Please use this identifier to cite or link to this item: http://repositorio.ufla.br/jspui/handle/1/49913
Full metadata record
DC FieldValueLanguage
dc.creatorMota, Frederico Lucas de Oliveira-
dc.date.accessioned2022-05-10T22:22:27Z-
dc.date.available2022-05-10T22:22:27Z-
dc.date.issued2022-05-10-
dc.date.submitted2022-01-31-
dc.identifier.citationMOTA, F. L. de O. A multi-objective MGGP grey-box identification approach to design soft sensors. 2022. 118 p. Dissertação (Mestrado em Engenharia de Sistemas e Automação) - Universidade Federal de Lavras, Lavras, 2022.pt_BR
dc.identifier.urihttp://repositorio.ufla.br/jspui/handle/1/49913-
dc.description.abstractOffshore oil extraction is a complex process, requiring several instruments to control the pro- duction in the wells. Among several, the Permanent Downhole Gauge (PDG) sensor, located inside the production column, is used to measure the pressure and temperature of the oil well. This sensor is subjected to extreme operating conditions, resulting in short service life. The replacement or maintenance of this sensor is rarely done as it is difficult to access and requi- res production to be stopped. Thus, aiming to overcome the production problem without PDG sensor data, the use of Soft Sensors (SSs) appears as an alternative. SS are mathematical mo- dels capable of estimating a process variable through other variables as input. In this project, it is proposed the use of the methodology of systems identification (i.e., i. Dynamic tests, data collection; ii. Choice of the mathematical representation of the model; iii. Selection of struc- tures for the model; iv. Estimation of parameters; and v. Model validation.) to model an SS in order to estimate the output of a PDG sensor but not limited to this application, which is used as motivation. In methodology step ii., the Nonlinear Autoregressive with Exogenous In- puts (NARX) polynomial representation was chosen. For step iii. a multi-objective approach is proposed, using the evolutionary algorithm Multi-Gene Genetic Programming (MGGP) to perform the task of structure selection from NARX models. Three objectives are minimized, namely: i. one-step-ahead prediction error (dynamic regime), ii. steady-state error (an appro- ach that reduces computational cost is used), and iii. the number of regressors in the model. In step iv. it is proposed to estimate the parameters through weighted least squares, which uses information from the dynamic and static regime (auxiliary information). Finally, the models found in the Pareto-optimal sets are validated (step v.) in free-run simulation (in both regimes), and a decision criterion to select the most adequate model is applied. In order to validate the proposed methodology, three experiments are carried out. The first uses a dataset of a stochastic system, in which several comparisons of approaches are made (e.g., number of objectives in the cost function). As a result, it is seen that the methodology can find the regressors and estimate the model parameters correctly, with a lower computational cost than other approaches. The second experiment applies the methodology in a hydraulic pumping system. The model found is competitive in the static and dynamic regime, in addition to being parsimonious. Finally, the same methodology is applied to the petrochemical process dataset, whose output is the PDG pressure. The proposed algorithm selects a model that has a satisfactory behavior in dynamic regime compared to other works, with twelve regressors and twelve parameters. This demons- trates that the multi-objective MGGP, using auxiliary information, is a good tool for selecting structures and estimating parameters for NARX models.pt_BR
dc.description.sponsorshipFundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG)pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Lavraspt_BR
dc.rightsacesso abertopt_BR
dc.subjectSoft sensorpt_BR
dc.subjectPetróleopt_BR
dc.subjectModelos NARMAX/NARXpt_BR
dc.subjectIdentificação de sistemaspt_BR
dc.subjectMulti-Gene Genetic Programming (MGGP)pt_BR
dc.subjectOilpt_BR
dc.subjectNARMAX/NARX modelspt_BR
