Desenvolvimento e otimização de modelos inteligentes de previsão de eficiência de um sistema de refrigeração de pequeno porte através aprendizagem de máquinas
Área temática: Tópicos em engenharia mecânica, Energia
Palavras-chave: Machine learning; Refrigeração Industrial; Eficiência energética, COP;
1. Resumo
Este trabalho envolve o desenvolvimento e otimização de modelos inteligentes na previsão da eficiência energética de sistemas de refrigeração industrial baseado nas técnicas de aprendizagem de máquinas. O sistema de refrigeração é um protótipo de refrigeração de compressão mecânica de pequeno porte de 1 kW que utiliza o fluido R404a como refrigerante. O sistema é composto pelo circuito principal de refrigeração (R404a), e um segundo circuito de trabalho (etilenoglicol 50% de concentração) utilizado om circuito de simulação da carga térmica. A ideia principal é o desenvolvimento de modelos de regressão na previsão da eficiência energética (EER e COP) utilizando os métodos clássicos de aprendizagem de máquinas por meio da biblioteca pycaret do python, e considerando variáveis de entrada do tipo elétrico, térmica e hidráulico, verificando a influência no desempenho do protótipo de refrigeração.
1.1 Qual é o problema abordado no trabalho e por que ele é interessante?
O alto consumo elétrico dos sistemas de refrigeração por compressão mecânica é a principal problemática apresentada em função da ineficiência na operação e controle levando à alta do consumo e portanto, diminuindo a eficiência energética, assim como, um maior desgaste mecânico do sistema de compressão. Desta forma, a introdução de modelos inteligentes capazes de prever o comportamento do protótipo de refrigeração em função de variáveis térmicas e elétricas, facilmente medidas, podem ajudar na otimização e operação da máquina, diminuindo os custos associados com o consumo elétrico, e possivelmente, aumento da vida útil do equipamento de compressão, neste caso, o compressor hermético. Também pode propor estratégias otimizadas do uso de sistemas de compressão mecânica o que representa uma excelente alternativa de inovação e tecnologia para a área de refrigeração.
1.2 Qual é a principal contribuição do trabalho, os resultados fundamentais obtidos e sua novidade em relação a outros trabalhos recentes existentes?
O trabalho apresenta várias contribuições ao estado da arte da refrigeração, portanto, dentre as mais relevantes tem-se: desenvolvimento metodológico de modelos de previsão de eficiência energética inteligente baseado nas técnicas de aprendizagem de maquinas considerando variáveis de fácil acesso como input desses modelos,
Desenvolvimento de estratégias de controle e operação baseados exclusivamente em grandezas físicas de superaquecimento, abertura da válvula eletrônica e carga térmica aplicada. Como resultado principal será a construção de modelos inteligentes previamente treinados e validados considerando diversas condições de operação, assim como também, a verificação e determinação das variáveis mais significativas no consumo elétrico e desempenho do protótipo de refrigeração através de técnicas de análise de dados. Na literatura existem várias aplicações no âmbito de refrigeração por absorção [1] e por compressão mecânica [2] que utilizam as técnicas de aprendizagem de maquinas para determinar o desempenho destes equipamentos, porém esta proposta pretende além de prever o comportamento energético do sistema de refrigeração, propor uma metodologia de otimização desses modelos e a determinação das grandezas físicas mais adequadas para controlar de forma eficiente esses sistemas de refrigeração.
1.3 Descreva brevemente o método utilizado.
O desenvolvimento metodológico será baseado no tratamento de dados reais do protótipo de refrigeração considerando as técnicas de data mining. Além disso, serão utilizadas as técnicas clássicas de machine learning através do uso da biblioteca de Pycaret do python, para o treinamento, teste e validação dos modelos inteligentes de regressão. A base de dados reais será dividida em três parcelas, utilizando a técnica de cross-validation, otimização dos hiperparâmetros dos modelos finais de previsão de eficiência energética. Parâmetros estatísticos de avaliação do desempenho serão utilizados para verificar a confiabilidade dos modelos, assim como a comparação com dados reais de experimentação. Os outputs selecionados dos modelos serão o EER (Energy Efficiency Ratio) e o COP (Coefficient of Performance) utilizando como inputs (variáveis de entrada aos modelos), temperatura, corrente elétrica, pressão, vazão, entre outras.
Referências
[1] S. S. Franco, J. R. Henríquez, A. A. V. Ochoa, J. A. P. da Costa, and K. A. Ferraz, “Thermal analysis and development of PID control for electronic expansion device of vapor compression refrigeration systems,” Appl. Therm. Eng., vol. 206, no. January, p. 118130, 2022, doi: 10.1016/j.applthermaleng.2022.118130.
[2] P. R. C. . Silva et al., “Intelligent regression modeling for performance prediction of a vapor compression refrigeration prototype using machine learning techniques,” in Papers Book. COBEM 2023, 2023, pp. 1–10.