A Estimação da Produtividade e do Índice de Polidispersão em um Retor Contínuo de Polimerização em estado Estacionário através de Redes Neurais MLP

UNIVERSIDADE FEDERAL DO RIO DE JANEIRO

ESCOLA DE QUÍMICA

PROGRAMA DE PÓS-GRADUAÇÃO EM TECNOLOGIA DE PROCESSOS QUÍMICOS E BIOQUÍMICOS

EQE717 – Redes Neurais

TRABALHO FINAL

Estimação da Produtividade e do Índice de Polidispersão em um Retor Contínuo de Polimerização em estado Estacionário através de Redes Neurais MLP

PROF. MAURÍCIO BEZERRA

Aluno: Ivan Delduga

Rio de Janeiro, 2021

UNIVERSIDADE FEDERAL DO RIO DE JANEIRO

ESCOLA DE QUÍMICA

PROGRAMA DE PÓS-GRADUAÇÃO EM

Tecnologia de Processos Químicos e Bioquímicos

Estimação da Produtividade e do Índice de Polidispersão em um Retor Contínuo de Polimerização em estado Estacionário através de Redes Neurais MLP

Rio de Janeiro, 2021

INTRODUÇÃO .......................................................................................................... 4

Contextualização: Motivação para o trabalho ................................................. 5

Escopo do Trabalho ........................................................................................ 7

1. REVISÃO DA LITERATURA ............................................................................... 8

1. Reator de Poliestireno .................................................................................. 8
2. Modelagem da Reação de Polimerização do Estireno ................................. 9
3. Parâmetros do Processo ............................................................................. 13
4. Redes Neurais ............................................................................................. 15

1. METODOLOGIA .................................................................................................. 20

1. Utilização do Modelo..................................................................................... 21
2. Geração de Dados para a Rede ................................................................... 22
3. Testes de Sensibilidade ................................................................................ 23
4. Desenvolvimento da Rede ............................................................................ 31

1. RESULTADOS E DISCUSSÕES ........................................................................ 32

1. Utilizando Gradiente Descendente ............................................................... 32
2. Utilizando Gradiente Descendente com Momento........................................ 35
3. Jogando com Regularização Bayesiana ....................................................... 37

1. CONCLUSÃO ....................................................................................................... 40

1. REFERÊNCIAS ..................................................................................................... 41

Anexo 1 ..................................................................................................................... 43

Anexo 2 ..................................................................................................................... 45

Anexo 3 ..................................................................................................................... 47

Anexo 4 ..................................................................................................................... 49

Anexo 5 ..................................................................................................................... 51

Anexo 6 ..................................................................................................................... 53

Anexo 7 ..................................................................................................................... 57

INTRODUÇÃO

Os polímeros são macromoléculas constituídas pela ligação de um grande número de moléculas menores. Essas pequenas moléculas que se combinam umas com as outras para formar moléculas maiores (polímeros) são denominadas de monômeros e as reações são denominadas de polimerizações (ODIAN, 2004).

Esses compostos têm significativa importância no desenvolvimento tecnológico dos séculos XX e XXI e a cada ano observa-se sua participação cada vez mais efetiva no setor industrial, seja na produção, seja no produto final. Esta participação, além de apresentar uma grande variedade de produtos, também possui aplicações específicas com crescente importância tecnológica e econômica, principalmente pela capacidade de aumentar a produtividade através da redução de custo e da praticidade de aplicação (DELDUGA, 2013).

De fato, a participação dos polímeros na sociedade moderna tem apresentado um deslocamento dos aspectos quantitativos para os qualitativos. Ou seja, no início, houve uma procura maior pela diversidade de aplicações intensivas desses produtos, porém, atualmente, as aplicações estão mais direcionadas, com uso de produtos com características mais particulares, obtendo, assim, maior importância sob uma ótica tecnológica e, sobretudo, econômica (ALMEIDA, 1997).

A busca efetiva por ganho de produtividade é inerente às atividades produtivas e é determinante na existência e longevidade de instituições com fins lucrativos. No entanto, a busca por ganhos de produção com redução de custos esbarra em premissas cada vez mais consolidadas na atualidade. A qualidade, que é uma dessas premissas, tem se tornado um dos mais importantes fatores de decisão dos consumidores e, muitas vezes, concorre com a necessidade de reduzir os recursos empregados no processo (DELDUGA, 2013).

Essa nova conjuntura, de busca de produtos com alto valor agregado, foco na qualidade final do produto e na segurança, respeito ao meio ambiente e a preocupação com o aumento de produtividade, privilegia, consequentemente, a capacidade de otimização, simulação e previsão de produção. Neste cenário, torna-se, portanto, cada vez mais necessária a busca por técnicas, preferencialmente computacionais, capazes de auxiliar no planejamento e controle da produção e do processo.

Nesse sentido, pode-se tomar a ideia exposta por de Souza Jr (1993), que afirma que “as redes neurais se tornaram um paradigma computacional capaz de prover uma representação de processos complexos para padrões de entradas e de saídas do processo que se deseja representar. Estas, através de sua estrutura e topologia internas, se adequam a estes padrões e dá a possibilidade de extrair informação a partir de dados brutos e isso traz uma grande promessa no campo de problemas de modelagem de processos químicos.