Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/26930| Título: | Algoritmo genético de codificação real aplicado à otimização termoeconômica |
| Autor(es): | Prado, Guilherme de Paula |
| Orientador(es): | Galante, Renan Manozzo |
| Palavras-chave: | Termodinâmica Algorítmos genéticos Engenharia mecânica Thermodynamics Genetic algorithms Mechanical engineering |
| Data do documento: | 7-Dez-2021 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Guarapuava |
| Citação: | Prado, Guilherme de Paula. Algoritmo genético de codificação real aplicado à otimização termoeconômica. 2021. 100 f. Trabalho de Conclusão de Curso (Graduação) – Universidade Tecnológica Federal do Paraná, Guarapuava, 2021. |
| Resumo: | Este trabalho propôs a utilização de um Algoritmo Genético de Codificação Real (RCGA – do inglês Real-Coded Genetic Algorithm) em substituição à análise exergoeconômica clássica, na otimização de um sistema térmico de geração de energia por incineração de resíduos sólidos. A otimização é realizada utilizando como função objetivo o período de payback, isto é, o período de tempo de recuperação do capital investido. O RCGA baseia-se na teoria da seleção natural, e busca soluções que minimizam o período de payback a partir de soluções candidatas iniciais, geradas aleatoriamente, que são melhoradas ao longo de iterações, chamadas gerações, por meio de operadores que simulam reprodução, mutação e seleção, conforme observado na natureza. O sistema é modelado com base nas 1a e 2a lei da termodinâmica, sendo implementado na linguagem Python. Partindo de um caso padrão com resíduo sólido urbano (RSU) sem custo e 3,89 anos de payback, a otimização pelo RCGA resultou em uma redução de 32,90%, chegando em 2,61 anos. Nesse cenário, quando comparado ao caso ótimo encontrado pela análise exergoeconômica clássica, com 3,06 anos de payback, a redução é de 14,71%. Os resultados da otimização via RCGA apontam para a redução da eficiência exergética de alguns equipamentos para a otimização de todo o sistema. Alguns trocadores de calor tiveram suas áreas de troca térmica reduzidas no caso ótimo. A otimização se dá pelo incremento de 57,60% no fluxo de caixa (R$/h) e de 5,75% de aumento no capital total investido (R$). A vazão mássica de resíduo sólido queimado do incinerador (m˙ RSU ) é aumentada em 33,33%, passando de 525 kg/h no caso padrão para 700 kg/h no caso ótimo. |
| Abstract: | This work proposed the use of a Real-Coded Genetic Algorithm (RCGA) in classical exer- goeconomic analysis substitution on optimization of a thermal power generation system by solid waste incineration. The optimization is performed by using payback as objective fun- cion. The RCGA is based on natural selection theory and looks for optimal solutions from randomly generated initial solutions that are improved along iterations called generations, by operators that simulates crossover, mutation and selection as observed in nature. The system is modelled based on 1st and 2nd laws of thermodynamics with implementation in Python. From a standard case with municipal solid waste (MSW) with no costs and 3.89 years of paybak, optimization by RCGA leads to a 32,90% reduction, reaching 2.61 years. In this scenario, when compared with the optimal case by classical exergy analysis, with 3.06 years of payback, the reduction is of 14.71%. The otpimization with RCGA results show that the exergetic efficiency of some equipments is decreased. Some heat exchangers had their thermal exchange areas reduced in the optimal case. Optimization takes place by the 57,60% cash flow increase (BRL/h) and 5,57% increase in total capital investment cost (BRL). The solid waste flow (m˙MSW ) increase from 525 kg/h to 700kg/h in optimal case. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/26930 |
| Aparece nas coleções: | GP - Engenharia Mecânica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| otimizacaoalgoritmogeneticoexergia.pdf | 8,08 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
