Facultad Regional Santa Fe

Permanent URI for this communityhttp://48.217.138.120/handle/20.500.12272/113

Browse

Author: search.filters.author.Vega, Jorge Rubén

Search Results

Now showing 1 - 10 of 27
  • Thumbnail Image
    Item
    Rentabilidad económica del vehículo eléctrico mediante el análisis de sensibilidad de variables económicas
    (4º Congreso sobre Medios de Transporte y Tecnologías Asociadas, 2023-09-06) Lucero, Facundo; Perdomo, Mariano M.; Manassero, Ulises; Vega, Jorge Rubén; Marelli, Pablo; Fernández, Juan P.
    El contexto energético global requiere un accionar multisectorial para cumplimentar metas ambientales en pos de un crecimiento sostenible. El sector del transporte se encuentra entre aquellos más influyentes en la coyuntura, por lo que presenta un gran potencial para efectuar cambios trascendentales. La movilidad eléctrica lidera los vectores de cambio en el sector, presentando múltiples ventajas frente a la tecnología convencional. Sin embargo, existen barreras para su inserción que se ponen en discusión mediante políticas que faciliten su adquisición y uso. El presente trabajo compara dos modelos de vehículos equivalentes mediante el análisis de la evolución del costo en el tiempo, para esto se consideran distintos escenarios de sensibilización. Por un lado, la variación en el costo de adquisición, estableciendo escalones de reducción en los precios, y en la eficiencia de los vehículos eléctricos. Por el otro, las tarifas de energía utilizadas, las cuales surgen del análisis de los nuevos segmentos tarifarios, según los niveles de ingresos y consumo de cada usuario. Los resultados muestran una alta incidencia de los costos de adquisición en la inviabilidad del cambio de tecnología. Contrariamente, la mejora de la eficiencia de los vehículos no modifica drásticamente la evolución de los costos en el tiempo. En cuanto a la diferencia entre sectores tarifarios, si bien el costo desarrollado difiere, no resulta relevante para determinar la viabilidad en el uso de una tecnología por sobre la otra.
  • Thumbnail Image
    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 Rubén
    La 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.
  • 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
  • Thumbnail Image
    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.
  • Thumbnail Image
    Item
    An adaptive soft sensor for on-line monitoring the mass conversion in the emulsion copolymerization of the continuous SBR process
    (Macromolecular Reaction Engineering, 2023) Sanseverinatti, Carlos Ignacio; Perdomo, Mariano Miguel; Clementi, Luis Alberto; Vega, Jorge Rubén
    Soft sensors (SS) are of importance in monitoring polymerization processes because numerous production and quality variables cannot be measured online. Adaptive SSs are of interest to maintain accurate estimations under disturbances and changes in operating points. This study proposes an adaptive SS to online estimate the mass conversion in the emulsion copolymerization required for the production of Styrene-Butadiene rubber (SBR). The SS includes a bias term calculated from sporadic laboratory measurements. Typically, the bias is updated every time a new laboratory report becomes available, but this strategy leads to unnecessarily frequent bias updates. The SS includes a statistic-based tool to avoid unnecessary bias updates and reduce the variability of the bias with respect to classical approaches. A control chart (CC) for individual determinations combined with an algorithmic Cusum is used to monitor the statistical stability of the average prediction error. The adaptive SS enables a bias update only when a loss of said statistical stability is detected. Several bias update methods are tested on a simulated industrial train of reactors for the latex production in the SBR process. The best results are obtained by combining the proposed CC-based approach with a previously developed Bayesian bias update strategy.
  • Thumbnail Image
    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 Rubén
    Un 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.