Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.228
Aluno: Ricardo Antonio Villarroel Guerrero
Orientadora: Profa. Teresa Bernarda Ludermir
Título: Do Clima ao Physics-Informed Machine Learning: uma abordagem PINN para indústria de processamento de gás natural
Data: 30/07/2025
Hora/Local: 16h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Profa. Teresa Bernarda Ludermir (UFPE / CIn)
Prof. João Fausto Lorenzato de Oliveira (UPE / Escola Politécnica de Pernambuco)
Prof. Luciano Demetrio Santos Pacifico (UFRPE/Departamento de Computação)
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.
Palavras-chave: Redes Neurais, Redes Neurais Informadas pela Física, Aprendizagem de Máquina Informada pela Física, Séries Temporais, Processamento de Gás Natural, Forno Industrial, Descarbonização
Comentários desativados