FRSF - INVESTIGACIÓN Y PRODUCCIÓN CIENTÍFICA

Permanent URI for this communityhttp://48.217.138.120/handle/20.500.12272/534

Encontrará los objetos que son resultados de las investigaciones

Browse

Search Results

Now showing 1 - 10 of 419
  • Item
    Enriching UML statecharts through a metamodel : a model-driven approach for the graphical definition of DEVS atomic models
    (IEEE Latin America Transactions, 2023-01-11) Dalmasso, Fidel; Blas , María Julia; Gonnet, Silvio
    The Discrete Event System Specification (DEVS) formalism provides a set of mathematical elements for modeling time-varying systems. However, when DEVS models are implemented in an executable representation (i.e., using a generalpurpose programming language), some deviation from the formalism is unavoidable. One way to bridge the gap between modeling and simulation theory and practice is to define new artifacts that support both views during the specification. When the specification is supported with a graphical representation, the formalization task is less complex and can be performed by nonexpert modelers. For DEVS atomic models, most common graphical representation is through UML statecharts. In this paper, we present a theoretical and practical metamodel for the definition of atomic models structured following the Classic DEVS with Ports formalization. Such a metamodel is the core of a model-driven approach used to develop a modeling software tool that employs enriched UML statecharts for the graphical representation of the DEVS behavior. In here, the traditional UML statechart representation is enriched with a set of new components with the aim to provide a broad definition of DEVS atomic models. The final software tool is deployed as a plugin for Eclipse Platform.
  • Item
    Ontología para la representación de entidades con comportamientos basados en eventos
    (SADIO Electronic Journal of Informatics and Operations Research (EJS), 2022) Blas, María Julia; Gonnet, Silvio; Becker, Pablo; Olsina, Luis
    El modelado de comportamientos dinámicos usando eventos como disparadores del cambio de estado de entidades es un área de interés en Modelado y Simulación (M&S). En este trabajo se presentan los términos, propiedades, relaciones y axiomas de ParticularEventCO (PEventCO) como un modelo semántico basado en la noción de eventos causados por el comportamiento de entidades. Esta ontología se encuentra situada en el nivel “Core” de la arquitectura FCDOntoArch, donde la ontología ThingFO define el nivel fundacional. El principal objetivo es lograr una representación del comportamiento de entidades dinámicas siguiendo un enfoque basado en eventos como complemento de las ontologías ya existentes en FCD-OntoArch. Luego, se detalla la forma en la cual los principales elementos del nivel fundacional han sido redefinidos en PEventCO. Además, se incluye la especificación formal del modelo haciendo uso de ConceptBase, junto con la instanciación de una prueba de concepto tomada del área de M&S.
  • Item
    A modeling framework for complex systems
    (Winter Simulation Conference, 2024) Blas, María Julia; Gonnet, Silvio
    This paper presents a modeling framework for defining abstractions of real-world complex systems promoting the development of discrete-event simulation models based on DEVS. An ontology, a metamodel, and a reasoner are combined in one single structure to allow an upgrade of an abstraction model to an implementation model. Our motivation is to reduce the effort related to the modeling part when specifying DEVS models for complex systems described from an abstraction of reality built over a research question. Applications include an easier introduction to M&S for students of any scientific field that can define an abstraction model with an easier introduction to DEVS models (from formalization to implementation).
  • Item
    Modeling and simulation through the metamodeling perspective : the case of the discrete event system specification
    (Springer Cham, 2023-01-24) Blas, María Julia; Gonnet, Silvio
    The Discrete Event System Specification (DEVS) is a modeling formalism that supports a general methodology for describing discrete event systems with the capability to represent both continuous and discrete systems due to its system theoretic basis. This chapter addresses the use of metamodeling and the role of related technologies in the Modeling and Simulation (M&S) field, mainly devoted to implementing DEVS models. The main aim is to answer the following questions: What is the significance of model-based engineering in the M&S field? Can a computational representation of DEVS defined following the principles of metamodeling improve the modeling task? How can DEVS models obtained through metamodeling integrate with simulators? This chapter discusses using metamodels as the foundation to define formal DEVS models from a computational point of view. A metamodel-based computational representation of DEVS formalism is described. From such a computational representation, how current technologies can be used to support DEVS metamodel in existing M&S software tools is discussed. The chapter shows how concrete DEVS models are used in existing M&S software tools to get executable simulation models through metamodel instantiation. Illustrative examples show how the DEVS metamodel improves the simulation model specification. The chapter concludes with a discussion of the current state of the metamodeling approach used in the M&S field and the remaining problems that need to be addressed in the future.
