Este trabalho foi publicado pelo Galoá e tem um DOI depositado. Para citar este trabalho, use um dos padrões abaixo:
Caso você seja um dos co-autores e queira cadastrar esse trabalho no seu Currículo Lattes, use o seguinte código: doi > 10.17648/pdpetro-2022-159471
Se você NUNCA registrou um DOI no seu Lattes, veja nosso tutorial!As reações endotérmicas de um reformador de metano a vapor requerem uma faixa de operação de alta temperatura (800-1000°C) e pressão média (25 - 35 atm), portanto, o calor precisa ser fornecido ao sistema por um forno e/ou vapor superaquecido. Muitas outras reações podem ocorrer, como o deslocamento gás-água e a deposição de carbono, que podem causar envenenamento do leito do catalisador. No caso de um reformador industrial, um balanço de massa para cada espécie (modelo mecanicista) é inviável principalmente pela falta de equipamentos de medição. No entanto, a modelagem do reformador é essencial, pois pode prever a energia necessária para a reação, a desativação do catalisador e quando uma regeneração pode ser necessária. Para superar esses desafios, modelos orientados por dados usando algoritmos de Machine Learning (ML) podem ser aplicados quando dados suficientes e confiáveis estão disponíveis. Os modelos de aprendizado de máquina, quando comparados à modelagem mecanicista, podem fornecer uma melhor compreensão do processo geral, o que é de uso importante em casos como previsão de consumo de energia a longo prazo, o que é particularmente relevante para a reforma a vapor do metano, devido à sua natureza endotérmica. As principais etapas envolvidas no desenvolvimento do modelo baseado em dados incluíram inicialmente a aquisição de mais de 70,000 pontos de dados de um reformador industrial, o conjunto de dados incluiu medições de vazão, temperatura e pressão. Em seguida, foi realizada uma rápida visualização dos dados com a biblioteca Python Matplotlib, onde foram observadas flutuações do processo, outliers e comportamento do processo, e os recursos não relevantes foram devidamente tratados. Antes de qualquer treinamento do modelo, foi realizado o pré-processamento dos dados, incluindo o dimensionamento dos dados, detecção de outliers pelo Z-score. a árvore de decisão foi escolhida como algoritmo de treinamento de ML para prever a temperatura do reator, os resultados foram verificados pelo teste de validação cruzada, um coeficiente de correlação R2 de 0.9988 foi encontrado após a regularização das árvores por ajuste de hiperparâmetro, reduzindo assim o overfitting ao conjunto de dados de treinamento.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo