Paulo Henrique Bianchi

INSTITUTO DE PESQUISAS ENERGTICAS E NUCLEARES
Autarquia associada Universidade de So Paulo
SISTEMA DE IDENTIFICAO E CLASSIFICAO DE TRANSIENTES EM

REATORES NUCLEARES
PAULO HENRIQUE BIANCHI
Dissertao apresentada como parte

dos requisitos para obteno do grau
de Mestre em Cincias na rea de
Tecnologia Nuclear Reatores.
Orientador:
Dr. Benedito Dias Baptista Filho
SO PAULO
2008
INSTITUTO DE PESQUISAS ENERGTICAS E NUCLEARES
Autarquia associada Universidade de So Paulo

REATORES NUCLEARES
PAULO HENRIQUE BIANCHI
Dissertao apresentada como parte

dos requisitos para obteno do grau
de Mestre em Cincias na rea de
Tecnologia Nuclear Reatores.
Orientador:
Dr. Benedito Dias Baptista Filho
SO PAULO
2008
Dedico este trabalho a trs pessoas muito especiais:
Ao meu pai Attilio, por me transmitir o seu fascnio pela cincia

minha me Lcia, por me ensinar a acreditar em mim mesmo
E minha tia Graciete, por ter me tornado uma pessoa encantada pela leitura e
pela educao
Agradecimentos
Gostaria de agradecer aos meus familiares, que passaram junto comigo pelas
dificuldades deste perodo intenso e to importante da minha vida.
Agradeo tambm minha namorada Maira, que me ajudou e apoiou desde o
incio, sempre paciente e tolerante a todos os imprevistos.
Devo agradecimentos aos professores que tive neste curso, que fizeram
enriquecer meu intelecto e minha vida.
E, por fim, agradeo ao professor Benedito, que confiou em mim desde o primeiro
momento, e que para sempre ter a minha estima e amizade.
[] mais freqente que a confiana seja gerada pela ignorncia do que pelo
conhecimento: so os que conhecem pouco, no os que conhecem muito, os que
afirmam to positivamente que este ou aquele problema nunca ser solucionado
pela cincia.
Charles Darwin, The Descent of Men (1871)

REATORES NUCLEARES
Paulo Henrique Bianchi
RESUMO
Este trabalho descreve o estudo e testes de um sistema capaz de identificar e

classificar os transientes, ou estados transitrios, de sistemas termo-hidrulicos,
utilizando a tcnica de redes neurais artificiais do tipo mapas de caractersticas
auto-organizveis, com o objetivo de sua implantao nas novas geraes de
reatores nucleares.
A tcnica desenvolvida neste trabalho consiste no uso de mltiplas redes para