dc.subjectNon-linear auto regressive moving average model with exogenous input (NARMAX)pt_BR
dc.titleA multi-objective MGGP grey-box identification approach to design soft sensorspt_BR
dc.title.alternativeUma abordagem de identificação caixa-cinza MGGP multi-objetiva para projeto de sensores virtuaispt_BR
dc.typedissertaçãopt_BR
dc.publisher.programPrograma de Pós-Graduação em Engenharia de Sistemas e Automaçãopt_BR
dc.publisher.initialsUFLApt_BR
dc.publisher.countrybrasilpt_BR
dc.contributor.advisor1Barbosa, Bruno Henrique Groenner-
dc.contributor.referee1Barbosa, Bruno Henrique Groenner-
dc.contributor.referee2Abreu, Leandro Freitas de-
dc.contributor.referee3Ferreira, Danton Diego-
dc.description.resumoA extração offshore de petróleo é um processo complexo sendo necessários diversos instrumen- tos para controlar a produção nos poços. Dentre vários, o sensor Permanent Downhole Gauge (PDG), localizado dentro da coluna de produção, é utilizado para aferir a pressão e temperatura do poço de petróleo. Este sensor é submetido à condições extremas de operação, resultando em uma vida útil curta. A troca ou manutenção deste sensor é raramente feita pois o mesmo é de difícil acesso e exige que a produção seja paralisada. Assim, objetivando superar o problema de produção sem os dados do sensor PDG, o uso de Soft Sensors (SSs) surge como uma alter- nativa. Os SS são modelos matemáticos capazes de estimar uma variável de algum processo por meio de outras variáveis como entrada. Neste projeto é proposto o uso da metodologia de identificação de sistemas (i.e., i. Testes dinâmicos, coleta de dados; ii. Escolha da representação matemática do modelo; iii. Seleção de estruturas para o modelo; iv. Estimação de parâmetros; e v. Validação do modelo.) com o fito de modelar um SS a fim de estimar a saída de um sensor PDG, mas não se limitando a esta aplicação, a qual é utilizada como motivação. Na etapa ii. da metodologia, a representação polinomial Nonlinear Autoregressive with Exogenous Inputs (NARX) foi escolhida. Para a etapa iii. é proposta uma abordagem multi-objetiva, por meio do algoritmo evolucionário Multi-Gene Genetic Programming (MGGP), para realizar a tarefa de seleção de estruturas dos modelos NARX. Três objetivos são minimizados, sendo eles: i. erro de predição um passo à frente (regime dinâmico), ii. erro em regime estático (é utilizada uma abordagem que reduz o custo computacional), e iii. o número de regressores do modelo. Na etapa iv. é proposta a estimação de parâmetros por meio dos mínimos quadrados ponderados, que utiliza informação do regime dinâmico e estático (informação auxiliar). Por fim, os mode- los encontrados nos conjuntos Pareto-ótimos são validados (etapa v.) em simulação livre (em ambos os regimes) e um critério de decisão para selecionar o modelo mais adequado é aplicado. A fim de validar a metodologia proposta, três experimentos são feitos. O primeiro utiliza um banco de dados de um sistema estocástico, em que diversas comparações de abordagens são feitas (e.g., número de objetivos na função custo). Como resultado, é visto que a metodologia consegue encontrar os regressores e estimar os parâmetros do modelo corretamente, com um custo computacional menor que outras abordagens. Já o segundo experimento aplica a metodo- logia em um sistema de bombeamento hidráulico. O modelo encontrado se mostra competitivo em regime estático e dinâmico, além de ser parcimonioso. Enfim, a mesma metodologia é apli- cada ao banco de dados do processo petroquímico, que possui como saída a pressão do PDG. O algoritmo proposto consegue selecionar um modelo, que possui um comportamento satisfatório em regime dinâmico quando comparado com outros trabalhos, com doze regressores e doze parâmetros. Isso demonstra que o MGGP multi-objetivo, utilizando informações auxiliares, é uma boa ferramenta para seleção de estruturas e estimação de parâmetros para modelos NARX.pt_BR
dc.publisher.departmentDepartamento de Engenhariapt_BR
dc.subject.cnpqSistemas de Computaçãopt_BR
Appears in Collections:Engenharia de Sistemas e automação (Dissertações)



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.