  • Thumbnail Image
    Item
    Estimation of quality variables in a continuous train of reactors using recurrent neural networks-based soft sensors
    (Chemometrics and Intelligent Laboratory Systems, 2024) Perdomo, Mariano Miguel; Clementi, Luis Alberto; Vega, Jorge Rubén
    The first stage in the industrial production of Styrene-Butadiene Rubber (SBR) typically consists in obtaining a latex from a train of continuous stirred tank reactors. Accurate real-time estimation of some key process variables is of paramount importance to ensure the production of high-quality rubber. Monitoring the mass conversion of monomers in the last reactor of the train is particularly important. To this effect, various soft sensors (SS) have been proposed, however they have not addressed the underlying complex dynamic relationships existing among the process variables. In this work, a SS based on recurrent neural networks (RNN) is developed to estimate the mass conversion in the last reactor of the train. The main challenge is to obtain an adequate estimate of the conversion both in its usual steady-state operation and during its frequent transient operating phases. Three architectures of RNN: Elman, GRU (Gated Recurrent Unit), and LSTM (Long Short-Term Memory) are compared to critically evaluate their performances. Moreover, a comprehensive analysis is conducted to assess the ability of these models to represent different operational modes of the train. The results reveal that the GRU network exhibits the best performance for estimating the mass conversion of monomers. Then, the performance of the proposed model is compared with a previously-developed SS, which was based on a linear estimation model with a Bayesian bias adaptation mechanism and the use of Control Charts for decision-making. The model proposed here proved to be more efficient for estimating the mass conversion of monomers, particularly during transient operating phases. Finally, to evaluate the methodology utilized for designing the SS, the same RNN architectures were trained to online estimate another quality variable: the mass fraction of Styrene bound to the copolymer. The obtained results were also acceptable
  • Item
    Estrategia de control basada en modelo para la producción de caucho acrilonitrilo-butadieno (NBR) de alto contenido en acrilonitrilo
    (XL MECOM, 2024) Sanseverinatti, Carlos Ignacio; Clementi, Luis Alberto; Vega, Jorge Rubén
    El caucho Acrilonitrilo-Butadieno de alto contenido de A (NBR por sus siglas en inglés: nitrile-butadiene rubber) se obtiene generalmente por copolimerización en emulsión de acrilonitrilo (A) y butadieno (B). La producción se realiza operando por encima del “punto azeotrópico”, donde el proceso puede inestabilizarse, dificultando la uniformidad del producto. La limitación para medir en línea la composición del copolímero restringe estrategias de lazo cerrado para estabilizar el proceso. En este trabajo se propone una estrategia de control en lazo cerrado que ajusta la composición del copolímero operando por encima del punto azeotrópico. A partir de un modelo de primeros principios, se implementa un sensor inferencial basado en redes neuronales recurrentes para estimar en línea la composición y cerrar el lazo de control mediante la dosificación de B durante el proceso. Los resultados indican un desempeño aceptable de la metodología de control propuesta, asegurando condiciones estables y una composición uniforme, incluso con errores significativos de modelado.
  • Thumbnail Image
    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 Rubén
    En 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.
  • Thumbnail Image
    Item
    Autocodificador recurrente para detectar fallas en un tren de reactores de polimerización
    (VII ARGENCON, 2024) Perdomo, Mariano Miguel; Clementi, Luis Alberto; Vega, Jorge Rubén
    La 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.
  • Thumbnail Image
    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 Rubén
    In 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.
  • Thumbnail Image
    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 Rubén
    La 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.