Modelo NARX para el Perfil Térmico de Postcombustión en un Horno Industrial

• Montero-Góngora, Deynier ^[2] ; Albarracín Álvarez, Mauro Darío ^[1] ; Trujillo Codorniú, Rafael Arturo ^[3]
  1. [1] Universidad Técnica de Cotopaxi

     Universidad Técnica de Cotopaxi

     Latacunga, Ecuador

     
  2. [2] Universidad de Moa, Centro de Estudios de Energía y Tecnología Avanzada de Moa, Moa, Cuba
  3. [3] Universidad de Oriente, Departamento de Control Automático, Santiago de Cuba, Cuba

  Mostrar afiliaciones +
• Localización: Revista Politécnica, ISSN-e 2477-8990, Vol. 54, Nº. 3, 2024 (Ejemplar dedicado a: Revista Politécnica), págs. 17-26
• Idioma: español
• DOI: 10.33333/rp.vol54n3.02
• Títulos paralelos:
  • NARX Model for the Thermal Post -Combustion Profile in an Industrial Furnace
• Enlaces
  • Texto completo
• Resumen
  • español

    En los hornos de soleras múltiples, ocurren procesos físicos-químicos multivariables, no lineales y con dinámicas que varían en el tiempo. La automatización de la postcombustión se realiza mediante controladores Proporcional-Integral-Derivativo (PID), sin tener en cuenta modelos matemáticos que relacionen las variables de interés. Este artículo presenta modelos de redes neuronales artificiales (RNA) que se evalúan mediante los criterios de información de Akaike (AIC) y Bayesiano (BIC), y relacionan el perfil térmico de postcombustión respecto a la regulación de flujos de aire. El modelo propuesto por BIC de tres neuronas en la capa oculta, obtuvo una predicción de error de 4.7 °C con un paso delante (120 s); y puede emplearse en el diseño de estrategias de control con su consecuente impacto en la industria cubana del níquel.

     

  • English

    In multi-hearth furnaces, multivariable, non-linear physical-chemical processes occur with dynamics that vary over time. Post-combustion automation is performed by means of Proportional-Integral-Derivative (PID) controllers, without taking into account mathematical models that relate the variables of interest. This article presents artificial neural network (ANN) models which are evaluated by the Akaike (AIC) and Bayesian (BIC) information criteria, and relate the post-combustion thermal profile to the regulation of air flows. The model proposed by BIC with three neurons in the hidden layer, obtained a prediction error of 4.7 °C with one step ahead (120 s); and can be used in the design of control strategies with their consequent impact on the Cuban nickel industry.

