Banca de DEFESA: RICARDO ANTONIO VILLARROEL GUERRERO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: RICARDO ANTONIO VILLARROEL GUERRERO
DATA : 30/07/2025
HORA: 16:00
LOCAL: Virtual
TÍTULO:

Do Clima ao Physics-Informed Machine Learning: uma abordagem PINN
para industria de processamento de gas natural

PALAVRAS-CHAVES:

Redes Neurais, Redes Neurais Informadas pela Física, Aprendizagem de Máquina Informada pela Física, Séries Temporais, Processamento de Gás Natural, Forno Industrial, Descarbonização

PÁGINAS: 92
RESUMO:

As mudanças climáticas representam um desafio global urgente, impulsionando a indústria de Óleo e Gás a buscar soluções de descarbonização e maior eficiência energética. Este trabalho propõe uma abordagem inovadora para modelar e otimizar a eficiência energética de fornos industriais no setor de processamento de gás natural no Brasil, utilizando Physics-Informed Neural Networks (PINNs). Motivados pelo objetivo de aprimorar a sustentabilidade e reduzir as emissões, desenvolvemos um modelo PINN que integra dados operacionais, de processo e princípios físicos subjacentes. O modelo proposto calcula a eficiência energética por meio de uma rede neural que minimiza uma função de perda multi-domínio, incorporando perdas de eficiência, do sistema de controle e de temperatura, garantindo uma representação física consistente. O algoritmo PINN encontra soluções convertendo o problema de resolver diretamente as equações governantes em um problema de otimização de função de perda. Para investigar a robustez e a capacidade de generalização do modelo, realizamos um plano de experimentos abrangente, analisando o impacto de diferentes hiperparâmetros no modelo neural: taxa de aprendizagem, função de ativação e número de neurônios por camada oculta. Além disso, o trabalho apresenta uma otimização do modelo para identificar os parâmetros operacionais ideais, visando maximizar a eficiência. Esta metodologia representa uma inovação significativa, pois permite capturar o comportamento dinâmico e multifísico do forno industrial, unindo a capacidade de aprendizagem de padrões de dados das redes neurais com a consistência e interpretabilidade dos princípios físicos. Os resultados demonstram o potencial das PINNs em lidar com problemas complexos do mundo real, oferecendo uma ferramenta poderosa para otimizar processos e contribuir para os esforços de descarbonização da indústria.

MEMBROS DA BANCA:
Presidente - 2133999 - TERESA BERNARDA LUDERMIR
Externo à Instituição - JOÃO FAUSTO LORENZATO DE OLIVEIRA - UPE
Externo à Instituição - LUCIANO DEMETRIO SANTOS PACIFICO - UFRPE