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

More documents

Recommendations

Info

não deve ser negativa (pois não existe troca de sinal negativo entre neurônios) e deveser contínua.Várias funções matemáticas podem ser usadas como função de transferência,entretanto a função mais comum utilizada nas redes neurais é a função sigmoidal oulogística, expressa na equação a seguir.1saída = f(net) =-(net)(11)1+ eEssa função pode ser representada graficamente conforme mostrado na figura 5.1,210,8Saída0,60,40,20-0,2-15 -10 -5 0 5 10 15NetFigura 5. Função SigmoidalNuma rede neural de múltiplas camadas (em inglês, multi-layer perceptron, MLP),os neurônios são interligados numa rede com várias camadas, onde as saídas de umneurônio passam a ser entradas de neurônios vizinhos, conforme representado nafigura 6. Os dados de entrada (por exemplo, os valores de absorbância de um espectroNIR) são inseridos na rede através da primeira camada. Após sucessivosprocessamentos nas diversas camadas, é obtido o produto final da rede, ou seja, aprevisão da variável de interesse.16
A configuração da arquitetura da rede é feita através da definição do número decamadas intermediárias, do número de neurônios em cada camada e da função detransferência de cada neurônio.A calibração da rede é realizada através do ajuste adequado dos pesos dos sinaisde entrada de cada neurônio (w 1 , w 2 , w 3 ,...,w n ). A rede é ajustada através de umconjunto de treinamento e de um conjunto de monitoramento, que guia o algoritmomatemático para encontrar o conjunto de pesos que forneça a previsão da variável deinteresse com o menor erro possível.Figura 6. Diagrama de uma Rede NeuralUm método usual para o treinamento da rede é o da retro-propagação de erros.Neste processo, o valor de saída da rede é calculado inicialmente usando valoresarbitrados para os pesos dos sinais de entrada de cada neurônio. Esse valor de saída écomparado ao valor desejado (valor real da propriedade de interesse), fornecendo umerro ou desvio. O algoritmo então corrige os pesos de forma a minimizar tal erro. Acorreção é feita de trás para frente, ou seja, a última camada é a primeira a ter os pesos17
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 26 and 27: Figura 3. Decomposição da matriz
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 ...

Create successful ePaper yourself

Delete template?

Save as template?