable Energy, (2015).

SMOLA, A.J., SCHOLKOPF, B. A tutorial on support vector regression. Statistics and computing, (2004)

WITTEN, I.H., FRANK, E., HALL, M.A., PAL, C.J. Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann. (2016).

YEGNANARAYANA, B. Artificial neural networks. PHI Learning Pvt. Ltd. (2009).

YENTE, J.M., et al. The appropriate use of approximate entropy and sample entropy with short data sets. Annals of biomedical engineering, (2013)

ZAVADSKAS, E.K.,PODVEZKO, V. Integrated determination of objective criteria weights in mcdm. International Journal of Information Technology & De- cision Making, (2016).




DOI: https://doi.org/10.34115/basrv4n3-015

Apontamentos

  • Não há apontamentos.