CaracterizaÃ§Ã£o de PetrÃ³leo por Espectroscopia no Infravermelho ...

More documents

Recommendations

Info

Figura 3. Decomposição da matriz de dados X nas matrizes de loadings, escores ematriz de erros3.2.2. REGRESSÃO POR REDES NEURAIS ARTIFICIAIS (ANN)Redes Neurais Artificiais (Artificial Neural Networks, ANN, em inglês) é o nomedado a um conjunto de métodos matemáticos e algoritmos computacionaisespecialmente projetados para simular o processamento de informações e aquisição deconhecimento do cérebro humano [13].O neurônio é a unidade básica de processamento de uma rede neural, projetadopara simular o comportamento dos neurônios biológicos. Um neurônio biológico podeser descrito como um corpo celular contendo dois conjuntos de ramificações: osdendritos e o axônio. Da mesma maneira, o neurônio artificial possui um corpo de14
processamento de informações com ramificações em dois lados: entradas e uma saída,conforme apresentado na figura 4.Figura 4. Representação de um neurônio artificialNum neurônio biológico, o sinal entra pelos dendritos, é processado pelo corpo doneurônio, e é transmitido a outros neurônios através do axônio. A transmissão de sinalde um neurônio para outro é chamada de sinapse. A quantidade de sinal trocado emuma sinapse depende de um parâmetro chamado de intensidade de sinapse.Num neurônio artificial, a intensidade da sinapse é representada por um fator deponderação, também chamado de peso. O sinal total que entra no corpo deprocessamento de um neurônio artificial é chamado Net, cujo valor é calculado atravésda média ponderada dos sinais de entrada, conforme equação a seguir.Net = w1x1+ w2x2+...+ wnxn(10)Onde x i é o valor do sinal de entrada i, w i é o peso do sinal i e n é o número de entradas(dendritos) do neurônio.O sinal de saída é obtido através da aplicação de uma função de transferência aosinal total de entrada (Net). A função de transferência deve atender a dois requisitos:15
Page 1 and 2: UNIVERSIDADE ESTADUAL DE CAMPINASUN
Page 3 and 4: DEDICATÓRIA“Dedico esta Disserta
Page 5 and 6: CURRICULUM VITAEFormação Superior
Page 7 and 8: RESUMOTÍTULO: CARACTERIZAÇÃO DE
Page 9 and 10: ÍNDICELISTA DE FIGURAS............
Page 11 and 12: Figura 35. Curvas PEV: real e previ
Page 13 and 14: 1. INTRODUÇÃOO petróleo é uma m
Page 15 and 16: 2. OBJETIVOEste trabalho tem por ob
Page 17 and 18: ν1 κ= (1)2π µonde k é a consta
Page 19 and 20: Figura 2. Perfil da Energia Potenci
Page 21 and 22: momento dipolar permite a interaç
Page 24 and 25: - a baixa necessidade de manutenç
Page 28 and 29: não deve ser negativa (pois não e
Page 30 and 31: corrigidos. Partindo de um novo con
Page 32 and 33: - Dificuldade de interpretação: O
Page 34 and 35: necessário para trazer os valores
Page 36 and 37: natural são utilizados no aquecime
Page 38 and 39: - Resinas e asfaltenos - São molé
Page 40 and 41: 3.3.1. CARACTERIZAÇÃO DE PETRÓLE
Page 42 and 43: Figura 8. Exemplos de curvas PEV30
Page 44 and 45: norma estabelece critérios especí
Page 46: Figura 10. Equipamento para destila
Page 49 and 50: destilação, ou quando for atingid
Page 51 and 52: inversa com a massa específica, qu
Page 53 and 54: Figura 11. Diagrama esquemático de
Page 55 and 56: Cada um desses produtos intermediá
Page 57 and 58: 1,00,8Absorbância0,60,40,2Isooctan
Page 59 and 60: uma aplicação importante para a i
Page 61 and 62: temperatura de ebulição de 565 °
Page 63 and 64: 4. PARTE EXPERIMENTAL4.1. AMOSTRASF
Page 65 and 66: Foi utilizado o método de extrapol
Page 67 and 68: 4.3.2. ESPECTROS OBTIDOSPara determ
Page 69 and 70: Número de onda (cm -1 )Figura 23.
Page 71 and 72: 4.4.1. PRÉ-TRATAMENTO DOS DADOS ES
Page 73 and 74: Uma nova análise PCA foi feita exc
Page 75 and 76: PEVTemperatura (C)80070060050040030
Page 77 and 78:
5. RESULTADOSOs resultados foram av
Page 79 and 80:
800700Temperatura (°C)600500400300
Page 81 and 82:
800700Temperatura (°C)600500400300
Page 83 and 84:
800700Temperatura (°C)600500400300
Page 85 and 86:
RMSEP3,0RMSEP (%vol.)2,52,01,51,00,
Page 87 and 88:
A tabela 11 apresenta os resultados
Page 89 and 90:
Curva PEV - volume a 325 °C47Valor
Page 91 and 92:
5.2. CALIBRAÇÃO POR REDES NEURAIS
Page 93 and 94:
5.3. PREVISÃO DA CURVA PEV ATRAVÉ
Page 95 and 96:
2,001,501,00Resíduo (%vol.)0,500,0
Page 97 and 98:
1,51Resíduo (%vol.)0,50PLS-5000PLS
Page 99 and 100:
5.5. AVALIAÇÃO DO MODELO PLS-5000
Page 101 and 102:
previsão da curva PEV através dos
Page 103 and 104:
O uso da técnica de calibração p
Page 105 and 106:
8. REFERÊNCIAS BIBLIOGRÁFICAS1. S
Page 107 and 108:
24. SACORAGUE, L.A. Avaliação de
Page 109 and 110:
45. DENCHFIELD, T. Rapid calculator
Page 111 and 112:
A1 - Conjunto de Validação - par
Page 113 and 114:
A3 - Conjunto de Validação - valo
Page 115 and 116:
A5 - Conjunto de Validação - valo
Page 117 and 118:
A7- Conjunto de Validação - valor
Page 119 and 120:
A9 - Conjunto de Validação para t
Page 121 and 122:
A11 - Conjunto de Validação para
show all

CaracterizaÃ§Ã£o de PetrÃ³leo por Espectroscopia no Infravermelho ...

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?