fazer a classificao e identificao dos estados transitrios, sendo cada uma
especialista em um respectivo transitrio do sistema, que competem entre si por
meio do erro de quantizao, que uma medida gerada por estas redes neurais.
Esta tcnica se mostrou eficiente, apresentando caractersticas muito promissoras
no que diz respeito ao desenvolvimento de novas funcionalidades em futuros
projetos. Uma dessas caractersticas consiste no potencial de que a rede, alm de
responder qual estado transitrio est em curso, tambm pode oferecer
informaes adicionais sobre esse transitrio.
NUCLEAR REACTORS TRANSIENTS IDENTIFICATION AND
CLASSIFICATION SYSTEM
Paulo Henrique Bianchi
ABSTRACT
This work describes the study and test of a system capable to identify and classify
transients in thermo-hydraulic systems, using a neural network technique of the
self-organizing maps (SOM) type, with the objective of implanting it on the new
generations of nuclear reactors.
The technique developed in this work consists on the use of multiple networks to
do the classification and identification of the transient states, being each network a
specialist at one respective transient of the system, that compete with each other
using the quantization error, that is a measure given by this type of neural network.
This technique showed very promising characteristics that allow the development
of new functionalities in future projects. One of these characteristics consists on
the potential of each network, besides responding what transient is in course,
could give additional information about that transient.
SUMRIO
Pgina
1. INTRODUO ................................................................................................. 9
1.1. Histrico .............................................................................................................9
1.2. Identificao e Classificao de Transientes....................................................15
1.3. A Identificao e Classificao de Transientes com Inteligncia Artificial.........15
1.4. Trabalhos Correlatos........................................................................................16
2. OBJETIVO ..................................................................................................... 20
3. FUNDAMENTOS TERICOS ........................................................................ 21
3.1. As Redes Neurais Artificiais .............................................................................21
4. METODOLOGIA ............................................................................................ 24
4.1. Aquisio de Dados .........................................................................................24
4.1.1. A Bancada de Circulao Natural ....................................................................25
4.1.1.1. Aquecedor ............................................................................................................................26
4.1.1.2. Trocador de Calor ................................................................................................................27
4.1.1.3. Instrumentao .....................................................................................................................28
4.1.1.4. Controle................................................................................................................................29
4.1.2. Transientes Tratados .......................................................................................30
4.1.3. Plano de experimentos.....................................................................................31
4.2. Redes Neurais Artificiais ..................................................................................33
4.2.1. Treinamento.....................................................................................................34
4.2.2. Tcnicas de avaliao de desempenho das redes neurais ..............................40
4.2.2.1. Funo de Medida de Desempenho .....................................................................................40
4.2.2.2. Produto Cartesiano ...............................................................................................................41
4.2.3. Semforos........................................................................................................41
4.3. Interface com o Usurio ...................................................................................42
5. RESULTADOS............................................................................................... 44
5.1. Aquisio de Dados .........................................................................................44
5.2. Redes Neurais .................................................................................................53
6. ANLISE DE RESULTADOS ........................................................................ 62
6.1. Aquisio de Dados .........................................................................................62
6.2. Redes Neurais .................................................................................................62
7. CONCLUSES .............................................................................................. 65
APNDICE A Dados gerados pela avaliao via produto cartesiano ......... 67
APNDICE B Experimentos feitos na bancada de circulao natural........ 80
BIBLIOGRAFIA ................................................................................................... 91
9
1. INTRODUO
1.1. Histrico
A energia nuclear pode desempenhar importante papel na oferta de
energia limpa, segura e econmica com a certeza de suprimento e sem emisso
de poluentes que agravem o efeito estufa. No entanto, seu futuro depende do
desenvolvimento de novos conceitos de reatores com caractersticas avanadas e
inovadoras, capazes de superar desafios econmicos e de aceitao pblica.
O Departamento de Energia (DOE) dos Estados Unidos motivou a

reunio de um grupo de pases iniciando o que ficou denominado de Foro
Internacional de Reatores de IV Gerao (GIF). O principal objetivo dessa
iniciativa foi o de identificar, avaliar e definir as necessidades de desenvolvimento
de novos sistemas de energia nuclear que tivessem boa aceitao pblica e que
pudessem ser licenciados, construdos e operados satisfazendo as necessidades
de quatro grandes reas:
Desenvolvimento sustentvel: A capacidade de atender as

necessidades da nossa gerao sem comprometer as geraes futuras, ou seja,
atender as necessidades da sociedade indefinidamente no futuro. As metas de
sustentabilidade englobam os aspectos de utilizao mais eficaz do combustvel,
minimizao e gerenciamento de rejeitos e impacto ambiental visando alm dos
benefcios de impacto positivo em termos de aquecimento global, a reduo do
volume e do perodo necessrio para estocagem de rejeitos e a extenso quase
que indefinida das reservas de combustvel nuclear.
Competitividade: As metas de economicidade para os sistemas

nucleares de energia, visam alm de uma posio bem vantajosa na anlise do
ciclo de vida, obter tambm vantagem nos custos de produo e riscos
financeiros aceitveis quando comparados com outras opes de gerao de
eletricidade. Considera-se ainda a produo de hidrognio, gua potvel, calor
aquecimento distrital e outros produtos.
Segurana e confiabilidade: esta uma rea de alta prioridade no

