![](http://emc.ufsc.br/portal/wp-content/uploads/2019/11/Arrigoni-I.png)
![](http://emc.ufsc.br/portal/wp-content/uploads/2019/11/Arrigoni-I.png)
O estudante Lucas Arrigoni Iervolino, orientado pelo Prof. Carlos Alberto Flesch, Dr. Eng. e coorientado pelo Prof. Antonio Luiz Schalata Pacheco, Dr.Eng., defenderá sua dissertação na próxima quarta-feira (27/11) às 13h30 no auditório do EMC. A defesa é vinculada ao Programa de Pós-Graduação em Engenharia Mecânica. O auditório tem capacidade para cerca de 64 pessoas.
Banca:
Prof. Carlos Alberto Flesch, Dr. Eng. (Presidente/Orientador)
Prof. Dr.-Ing. Marcelo Ricardo Stemmer (DAS/UFSC)
Prof. Marco Antônio Martins Cavaco, Ph.D.
Título: “Processamento de dados em medições indiretas não invasivas de pressões de sucção e de descarga de compressores herméticos de refrigeração”
Resumo:
As pressões associadas à sucção e à descarga de compressores herméticos são correlacionadas com as condições termodinâmicas dos sistemas de refrigeração aos quais estão inseridos, estando intimamente ligadas às temperaturas em que ocorrem a evaporação e a condensação. Elas podem fornecer informações sobre o desempenho do sistema e de seus componentes, contribuindo para colocar os compressores em condições favoráveis de operação, por exemplo visando reduzir o consumo de energia e o ruído e aumentar a sua vida útil.Além disso, é de grande valia na predição de falhas e na identificação de defeitos. Um trabalho anterior explorou a obtenção das pressões a partir da corrente do compressor e de sinais obtidos do inversor associado à alimentação do compressor. Tais informações foram usadas para estimar o perfil de velocidade instantânea do compressor durante uma revolução completa. O mesmo trabalho mostrou a existência de correlação entre o perfil de velocidade angular do eixo do motor do compressor e tais pressões. O presente trabalho analisou diferentes formas de processamento dos dados, com ênfase na utilização de recursos de inteligência artificial,para estimação de tais pressões a partir de tais informações. Para obtenção dos dados foi utilizada uma bancada que emula diversas condições de operação de compressores. Foram desenvolvidos modelos de regressão linear múltipla, redes neurais artificiais, random forests, light gradient boosting machines (LGBM) e máquinas de vetor suporte. Os resultados obtidos mostraram o bom desempenho das ferramentas para a estimativa da pressão de sucção, destacando-se os modelos baseados em técnicas de seleção de árvore de decisão, como LGBM e aqueles constituídos por máquinas de vetor suporte. Estratégias de segmentação do domínio para compor um conjunto de estimadores especialistas para a inferência da pressão de descarga mostraram-se necessárias para melhorar o desempenho geral da tarefa. Os resultados obtidos mostraram melhoria no desempenho das ferramentas para a estimativa da pressão de descarga, com destaque para os modelos de árvore de decisão por random forests.
Palavras-chave: Compressores herméticos de refrigeração. Medição não invasiva. Inteligência artificial.Processamento de dados. Estimação de pressões.