ANN baseada em algoritmo de otimização de baleia modificado: um novo modelo preditivo para planta de dessalinização de RO

Scientific Reports volume 13, Artigo número: 2901 (2023) Citar este artigo

1121 Acessos

5 citações

1 Altmétrico

Detalhes das métricas

Nas últimas décadas, os métodos de otimização inspirados na natureza têm desempenhado um papel crítico ao ajudar os projetistas de plantas industriais a encontrar soluções superiores para parâmetros de processo. Segundo a literatura, tais métodos são simples, rápidos e indispensáveis ​​para economia de tempo, dinheiro e energia. Nesse sentido, o Algoritmo de Otimização de Baleia Modificado (MWOA) hibridizado com Redes Neurais Artificiais (RNA) foi empregado no desempenho da planta de dessalinização por Osmose Reversa (RO) para estimar o fluxo de permeado (0,118‒2,656 L/h m2). Os conjuntos de dados da planta foram coletados da literatura e incluem quatro parâmetros de entrada: vazão de alimentação (400-600 L/h), temperatura de entrada do evaporador (60-80 °C), concentração de sal de alimentação (35-140 g/L) e temperatura de entrada do condensador (20‒30 °C). Para tanto, foram propostos dez modelos preditivos (MWOA-ANN Modelo-1 ao Modelo-10), que são capazes de prever o fluxo de permeado (L/h m2) com maior precisão do que os modelos existentes (Metodologia de Superfície de Resposta (RSM), RNA e modelos híbridos WOA-ANN) com erros mínimos. Os resultados da simulação sugerem que o algoritmo MWOA demonstra uma capacidade de otimização mais forte para encontrar os pesos e desvios corretos, de modo a permitir uma modelagem superior baseada em RNA sem limitação de overfitting. Dez modelos MWOA-ANN (Modelo 1 ao Modelo 10) foram propostos para investigar o desempenho da planta. O modelo 6 com uma única camada oculta (H = 1), onze nós da camada oculta (n = 11) e os treze agentes de busca (SA = 13) produziu resultados de regressão mais notáveis ​​(R2 = 99,1%) com erros mínimos (MSE = 0,005). Os erros residuais para o Modelo 6 também estão dentro dos limites (intervalo de -0,1 a 0,2). Finalmente, os resultados mostram que os modelos MWOA-ANN selecionados são promissores para identificar os melhores parâmetros de processo, a fim de auxiliar os projetistas de plantas industriais.

Esta seção foi separada em três partes: a primeira parte descreve os antecedentes da RNA e da WOA, enquanto a segunda parte detalha a revisão da literatura. A terceira parte explica os principais objetivos, contribuições e esboço da pesquisa.

A ambição humana de realizar tarefas de forma mais rápida, fácil e barata levou ao desenvolvimento crescente de operações eficientes em todo o mundo1,2. Da mesma forma, a indústria das instalações de processamento está a mudar para uma cultura onde as decisões são tomadas com base na análise de dados e resultados experimentais3,4. Nesse sentido, os conjuntos de dados experimentais da planta foram coletados e avaliados para reunir novos insights, o que auxilia na tomada de decisões para os projetistas da planta economizarem tempo de processamento, custo operacional e energia1,5,6.

Nas últimas décadas, as indústrias de plantas de processo tornaram-se consideravelmente mais dinâmicas e recorreram a análises avançadas, algoritmos de otimização e ferramentas de aprendizado de máquina para fornecer soluções preditivas e prescritivas para melhorar seu desempenho3,5,6,7,8,9,10,11 . Esses algoritmos e ferramentas são simples, adaptáveis ​​e eficientes para analisar conjuntos de dados de plantas pequenas e grandes. Alguns algoritmos e ferramentas inteligentes comumente usados ​​​​ultimamente incluem Redes Neurais Artificiais (ANN) 12,13,14,15, Colônia de Abelhas Artificiais (ABC) 16,17, Otimização de Enxame de Gato (CSO) 18,19, Otimização de Enxame de Partículas (PSO )20,21,22, Algoritmo Firefly (FA)23, Algoritmo Morcego (BA)23,24, Algoritmo de Otimização de Baleia (WOA)17,25,26,27, Otimizador Lobo Cinzento (GWO)17,25,28,29 ,30 Algoritmo de Otimização Borboleta (BOA)31, Ant Lion Optimizer (ALO)17, Máquina de Vetores de Suporte (SVM)18,32,33, Metodologia de Superfície de Resposta (RSM)34,35, Algoritmo Genético de Classificação Não Dominado (NSGA)36 e seu híbrido.

A RNA, em geral, segue o algoritmo de treinamento de retropropagação (BP) enquanto encontra um conjunto ideal de pesos e vieses de conexão do nó para reduzir o erro. Uma previsão precisa de pesos e vieses é muito importante para garantir um alto desempenho do modelo. A abordagem BP emprega um algoritmo de gradiente descendente e necessita de um grande número de iterações . A literatura sugere que um dos maiores desafios na utilização da técnica de gradiente descendente é o seu aprisionamento nos ótimos locais. Isto está inteiramente atrelado aos valores iniciais de peso considerados37, o que afeta a precisão final dos modelos. Portanto, os pesquisadores encontraram soluções alternativas como GA, PSO, GWO e WOA para minimizar esses problemas1,6.