desenvolvimento da prxima gerao de reatores. As metas de segurana e
10
confiabilidade consideram a operao confivel, o aperfeioamento no

gerenciamento de acidentes e a minimizao de suas conseqncias,
considerando ainda a proteo no investimento e a reduo na necessidade de
resposta a emergncias fora da instalao (off-site emergency response).
Resistncia proliferao e proteo fsica: Considera metas que

avaliam as caractersticas intrnsecas e extrnsecas de resistncia a proliferao e
proteo fsica dos sistemas nucleares de gerao de energia e seus respectivos
ciclos de combustvel.
Observa-se que, antes do desenvolvimento da quarta gerao de

reatores, os investimentos em novas centrais devero considerar os reatores
avanados, no conceito de reatores inovativos como: CAREM, IRIS e PBMR.
O Brasil, por intermdio da CNEN e da NUCLEP, um dos parceiros

no desenvolvimento do conceito IRIS International Reactor Innovative and
Secure, que est sendo desenvolvido por meio de um projeto de cooperao
internacional envolvendo aproximadamente mais de vinte instituies, entre
empresas, centros de pesquisa e universidades. O IRIS um conceito de reator
que poder ser utilizado em mdio prazo, ou seja, no incio da segunda dcada
do sculo 21.
Promover o desenvolvimento dos povos e naes menos privilegiados

mais que uma bandeira de grandes organizaes ou potncias; uma
necessidade para a sobrevivncia de toda a humanidade. Para isso, o
desenvolvimento tem que ser sustentvel, no limitado a aspectos econmicos
apenas, mas com continuidade assegurada. As naes mais desenvolvidas, que
consomem a maior parte da energia gerada no mundo, tm uma matriz energtica
fundada principalmente em recursos fsseis, que, estima-se, podero esgotar no
futuro. Alm disso, essa matriz, se estendida no mesmo nvel de demanda a toda
humanidade, pode causar danos graves ao meio ambiente. Desenvolver essa
maioria, to distante do patamar de desenvolvimento das grandes naes, requer
recursos energticos ainda inacessveis ou economicamente inviveis.
Muitos cenrios tm sido construdos com base nos mais variados

pontos de vista. Quando, no entanto, se procura considerar a sade futura para
toda humanidade, se conclui que no existe uma nica soluo: as alternativas
11
devem ser versteis e inteligentes, adaptadas a caractersticas globais e regionais

ao mesmo tempo. Uma das anlises mais coerentes que encontramos, foi
apresentada pela the Intergovernmental Panel on Climate Change (IPCC). A
IPCC apresenta em seu relatrio Special Report on Emissions Scenarios
(SRES) [5], a fuso de 40 cenrios em quatro grandes grupos representativos:
A1, A2, B1 e B2. Cada um desses grupos de cenrios representa diferentes nveis
de desenvolvimento demogrfico, social, econmico, tecnolgico e ambiental. A
Figura 1 ilustra como cada um desses fatores influi nos ramos. Os objetivos
econmicos so os atratores nos ramos A, no topo da figura, enquanto que os
objetivos ambientais dominam os ramos B. Os ramos 1 esquerda incorporam
fortes tendncias de globalizao e uma integrao internacional maior, enquanto
que os ramos 2, direita, caracterizam a acentuao do regionalismo ao invs da
globalizao.
Em resumo, o ramo A1 e sua famlia de cenrios descrevem um mundo

