Aplicação de redes neurais artificiais na predição de curvas de taxa mássica obtidas por processamento de imagens

Abstract

Resumo: Processos de descarga de material sólido são de difícil controle e predição, uma vez que medir o comportamento desses sistemas depende de uma série de fatores como: as propriedades físicas dos sólidos, o formato dos grãos particulados e as dimensões do reservatório. Todos esses fatores e somado a aleatoriedade do movimento dos sólidos torna o processo complexo para se aferir o seu comportamento. Hoje na literatura se encontra uma série de trabalhos voltados a simulações numéricas de processos de descarga de grãos, no entanto, essas simulações muitas vezes são custosas computacionalmente e de difícil determinação dos parâmetros de simulação. Por outro lado, com o desenvolvimento de câmeras mais sofisticadas e a melhoria do processamento computacional, trabalhos voltados ao estudo do movimento dos sólidos a partir de processamento de imagem tem se tornado opções interessantes e muito mais rentáveis que as tradicionais simulações com DEM (Método de Elementos Discretos). Com isso, este trabalho vem com o objetivo de estudar o processo de descarga de grãos esféricos em um reservatório, avaliando como as condições iniciais de tipo de empacotamento e fração mássica podem influenciar no comportamento das curvas de taxa mássica geradas. Além disso, este trabalho propõe a utilização de dados obtidos por processamento de imagem para se treinar dois tipos de arquiteturas de redes neurais artificiais, sendo elas: as redes neurais artificiais do tipo feedforward com backpropagation; e as redes neurais recorrentes. As redes neurais foram utilizadas com o intuito de criar um modelo que conseguisse predizer as curvas de taxa mássica com base nas condições iniciais fornecidas. Os resultados demonstraram que o método de processamento de imagem para se estimar a massa em função do tempo apresentou um viés que tende a superestimar o valor das massas finais do processo de descarga. Em relação a influência do empacotamento na descarga, foi verificado que o tipo de empacotamento tende a influenciar o processo de descarga e, portanto, no valor das massas finais dos grãos no processo, tal influência do empacotamento foi resultado do efeito de percolação e bloqueio geométrico das esferas em determinados níveis do empacotamento. Por fim, utilizou-se os dados de curvas de taxa mássica e as condições iniciais do processo para se treinar os modelos de rede neural artificial. Um modelo baseado em rede neural recorrente do tipo LSTM demonstrou um ótimo desempenho, resultando em um modelo que gerou um coeficiente de determinação (R²) de 97,44% no grupo de teste, indicando a robustez das redes neurais recorrentes em predição de séries temporais

Abstract: Solid material discharge processes are difficult to control and predict, since measuring the behavior of these systems depends on a number of factors such as: the physical properties of the solids, the shape of the particulate grains and the dimensions of the hopper. All these factors, plus the randomness of the solids movement, make it a complex process to measure. There are a lot of studies in the literature about numerical simulations of hopper discharge processes, but these simulations are often computationally expensive and difficult to determine the simulation parameters. On the other hand, with the development of more sophisticated cameras and improvements in computer processing, work aimed at studying the movement of solids using image processing has become an interesting and much more cost-effective option than traditional DEM (Discrete Element Method) simulations. In this way, this work aims to study the process of hopper discharge with spherical grains, evaluating how the initial conditions of packing type and mass fraction can influence the behavior of the mass rate curves generated. In addition, this work proposes the use of data obtained through image processing to train two types of artificial neural network architectures: feedforward artificial neural network with backpropagation and recurrent neural networks. Neural networks were used to create a model that could predict the mass rate curves based on the initial conditions provided. The results showed that the image processing method used to estimate mass over time produced an overestimation of the final mass value of the hopper discharge process. Regarding the influence of packing on unloading, it was found that the type of packing influenced the unloading process and, consequently, the final mass of the grains. This packing influence was the result of the percolation effect and geometric blocking of the spheres at certain levels of packing. Finally, the mass rate curve data and the initial process conditions were used to train the artificial neural network models. A model based on a recurrent neural network LSTM showed excellent performance, resulting in a model that generated a coefficient of determination (R²) of 97.44% in the test group and demonstrating the effectiveness of recurrent neural networks in predicting time series