• Referencias bibliográficas
  • Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on automatic control, 19(6), 716-723. https://doi.org/10.1109/TAC.1974.1100705
  • Aljojo, N., Alshutayri, A., Aldhahri, E., Almandeel, S., & Zainol, A. (2021). A Nonlinear Autoregressive Exogenous (NARX) Neural Network...
  • Amellas, Y., Bakkali, O.E., Djebil, A., & Echchelh, A. (2020). Short-term wind speed prediction based on MLP and NARX network models....
  • Boussaada, Z., Curea, O., Remaci, A., Camblong, H., & Mrabet, N. (2018). A Nonlinear Autoregressive Exogenous (Narx) Neural Network Model...
  • Castellanos, J., Casto, R., & García, I. (1986). Elaboración de minerales oxidados de níquel por el esquema carbonato amoniacal. Minería...
  • https://1library.co/document/y818494z-elaboracion minerales-oxidados-niquel-esquema-carbonato amoniacal.html
  • Chang, A. R. (1999). Una visión sobre las reservas estratégicas de eficiencia metalúrgica en la tecnología carbonato-amoniacal. Minería y...
  • Devijver, P. A., & Kittler, J. (1982). Pattern Recognition: A Statistical Approach. Englewood Cliffs, N.J. : Prentice/Hall International
  • Diaconescu, E. (2008). The Use of Narx Neural Networks to Predict Chaotic Time Series. Wseas Trans. Comput. Res., 3, 182-191.
  • http://www.wseas.us/elibrary/transactions/research/2008/27-464.pdf
  • Dziak, J. J., Coffman, D. L., Lanza, S. T., Li, R., & Jermiin, L. S. (2020). Sensitivity and specificity of information criteria. Briefings...
  • Fraser, E. D., Dougill, A. J., Mabee, W. E., Reed, M., & McAlpine, P. (2006). Bottom up and top down: Analysis of participatory processes...
  • Ghahari, S., Queiroz, C., Labi, S., & McNeil, S. (2021). Cluster Forecasting of Corruption Using Nonlinear Autoregressive Models with...
  • Góngora, D., Van Caneghem, J., Haeseldonckx, D., Leyva, E., Mendoza, M., & Dutta, A. (2020). Post-combustion artificial neural network...
  • Habashi, F. (1997). Handbook of Extractive Metallurgy. In Wiley-VCH (Ed.), (Vol. II).
  • Hayder, G., Solihin, M. I., & Najwa, M. R. N. (2022); Multi-step-ahead prediction of river flow using NARX neural networks and deep learning...
  • Hurvich, C. M., & Tsai, C. L. (1989). Regression and time series model selection in small samples. Biometrika, 76(2), 297-307. https://doi.org/10.2307/2336663
  • Louzazni, M., Mosalam, H., Khouya, A., & Amechnoue, K. (2020) A non-linear auto-regressive exogenous method to forecast the photovoltaic...
  • Miranda, J., Chaviano, R., & Miranda, J. R. (2002). Nuevas Interpretaciones químico-mineralógicas de las menas lateríticas y serpentínicas,...
  • Montero, D., Columbié, Á., Montero, R., Trujillo, R., & Vázquez, L. (2022). Modelo NARX de la postcombustión en un horno de reducción...
  • Montero, D., Góngora, E., & Ramírez, M. (2019). Identification OF Post-Combustion Sub-Process Using Artificial Neural Networks. Biomed...
  • Montero, D., Ramírez, M., Gilbert, A., & Perdices, S. (2015). Modelación matemática para el control de la postcombustión en un horno de...
  • http://scielo.sld.cu/pdf/eac/v36n3/eac03315.pdf
  • Murari, A., Rossi, R., Spolladore, L., Lungaroni, M., Gaudio, P., & Gelfusa, M. (2023). A practical utility-based but objective approach...
  • Nekoee, M., & Hosseini, R.S. (2020). Thermal anomaly detection using NARX neural network method to estimate the earthquake occurrence...
  • Paul, R. K., & Sinha, K. (2016). Forecasting Crop Yield: A Comparitive Assessment of Arimax and Narx Model. RASHI, 1, 77-85.
  • https://krishi.icar.gov.in/jspui/bitstream/123456789/43008/1/FORECASTING%20CROP%20YIELD_ARIMAX%20%26%20NARX.pdf
  • Purnomo, L. A. A., & Biyanto, T. R. (2019, March 29). Neural network model for profile temperature of nickel kiln AIP Conference Proceedings,
  • https://sci-hub.st/10.1063/1.5095267
  • Quade, M., Abel, M., Nathan, J., & Brunton, S. (2018). Sparse identification of nonlinear dynamics for rapid model recovery. Chaos, 28(063116),...
  • Ramírez, I. M., & Ramírez, B. (2021). Efecto de la postcombustión sobre los principales índices técnico-económicos en un horno Herreshoff...
  • https://www.redalyc.org/journal/2235/223569573004/223569573004.pdf
  • Ramírez, M. (2001). Identificación experimental del subproceso de postcombustión en un horno de reducción de níquel. Minería y Geología, 18(2),...
  • https://revista.ismm.edu.cu/index.php/revistamg/article/view/207/194
  • Ramírez, M. (2002). Modelado del proceso de post-combustión en un horno de reducción de níquel. Revista de Metalurgia, 38(2), 150-157.
  • https://revistademetalurgia.revistas.csic.es/index.php/revistademetalurgia/article/view/396/402
  • Reed, M. S., Stringer, L. C., Fazey, I., Evely, A. C., & Kruijsen, J. H. J. (2014). Five principles for the practice of knowledge exchange...
  • Rodríguez, L., Marrero, Y., & Reynaldo, C. L. (2022). Evaluation of efficiency in the nickel mining in Cuba. MIAB. Mining Inf. Anal. Bull,...
  • https://www.elibrary.ru/item.asp?id=50167349
  • Schwarz, G. (1978). Estimating the dimension of a model. The Annals of Statistics, 6(2), 461-464. https://doi.org/10.1214/aos/1176344136
  • Song, Q.C., Tang, C., & Wee, S. (2021). Making Sense of Model Generalizability: A Tutorial on Cross-Validation in R and Shiny. Advances...
  • Taqvi, S. A., Tufa, L. D., Zabiri, H., Maulud, A. S., & Uddin, F. (2020). Fault Detection in Distillation Column Using Narx Neural Network....
  • https://link.springer.com/article/10.1007/s00521-018-3658-z
  • Tredennick, A. T., Hooker, G., Ellner, S. P., & Adler, P. B. (2021). A practical guide to selecting models for exploration, inference,...
  • Tseng, S. C., & Hung, S. W. (2014). A strategic decision-making model considering the social costs of carbon dioxide emissions for sustainable...
  • Yu, X., Chen, Z., & Qi, L. ( 2019). Comparative Study of Sarima and Narx Models in Predicting the Incidence of Schistosomiasis in China....
  • Yuanlin, G., Hua-Liang, W., & Balikhin, M. (2018). Nonlinear predictive model selection and model averaging using information criteria....
  • Zayas, F., Quintián, H., Jove, E., Casteleiro, J. L., & Calvo, J. L. (2020). Diseño de controladores PID. https://doi.org/10.17979/spudc.9788497497855