Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/6874
Registro completo de metadados
Campo Dublin CoreValorIdioma
dc.contributor.advisorLeite, Sarah Negreiros de Carvalhopt_BR
dc.contributor.authorCosta, Daniel Silva da-
dc.date.accessioned2024-08-09T17:34:54Z-
dc.date.available2024-08-09T17:34:54Z-
dc.date.issued2024pt_BR
dc.identifier.citationCOSTA, Daniel Silva da. Predição da eficiência de geração de vapor em caldeiras de recuperação química. 2024. 46 f. Monografia (Especialização em Ciências de Dados) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2024.pt_BR
dc.identifier.urihttp://www.monografias.ufop.br/handle/35400000/6874-
dc.description.abstractO aumento da geração de energia a partir de fontes renováveis permite a redução das emissões de gases de efeito estufa e o custo de produção. Dentro do contexto das fábricas de celulose Kraft, as caldeiras de recuperação química são os equipamentos responsáveis por realizar simultaneamente o reaproveitamento dos produtos químicos presentes no licor preto, resíduo gerado no cozimento da madeira, e gerar vapor a partir da oxidação da fração orgânica presente nesse licor. O presente trabalho buscou através da aplicação da técnica de redes neurais artificiais correlacionar as variáveis operacionais de uma caldeira de recuperação química e do processo de cozimento, a fim de predizer a geração específica de vapor tv/tss (tonelada de vapor produzido por tonelada de sólidos secos). Após a etapa de tratamento de dados, foi realizada uma modelagem utilizando uma rede neural MLP (MultiLayer Perceptron) com diferentes configurações de variáveis de entrada e números de neurônios. O modelo elaborado usando todas as 126 variáveis levantadas no processo apresentou uma complexidade superior, mas foi capaz de fornecer o menor erro absoluto médio ou mean absolute error (MAE) na predição de 0,0134 tv/tss, sendo a correlação entre o valor real e o valor predito de 95,4%. No modelo mais simples testado, empregando as 39 variáveis que possuíam o maior coeficiente de correlação, foi possível predizer o a geração de vapor com MAE de 0,0240 tv/tss e índice de correlação entre o valor real e o valor predito de 87,4%, que representa um resultado dentro da margem de erro aceitável para o processo estudado.pt_BR
dc.language.isopt_BRpt_BR
dc.subjectCaldeiras - caldeira de recuperação Kraftpt_BR
dc.subjectCaldeiras a vaporpt_BR
dc.subjectRedes neurais - computaçãopt_BR
dc.titlePredição da eficiência de geração de vapor em caldeiras de recuperação química.pt_BR
dc.typeTCC-Especializaçãopt_BR
dc.rights.licenseEste trabalho está sob uma licença Creative Commons BY-NC-ND 4.0 (https://creativecommons.org/licenses/by-nc-nd/4.0/?ref=chooser-v1).pt_BR
dc.contributor.refereeOliveira, Fernando Bernardes dept_BR
dc.contributor.refereeAlmeida, Gustavo Matheus dept_BR
dc.contributor.refereeCorreia, Flávio Marcelopt_BR
dc.contributor.refereeLeite, Sarah Negreiros de Carvalhopt_BR
dc.description.abstractenThe energy generation increase from renewable sources is a present society objetive, whether motivated by reducing greenhouse gas emissions or by reducing the cost of production. Within the context of Kraft cellulose mills, chemical recovery boilers are the equipment responsible for simultaneously reusing the chemicals present in black liquor, a residue generated when cooking wood, and generating steam from the oxidation of the organic fraction present in this liquor. The present study aimed to, through the application of the artificial neural network technique, to correlate the operational variables of a chemical recovery boiler and the cooking process in order to predict the specific generation of steam ts/dst (steam tons produced per dry solids tons). After the data processing stage, modeling was carried out using an MLP (Multi Layer Perceptron) neural network with different amounts of input variables and numbers of neurons. The model that used the 126 variables was more complex than previous models, but we obtained greater accuracy, with an MAE (mean absolute error) of 0,0134 ts/dst and the correlation between the real value and the predicted value was 95,4% . The model that used the 39 variables that had the highest correlation coefficient reached an MAE of 0,0240 ts/dst and the correlation between the real value and the predicted value was 87,2% that represents a result within the acceptable margin of error for the process studied.pt_BR
dc.contributor.authorID2021.10807pt_BR
Aparece nas coleções:Especialização - Ciência dos Dados

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_PrediçãoEficiênciaGeração.pdf4,37 MBAdobe PDFVisualizar/Abrir


Os itens na BDTCC estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.