Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/34632
Título: | O uso do aprendizado de máquina no monitoramento de incrustações em trocadores de calor: uma revisão sistemática da literatura |
Título(s) alternativo(s): | The use of machine learning in fouling monitoring in heat exchangers: a systematic review of the literature |
Autor(es): | Villa, Lucas |
Orientador(es): | Brusamarello, Claiton Zanini |
Palavras-chave: | Permutadores térmicos Aprendizado do computador Algoritmos Incrustações Heat exchangers Machine learning Algorithms Incrustations |
Data do documento: | 6-Dez-2023 |
Editor: | Universidade Tecnológica Federal do Paraná |
Câmpus: | Francisco Beltrao |
Citação: | VILLA, Lucas. O uso do aprendizado de máquina no monitoramento de incrustações em trocadores de calor: uma revisão sistemática da literatura. 2023. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Química) - Universidade Tecnológica Federal do Paraná, Francisco Beltrão, 2023. |
Resumo: | A pesquisa teve como objetivo descobrir quais são os principais métodos de aprendizado de máquina utilizados para a fiscalização de incrustações em trocadores de calor, por meio de uma revisão sistemática. Além disso, buscou-se analisar os desafios relacionados ao uso desses algoritmos nessa inspeção, e foram também examinadas as perspectivas futuras para essa área de pesquisa. O estudo fundamentou-se no uso do software StArt para auxiliar na elaboração do protocolo da revisão. Como proposta de protocolo, foram empregadas quatro bases de dados - SCOPUS, Science Direct, IEEE e Web of Science - para a busca de artigos. Dessa maneira, foram obtidos sete artigos relevantes, seguindo o protocolo estabelecido. Entre os métodos mais comuns para o monitoramento das incrustações, destacam-se o SVM e k-NN, seguidos pela árvore de decisão. Os algoritmos LSTM e NARX, juntamente com os preditores de longo e curto prazo, sobressaíram-se como os mais bem-sucedidos, seguidos pelos algoritmos GPR, SVM, k-NN e IGWO-SVR. Entretanto, os estudos avaliados ainda se encontram em fase de teste e não foram aplicados em trocadores de calor reais. Portanto, num futuro próximo, espera-se que haja investimentos nessa área, possibilitando a efetiva implementação prática desses algoritmos. |
Abstract: | The research aimed to discover the main machine learning methods used to inspect fouling in heat exchangers, through a systematic review. Furthermore, we sought to analyze the challenges related to the use of these algorithms in this inspection, and future perspectives for this area of research were also examined. The study was based on the use of StArt software to assist in the preparation of the review protocol. As a protocol proposal, four databases were used - SCOPUS, Science Direct, IEEE and Web of Science - to search for articles. In this way, seven relevant articles were obtained, following the established protocol. Among the most common methods for monitoring fouling, SVM and k-NN stand out, followed by the decision tree. The LSTM and NARX algorithms, along with the long and short-term predictors, stood out as the most successful, followed by the GPR, SVM, k-NN and IGWO-SVR algorithms. However, the studies evaluated are still in the testing phase and have not been applied to real heat exchangers. Therefore, in the near future, it is expected that there will be investments in this area, enabling the effective practical implementation of these algorithms. |
URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/34632 |
Aparece nas coleções: | FB - Engenharia Química |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
aprendizadomaquinaincrustacoestrocadores.pdf | 791,78 kB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons