Uso de redes neurais para obtenção de modelos de predição para controladores preditivos lineares

Abstract

Na indústria de petróleo e gás, controladores preditivos baseados em modelos (MPC) multivariáveis podem ser utilizados para otimizar os processos de produção e de refino. Esta estratégia de controle requer modelos que representem a dinâmica dos processos. Muitos algoritmos MPC utilizam modelos lineares invariantes no tempo em sua formulação, porém estes modelos representam bem o sistema apenas perto de um ponto de operação para o qual foram obtidos. Por outro lado, modelos fenomenológicos não lineares, baseados em equações dinâmicas, podem ser difíceis de obter e normalmente apresentam um alto custo computacional. Uma alternativa é a modelagem baseada em dados, capaz de gerar boas aproximações com um custo computacional reduzido para a execução. Uma das possíveis técnicas para obtenção desse tipo de modelo é a identificação por redes neurais. Entretanto, existem dificuldades na escolha dos parâmetros destas redes e possíveis problemas causados pela respectiva má escolha destes. Estes problemas serão apresentados ao longo do documento, que detalhará algumas técnicas para redução/anulação dos efeitos indesejáveis da má escolha dos parâmetros. O objetivo deste trabalho é obter um modelo não linear através do uso de redes neurais, capaz de representar a dinâmica do sistema em diversos pontos de operação com a possibilidade de ser utilizado, então, para a construção do modelo linear para predição do MPC.