Work

Utilização de modelos de Deep Learning para prever os parâmetros do reator do digestor de lamas anaeróbias: um problema de séries temporais

Year: 2025
Type: dissertation
Abstract: A otimização dos digestores anaeróbios em reatores de lamas não só é essencial para garantir o tratamento eficiente dos afluentes, como também desempenha um papel fundamental na produção de energia renovável. O biogás gerado no processo de digestão anaeróbia, composto principalmente por percentagem de metano (%CH4), pode ser capturado e convertido em energia, contribuindo para a redução da dependência de fontes energéticas não renováveis. Desta forma, a gestão eficiente destes sistemas permite não só cumprir os padrões regulatórios de qualidade ambiental, mas também promover a sustentabilidade energética, maximizando a produção de biogás e, consequentemente, o aproveitamento de uma fonte de energia limpa e renovável. A aplicação de técnicas avançadas, como o Deep Learning (DL) em conjunto com séries temporais, apresenta um grande potencial para melhorar a previsão e gestão de sistemas complexos. O DL, com a capacidade de aprender autonomamente a partir de dados complexos, aliado à análise de séries temporais, que permite a compreensão de padrões ao longo do tempo, oferecem uma valiosa ferramenta para otimizar a previsão e gestão de parâmetros nos digestores de lamas anaeróbias. Essa combinação de técnicas possibilita uma resposta mais precisa e adaptativa às variações nas condições operacionais, contribuindo para a eficiência global do sistema. Deste modo, esta dissertação foca-se na implementação de diversos modelos de DL, incluindo Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Perceptron Multicamadas (MLP), Redes LSTNet (Long- and Short-term Time-series Network) e Redes Neurais Convolucionais Temporais (TCN), para a previsão dos valores de %CH4 e da concentração de biomassa ativa (Xc) resultantes da digestão anaeróbia realizada no digestor para os proximos dois dias, utilizando uma abordagem multistep recursive forecaste. Após a análise comparativa dos modelos candidatos, verificou-se que os modelos baseados em CNN alcançaram os melhores resultados na previsão tanto dos valores de %CH4 como de Xc, destacando-se pela sua eficácia e precisão, com um valor de Root Mean Square Error (RMSE) de 0.0667% e 1028.06 mgO2/L respetivamente.
Institution: University of Minho
Language: Portuguese
Field: Energy
Open Access status: green
OpenAlex ID: W7124232610
Cites: 122
Cited by:
Related to: 10