Publicaciones en Congresos, Conferencias y Jornadas
Permanent URI for this collectionhttp://48.217.138.120/handle/20.500.12272/535
Browse
6 results
Search Results
Item Inserción admisible de vehículos eléctricos en la red de distribución de una ciudad : un enfoque probabilístico(XII SeNE, 2023-10-05) Perdomo, Mariano Miguel; Manassero, Ulises; Vega, Jorge RubénLa conciencia sobre el desarrollo sostenible ha incrementado los esfuerzos orientados a disminuir los consumos energéticos y las emisiones indeseables para el medioambiente y la salud de las personas. En los últimos años ha crecido el fomento y el uso de vehículos eléc-tricos (VEs), y esta tendencia en el sector del transporte modifica los patrones de demanda de energía eléctrica por parte de los usuarios. A su vez, las demandas son características de cada región en particular, dependiendo de los modelos de VEs de más fácil acceso para la población, las distancias diarias medias recorridas, los horarios de arribo al hogar, las con-diciones climáticas y los tipos de tarifas aplicadas, entre otras variables. El presente trabajo propone modelar probabilísticamente la demanda de VEs de una ciu-dad y realizar simulaciones de flujos de potencia que permitan inferir un nivel aproximado de inserción admisible de VEs en la red de distribución. El nivel de inserción de VEs se calcula como la relación entre el número de VEs y la cantidad de vehículos convencionales existentes. Específicamente, se adopta como laso de estudio la red de distribución de la ciudad de Santo Tomé (Santa Fe, Argentina). El modelado considera un enfoque estadístico para las distancias transitadas, los horarios de arribo al hogar, y los consumos por distancia recorrida. Por otra parte, se considera una recarga lenta de los VEs de 3 kW y una eficiencia de recarga del 95%. El modelado de la red se implementa en Python, utilizando la librería de acceso abierto Pandapower. Los resultados de simulación sugieren que la red actual admite un porcentaje considera-ble de inserción de VEs. Asimismo, es posible identificar aquellos distribuidores críticos que sólo podrían admitir un reducido nivel de inserción de VEs. En conclusión, el modelado pro-babilístico de la demanda de VEs permite determinar el nivel admisión de este nuevo tipo de tecnologías en la red de estudio y en cada distribuidor. En base a proyecciones temporales de la adquisición de VEs, es posible estimar el tiempo en que se incumplirán los niveles admisibles de operación de la red, permitiendo así planificar obras de infraestructura orien-tadas a soportar este nuevo patrón de demanda. Por otra parte, se destaca la importancia de contar con datos reales del comportamiento de los usuarios en la región de estudio para lograr modelos de demanda más precisos.Item Soft sensor basado en redes neuronales recurrentes : aplicación al monitoreo de la producción de caucho nitrilo(XL MECOM, 2024) Perdomo, Mariano Miguel; Clementi, Luis Alberto; Vega, Jorge RubénEn Argentina, el caucho nitrilo (NBR) se produce a partir de una polimerización en emulsión en un reactor batch. La medición de variables de calidad del polímero (por ejemplo, con analizadores en línea o en laboratorio) no asegura un monitoreo adecuado de la reacción. En este trabajo se desarrolla un soft-sensor (SS) para estimar en tiempo real algunas variables de calidad del producto. La complejidad reside en las dinámicas altamente no-lineales involucradas en el proceso. Por ello, el SS propuesto utiliza redes neuronales recurrentes. La evaluación de la herramienta de estimación se realiza a través de un simulador numérico del proceso NBR ajustado a la planta industrial. Las estimaciones obtenidas en distintos escenarios de operación del reactor son promisorias. El SS podría ser implementado en la planta industrial en forma sencilla.Item Autocodificador recurrente para detectar fallas en un tren de reactores de polimerización(VII ARGENCON, 2024) Perdomo, Mariano Miguel; Clementi, Luis Alberto; Vega, Jorge RubénLa tarea de detectar, identificar y diagnosticar fallas en procesos industriales es de vital importancia para evitar un control deficiente del proceso, desperdicios de materia prima, pérdidas económicas por problemas de calidad en el producto final, etc. En consecuencia, la detección temprana y el diagnóstico preciso de las fallas resultan cruciales para reencausar el proceso y minimizar el impacto de las mismas. En este trabajo se desarrolla un módulo de detección de fallas, que incluye una interpretación de las fallas para facilitar su identificación y diagnóstico. El módulo se desarrolla en particular para un proceso de producción de látex para caucho estireno-butadieno, obtenido mediante un proceso continuo, el cual es susceptible de sufrir una amplia diversidad de fallas de distintas características. La metodología propuesta requiere para el ajuste del modelo únicamente datos del proceso en estado normal de operación, evitando así la compleja tarea de obtener un conjunto de datos representativo de todas las posibles fallas del proceso. Al tratarse de un proceso complejo, dinámico, no lineal y con muchas variables medidas, se adopta una metodología basada en autocodificadores recurrentes. Los resultados muestran en general un desempeño aceptable del modelo obtenido. Aquellas fallas que difieren significativamente