Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/34806| Título: | Otimização da frequência do ventilador de um condensador evaporativo utilizando inteligência artificial |
| Título(s) alternativo(s): | Optimizing the fan frequency of an evaporative condenser using artificial intelligence |
| Autor(es): | Silva, Matheus Alvarenga da |
| Orientador(es): | Marchi Neto, Ismael de |
| Palavras-chave: | Aparelhos e materiais elétricos Energia - Consumo Inteligência artificial Análise de regressão Electric apparatus and appliances Energy consumption Artificial intelligence Regression analysis |
| Data do documento: | 16-Ago-2024 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Londrina |
| Citação: | SILVA, Matheus Alvarenga da. Otimização da frequência do ventilador de um condensador evaporativo utilizando inteligência artificial. 2024. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Mecânica) - Universidade Tecnológica Federal do Paraná, Londrina, 2024. |
| Resumo: | O presente trabalho aborda a temática da redução do consumo de energia elétrica no setor industrial, que representa uma parcela significativa do consumo total no Brasil. Esse é um fator crucial para a competitividade e sustentabilidade das empresas. Além disso, focaliza a otimização do desempenho de condensadores evaporativos, equipamentos de refrigeração amplamente utilizados neste setor. O objetivo principal é conduzir uma análise térmica detalhada desses condensadores, levando em consideração as condições ambientais, como temperatura e umidade, com o intuito de determinar a frequência ideal de operação do sistema de exaustão. A metodologia emprega princípios de psicrometria e equacionamentos realizados no software Engineering Equation Solver (EES) para o cálculo dessa frequência. Adicionalmente, propõe-se a aplicação de modelos de aprendizado de máquina (Machine Learning), incluindo Floresta Aleatória (Random Forest), Redes Neurais Artificiais e Regressão por Vetor Suporte (SVR), visando a previsão da frequência dos ventiladores em resposta às variações das condições ambientais. Com a análise dos modelos de aprendizado de máquina, verificou-se que a Rede Neural apresentou os melhores valores nas métricas de avaliação, sendo R², MSE e MAE, destacando-se o conjunto de 33.000 dados, cuja otimização foi máxima. Além disso, constatou-se a influência significativa da umidade relativa sobre a frequência predita, evidenciando uma relação direta entre esses parâmetros. Por fim, ao determinar a frequência ideal do sistema de exaustão, obteve-se uma redução de 43% dos custos relacionados à potência do equipamento, variando até 46% quando calculado com base na frequência predita pelos modelos de aprendizado de máquina. |
| Abstract: | The present work addresses the theme of reducing electricity consumption in the industrial sector, which represents a significant portion of the total consumption in Brazil. This is a crucial factor for the competitiveness and sustainability of companies. Furthermore, it focuses on optimizing the performance of evaporative condensers, widely used refrigeration equipment in this sector. The main objective is to conduct a detailed thermal analysis of these condensers, taking into account environmental conditions such as temperature and humidity, in order to determine the ideal operating frequency of the exhaust system. The methodology employs principles of psychrometrics and equations carried out in the Engineering Equation Solver (EES) software to calculate this frequency. Additionally, the application of machine learning models, including Random Forest, Artificial Neural Networks, and Support Vector Regression (SVR), is proposed to predict the frequency of the fans in response to changes in environmental conditions. The analysis of the machine learning models showed that the Neural Network had the best values in the evaluation metrics, R², MSE and MAE, with the 33,000 data set standing out for its maximum optimization. In addition, there was a significant influence of relative humidity on the predicted frequency, showing a direct relationship between these parameters. Finally, determining the ideal frequency of the exhaust system resulted in a 43% reduction in costs related to the power of the equipment, varying by up to 46% when calculated based on the frequency predicted by the machine learning models. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/34806 |
| Aparece nas coleções: | LD - Engenharia Mecânica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| otimizacaofrequenciacondensadorevaporativo.pdf | 1,07 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
