Previsão da vazão mássica em uma máquina frigorífica utilizando redes neurais artificiais
Carregando...
Arquivos
Data
Autor(es)
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Minas Gerais
Descrição
Tipo
Dissertação de mestrado
Título alternativo
Mass flow prediction in a refrigeration machine using artificial neural networks
Primeiro orientador
Membros da banca
Tiago de Freitas Paulino
Ricardo Poley Martins Ferreira
Ricardo Poley Martins Ferreira
Resumo
A medição da vazão mássica em sistemas de refrigeração com medidores de vazão pode ter custo elevado quando se leva em consideração o valor do próprio equipamento e dos custos relacionados à instalação e manutenção. Um modelo baseado em Redes Neurais Artificiais (RNAs) pode ser utilizado para prever o valor da vazão mássica, a baixo custo, através de parâmetros facilmente observáveis e medidos, como temperaturas. Além disso, correlações bem conhecidas para calcular parâmetros que influenciam diretamente na vazão mássica podem ser usadas para se estimar o valor de alguns dos dados de entrada para a RNA melhorar sua precisão. Dentro deste contexto, o presente estudo tem como objetivo desenvolver um modelo Multilayer Perceptrons (MLP) para prever a vazão mássica de um sistema de refrigeração. Posteriormente é apresentado um medidor de vazão mássica alternativo, utilizando um modelo RNA programado em um circuito microcontrolado com apenas três temperaturas como entradas, desenvolvido e testado no software Proteus. Para desenvolver o modelo de RNA, os dados experimentais foram coletados em uma máquina de refrigeração em diversos pontos de operação. Distúrbios de degrau foram introduzidos na vazão mássica para produzir dados em regime transiente. Dois conjuntos de dados diferentes foram considerados no processo de treinamento. O primeiro conjunto de dados continha apenas dados de regime permanente e no segundo conjunto de dados havia dados de regime permanente mais dados transientes. Na validação do modelo, a vazão mássica estimada através da RNA apresentou erro médio de 0,79% ao considerar os dados permanentes e transientes no processo de treinamento, e 0,81 % ao considerar apenas os dados permanentes no procedimento de treinamento. Em ambos os casos, o erro médio ficou abaixo da incerteza do medidor de vazão utilizado.
Abstract
Measuring mass flow rate in refrigeration systems with flow meters can be expensive when taking into account the cost of the equipment itself and the costs related to installation and maintenance. A model based on Artificial Neural Networks (ANNs) can be used to predict the value of the mass flow, at low cost, through easily observed and measured parameters, like temperatures. Additionally, well-known correlations to calculate parameters that directly influence the mass flow rate can be used as input data for the ANN to improve its accuracy. Within this context, the present study aims to develop a Multilayer Perceptrons (MLP) model to predict the mass flow rate of a refrigeration systems. Later, it is presented an alternative mass flow rate meter, using an ANN model programmed in a microcontrolled circuit with only three temperatures as inputs, that was developed and tests using the software Proteus. To develop the ANN model, experimental data were collected in a refrigeration machine in several operating points. Step disturbances were introduced in the mass flow rate to produce transient data. Two different data set were considered in the training process. The first data set contained only steady-state data and in the second data set there were steady-state plus transient data. The mass flow rate estimated through the ANN presented an average error of 0.79 % when considering steady-state and transient data in the training process, and 0.81 % when considering only steadystate data in the training procedure. In both cases, the average error was smaller than the mass flow meter uncertainty.
Assunto
Engenharia mecânica, Redes Neurais (Computação), Máquinas térmicas
Palavras-chave
Previsão da vazão mássica, Máquinas frigoríficas, Redes neurais artificiais