de la distribución de probabilidades del estado normal de operación de la planta son detectadas eficazmente. Por otra parte, en algunos casos se observa un retardo u omisión temporal en la detección de las fallas. Esto se atribuye a la pequeña magnitud de algunas fallas, las cuales no se diferencian significativamente respecto a un estado normal de operación.Item Classifier algorithms for tuning multi-model soft sensors : application to the estimation of quality variables in a continuous industrial process(WCCE11, 2023) Perdomo, Mariano Miguel; Clementi, Luis Alberto; Sanseverinatti, Carlos Ignacio; Vega, Jorge RubénIn this work, a multi-model soft sensor (SS) is proposed to estimate non-measurable variables in continuous processes. The proposed approach involves a first stage of clustering, using Gaussian mixture models, to identify the clusters that represent the multiple working conditions of the process. Then, for each identified cluster, multivariate linear regression sub-models are calibrated. Finally, the required non-measurable variable is estimated through a linear combination of the estimations from each sub-model. The weight coefficients for each sub-model are calculated using a classification algorithm. The performance of four different classification algorithms is evaluated in terms of the capability of their resulting multi-model soft sensor to estimate the mass conversion in a numerical simulation of a continuous emulsion polymerization for industrial production of Styrene-Butadiene Rubber. The results showed that the classifier model plays an important role in the multi-model soft sensor performance. Furthermore, a multi-model soft sensor that assigns the weights through Gaussian mixture models performs better than cases where a multi-layer perceptron, a linear discriminant analysis, or a K-nearest neighbors are used.Item Estimación de variable de calidad en un tren de reactores continuo utilizando soft-sensors basados en redes neuronales recurrentes(XX RPIC, 2023) Perdomo, Mariano Miguel; Clementi, Luis Alberto; Vega, Jorge RubénLa producción industrial de caucho SBR (Styrene-Butadiene Rubber) utiliza un tren de reactores tanque agitados continuos para la obtención de un látex. En esa etapa, es importante contar con estimaciones en tiempo real de algunas variables en el último reactor del tren, a efectos de lograr productos de calidad con buen nivel de producción. Los soft sensors (SS) son una alternativa adecuada para cumplir con esta tarea, en comparación con las estimaciones típicamente brindadas por laboratorios analíticos y analizadores en línea. El proceso incluye dinámicas complejas y múltiples modos de operación, resultando necesario el uso de SS capaces de capturar esas características. En este trabajo, se propone el desarrollo de un SS basado en redes neuronales recurrentes para estimar la conversión másica del látex a la salida del tren de reactores. La selección de la ventana temporal necesaria para efectuar las estimaciones se basa en un análisis de correlaciones cruzadas y una búsqueda por grilla. Por otra parte, el modelo que conformará al SS se selecciona a través de una exploración de distintas arquitecturas y sus espacios de hiperparámetros. Los resultados de simulación muestran que la adopción de una red neuronal recurrente basada en GRU (Gated Recurrent Unit) y una ventana temporal de 800 minutos exhibe el mejor desempeño para estimar la variable de interés.Item Sensor inferencial ensamblado basado en máquina de soporte vectorial : monitoreo de la conversión en un tren de reactores continuos(AADECA - 28º Congreso Argentino de Control Automático, 2023) Sanseverinatti, Carlos Ignacio; Perdomo, Mariano Miguel; Clementi, Luis Alberto; Vega, Jorge RubénUn Sensor Inferencial (SI) es una herramienta utilizada para estimar variables de calidad no medibles a partir de la medición de variables medibles. Si bien existen muchas alternativas para la implementación de un SI, la combinación o ensamble de dos o más SIs puede conducir a un desempeño mejorado y a una mayor robustez. En el presente trabajo, se diseña e implementa un SI ensamblado adaptativo con el objetivo de monitorear en-línea la conversión de monómeros en un tren de reactores continuos utilizado para la producción de caucho Estireno-Butadieno (SBR). El SI ensamblado se construye combinando tres algoritmos de regresión de soporte vectorial (SVR), cada uno implementado mediante máquinas Kernel de diferente naturaleza. Cada SVR incluye un término de ajuste por sesgo como metodología de adaptación. En primer lugar, se implementaron y calibraron los SVR individuales mediante un conjunto de datos de entrenamiento. Luego, se plantearon dos SI ensamblados mediante diferentes metodologías de combinación. El desempeño de los SI ensamblados propuestos se estudió en términos de la capacidad para estimar en línea la conversión másica de polímero en una simulación del proceso continuo de producción de caucho SBR. La validación de ensamble se realizó para dos casos simulados: el proceso en estado estacionario y el proceso frente a una perturbación de offset en un sensor. Los resultados, basados en indicadores de error de predicción, error máximo, y desvío estándar del error, muestran que el ensamble es más robusto y exacto que cualquiera de los SI individuales.