Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/40939| Título: | Predição de comportamento de coluna de destilação via redes neurais artificiais |
| Título(s) alternativo(s): | Prediction of distillation column behavior via artificial neural networks |
| Autor(es): | Azevedo, Caio Machado de Mendonça Dias, Ramon Jesse Santos |
| Orientador(es): | Matos, Everton Moraes |
| Palavras-chave: | Redes neurais (Computação) Destilação Simulação (Computadores digitais) Neural networks (Computer science) Distillation Digital computer simulation |
| Data do documento: | 23-Fev-2026 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Ponta Grossa |
| Citação: | AZEVEDO, Caio Machado de Mendonça; DIAS, Ramon Jesse Santos. Predição de comportamento de coluna de destilação via redes neurais artificiais. 2026. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Química) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2026. |
| Resumo: | O presente trabalho apresenta a aplicação de Redes Neurais Artificiais (RNAs) para a predição da fração molar de topo em sistemas binários de etanol-água, operando em colunas de destilação fracionada. Através de simulações rigorosas no software Aspen Plus [marca registrada], foi estruturado um banco de dados abrangente contemplando variações térmicas, razões de refluxo e configurações de estágios. A arquitetura de Redes Perceptron Multicamadas (MLP) foi otimizada via framework Optuna para o ajuste de hiperparâmetros, garantindo convergência estatística com coeficiente de determinação (𝑅 2 ) de 0,998 e erro quadrático médio na ordem de 10−5. Os resultados evidenciaram a superioridade das RNAs em capturar as não linearidades do processo face aos modelos clássicos de Fenske-Underwood-Gilliland (FUG) e regressão linear. Adicionalmente, o modelo demonstrou elevada robustez e resiliência sob condições de ruído instrumental de até 5%. Conclui-se que o desenvolvimento deste soft-sensor oferece uma alternativa computacionalmente eficiente e de alta fidelidade para o monitoramento e otimização de processos na indústria química. |
| Abstract: | This study explores the application of Artificial Neural Networks (ANNs) for predicting the top molar fraction in ethanol-water binary systems within fractional distillation columns. Utilizing data generated through rigorous Aspen Plus [trade mark] simulations, a comprehensive database was developed, incorporating variations in temperature, reflux ratios, and stage configurations. A Multilayer Perceptron (MLP) architecture was optimized using the Optuna framework for hyperparameter tuning, achieving high statistical convergence with a coefficient of determination (𝑅 2 ) of 0.998 and mean squared error in the order of 10−5. The findings demonstrate the superior ability of ANNs to capture process non-linearities compared to classical methods, such as the Fenske-Underwood-Gilliland (FUG) correlation and linear regression. Furthermore, the model exhibited high robustness and resilience under instrumental noise levels of up to 5%. The study concludes that the development of this soft-sensor provides a computationally efficient and high-fidelity alternative for real-time monitoring and process optimization in the chemical industry. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/40939 |
| Aparece nas coleções: | PG - Engenharia Química |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| redesneuraiscolunadestilacao.pdf | 3,37 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
