Aplicação de rede neural LSTM para localização de fontes de vazamento de gás utilizando fluidodinâmica computacional tridimensional

Autor: Selvaggio, André Zamith, 1986
Přispěvatelé: Vianna, Sávio Souza Venâncio, 1975, Vasconcelos da Silva, Flávio, 1975, Vaz Junior, Carlos André, Castilho, Guilherme José de, Universidade Estadual de Campinas. Faculdade de Engenharia Química, Programa de Pós-Graduação em Engenharia Química, UNIVERSIDADE ESTADUAL DE CAMPINAS
Rok vydání: 2022
Předmět:
Zdroj: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
Popis: Orientadores: Sávio Souza Venâncio Vianna, Flávio Vasconcelos da Silva Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Química Resumo: Vazamentos acidentais de gases inflamáveis representam uma grande preocupação em indústrias químicas devido às potenciais perdas humanas e econômicas. A imediata identificação de cenários de vazamentos favorece a manutenção corretiva evitando o efeito dominó. Neste trabalho, redes neurais recorrentes de memória de longo prazo foram treinadas e testadas para fonte de vazamento de metano em um módulo de processo químico. Exploraram-se os benefícios de variar o comprimento temporal das variáveis de entrada, e os conjuntos de dados foram obtidos empregando simulações tridimensionais por fluidodinâmica computacional. Consideraram-se quatro locais de vazamento, quatro velocidades de vento e oito direções de vento, além do cenário de não vazamento para as mesmas velocidades e direções do vento. Os modelos foram treinados usando diferentes valores de passos de tempo para avaliar a precisão da previsão para dados não vistos. Os resultados mostraram melhora progressiva do desempenho dos modelos com maiores valores de passos de tempo, e boa generalização com acurácia do teste acima de 95,3%, indicando a capacidade do modelo em prever corretamente a fonte de vazamento utilizando variáveis facilmente monitoráveis Abstract: Accidental leaks of flammable gases represent a major concern in chemical industries due to potential human and economic losses. The immediate identification of leak scenarios favours corrective maintenance, avoiding the domino effect. In this work, long short-term memory recurrent neural networks were trained and tested to methane leakage source in a chemical process module. The benefits of varying the temporal length of the input variables were explored, and the data sets were obtained using three-dimensional computational fluid dynamics simulations. Four leak locations, four wind speeds and eight wind directions were considered, in addition to the non-leakage scenario for the same wind speeds and directions. Models were trained using different values of timesteps to assess prediction accuracy for unseen data. The results showed a progressive improvement in the performance of models with higher values of timesteps, and good generalization with test accuracy above 95.3%, indicating the model's ability to correctly predict the source of leakage using easily monitored variables Mestrado Engenharia Química Mestre em Engenharia Química CNPQ 130523/2020-8
Databáze: OpenAIRE
Externí odkaz: