Modified Whale Optimization Algorithm based ANN: um novo modelo preditivo para planta de dessalinização RO

Scientific Reports volume 13, Número do artigo: 2901 (2023) Citar este artigo

874 Acessos

2 Citações

1 Altmétrica

Detalhes das métricas

Nas últimas décadas, os métodos de otimização inspirados na natureza desempenharam um papel crítico em ajudar os projetistas de plantas industriais a encontrar soluções superiores para os parâmetros do processo. Segundo a literatura, tais métodos são simples, rápidos e indispensáveis ​​para economia de tempo, dinheiro e energia. Nesse sentido, o Algoritmo de Otimização de Baleia Modificado (MWOA) hibridizado com Redes Neurais Artificiais (ANN) foi empregado no desempenho da usina de dessalinização de Osmose Reversa (RO) para estimar o fluxo de permeado (0,118‒2,656 L/h m2). Os conjuntos de dados da planta foram coletados da literatura e incluem quatro parâmetros de entrada: vazão de alimentação (400‒600 L/h), temperatura de entrada do evaporador (60‒80 °C), concentração de sal de alimentação (35‒140 g/L) e temperatura de entrada do condensador (20‒30 °C). Para tanto, foram propostos dez modelos preditivos (MWOA-ANN Model-1 to Model-10), que são capazes de prever o fluxo de permeado com mais precisão (L/h m2) do que os modelos existentes (Response Surface Methodology (RSM), ANN e modelos híbridos WOA-ANN) com erros mínimos. Os resultados da simulação sugerem que o algoritmo MWOA demonstra uma capacidade de otimização mais forte de encontrar os pesos e vieses corretos, de modo a permitir uma modelagem baseada em ANN superior sem limitação de overfitting. Dez modelos MWOA-ANN (Modelo-1 a Modelo-10) foram propostos para investigar o desempenho da planta. O modelo 6 com uma única camada oculta (H = 1), onze nós da camada oculta (n = 11) e os treze agentes de pesquisa (SA = 13) produziram os resultados de regressão mais excelentes (R2 = 99,1%) com erros mínimos (MSE = 0,005). Os erros residuais para o Modelo-6 também estão dentro dos limites (intervalo de − 0,1 a 0,2). Finalmente, os resultados mostram que os modelos MWOA-ANN selecionados são promissores para identificar os melhores parâmetros de processo para auxiliar os projetistas de plantas industriais.

Esta seção foi dividida em três partes: a primeira parte descreve o histórico de ANN e WOA, enquanto a segunda parte detalha a revisão da literatura. A terceira parte explica os principais objetivos, contribuições e linhas de pesquisa.

A ambição humana de realizar tarefas com mais rapidez, facilidade e baixo custo levou ao crescente desenvolvimento de operações eficientes em todo o mundo1,2. Da mesma forma, a indústria de plantas de processo está mudando para uma cultura em que as decisões são tomadas com base na análise de dados e resultados experimentais3,4. A esse respeito, os conjuntos de dados experimentais da planta foram coletados e avaliados para obter novos insights, o que auxilia na tomada de decisões para os projetistas da planta para economizar tempo de processamento, custo operacional e energia1,5,6.

Nas últimas décadas, as indústrias de plantas de processo tornaram-se consideravelmente mais dinâmicas e recorreram a análises avançadas, algoritmos de otimização e ferramentas de aprendizado de máquina para fornecer soluções preditivas e prescritivas para melhorar seu desempenho3,5,6,7,8,9,10,11 . Esses algoritmos e ferramentas são simples, adaptáveis ​​e eficientes para analisar conjuntos de dados de plantas pequenas e grandes. Alguns algoritmos inteligentes comumente usados ​​e ferramentas que estão sendo usadas ultimamente incluem Redes Neurais Artificiais (ANN)12,13,14,15, Colônia Artificial de Abelhas (ABC)16,17, Otimização de Enxames de Gatos (CSO)18,19, Otimização de Enxames de Partículas (PSO )20,21,22, Algoritmo Firefly (FA)23, Algoritmo Bat (BA)23,24, Algoritmo de Otimização de Baleia (WOA)17,25,26,27, Otimizador Lobo Cinzento (GWO)17,25,28,29 ,30 Butterfly Optimization Algorithm (BOA)31, Ant Lion Optimizer (ALO)17, Support Vector Machine (SVM)18,32,33, Response Surface Methodology (RSM)34,35, Non-Dominated Sorting Genetic Algorithm (NSGA)36 e seu híbrido.

ANN, em geral, segue o algoritmo de treinamento de retropropagação (BP) enquanto encontra um conjunto ótimo de pesos e vieses de conexão de nó para reduzir o erro. Uma previsão precisa de pesos e vieses é muito importante para garantir o alto desempenho do modelo. A abordagem BP emprega um algoritmo de gradiente descendente e necessita de um grande número de iterações37. A literatura sugere que um dos maiores desafios no uso da técnica de gradiente descendente é o seu aprisionamento nos ótimos locais. Isso está totalmente atrelado aos valores iniciais de peso considerados37, o que afeta a precisão final dos modelos. Portanto, os pesquisadores encontraram soluções alternativas como GA, PSO, GWO e WOA para minimizar esses problemas1,6.