futuro de muito rpido crescimento econmico, pequeno crescimento populacional
e com a rpida introduo de novas e mais eficientes tecnologias. O ramo A2
considera cenrios para um mundo muito heterogneo. As bases so a
autoconfiana e a preservao da identidade regional, com alto crescimento
populacional. O desenvolvimento econmico orientado predominantemente pela
regionalidade e o crescimento econmico per capita e as mudanas tecnolgicas
so mais fragmentados e lentos que nos outros ramos. O ramo B1 e sua famlia
de cenrios descreve um mundo convergente com o mesmo baixo crescimento
populacional que em A1, mas com rpidas mudanas nas estruturas econmicas
na direo de servios e informao, com reduo na intensidade de demanda de
matria prima e com a introduo de tecnologias limpas e eficientes. A nfase
em solues globais para os desafios resultantes da demanda econmica,
desafios estes tanto sociais quanto ambientais, incluindo o aumento na equidade,
mas sem iniciativas adicionais em clima. O ramo B2 e seus correspondentes
cenrios descrevem um mundo no qual a nfase est nas solues locais para os
desafios econmicos, sociais e ambientais; esse um mundo de moderado
crescimento populacional, nveis intermedirios de desenvolvimento econmico, e
uma mais lenta e mais diversificada mudana tecnolgica. Enquanto orientado
12
para a proteo ambiental e a equidade social, esse ramo focaliza nveis locais e
regionais.
Figura 1 - rvore de agrupamento dos diversos cenrios da energia.
Com base nesses estudos a Agncia Internacional de Energia Atmica

(IAEA), coordenando um projeto internacional para estudar os potenciais da
energia nuclear como contribuinte nesses cenrios, destacou um perodo em que
a energia nuclear pode contribuir com o desenvolvimento de estratgias globais.
Essa concluso foi um dos resultados de projeto de cooperao internacional
denominado INPRO; International Project on Innovative Nuclear Reactors and
Fuel Cycles [6]. Esses estudos mostram que mesmo nos piores cenrios para o
setor, a energia nuclear ainda ser necessria at que a energia solar possa ser
utilizada em larga escala. Sabe-se, contudo, que a contribuio da energia
nuclear ir depender de vrios fatores relacionados a seu desempenho,
segurana, aceitao, e sustentabilidade. Por esses motivos h a necessidade de
se definir requisitos para novas geraes de reatores e para identificar que
projetos tm potencial de viabilizao em mdio, aproximadamente 15 anos, e
longo prazo.
O Brasil participa de duas iniciativas com esses objetivos, a liderada

pela AIEA (INPRO), e a liderada pelo Departamento de Energia (DOE) dos
Estados Unidos, conhecida como Generation IV (GIF) [7, 8]. Nas duas iniciativas
13
se definem requisitos para tornar a opo nuclear mais competitiva e segura. No

entanto, para satisfazer esses requisitos ainda necessria muita pesquisa e
desenvolvimento tecnolgico. Espera-se que reatores seguindo essas linhas
estejam disponveis somente aps 2030. Nesse nterim, o Brasil participa de um
programa que busca oferecer alternativas em prazos menores. Originado por uma
demanda do departamento de energia dos Estados Unidos, um projeto se
transformou em um consrcio internacional batizado com o prprio nome do
reator concebido: IRIS International Reactor Innovative & Secure. O IRIS est
sendo desenvolvido por um consrcio de 22 instituies de 9 pases liderado pela
Westinghouse [1, 2, 3, 9, 10]. As referncias [11-13] descrevem a participao
brasileira liderada pela CNEN.
O reator IRIS procura atender aos desafios apresentados introduzindo

melhorias nas questes referentes : segurana, proliferao nuclear, rejeitos,
economia e finanas. O conceito bsico proposto para alcanar essas melhorias
o de um reator integral (Fig. 2) a gua pressurizada, com uma potncia de
1000MW trmicos. Essa configurao visa atender o mercado para usinas de
mdio porte, aproveitar a extensa experincia acumulada na operao dos
reatores gua pressurizada existentes no mundo e aumentar a segurana,
eliminando ou minimizando a possibilidade de ocorrncia de uma srie de
acidentes, entre eles o acidente de perda de refrigerante. Um dos fatores que
pode contribuir para melhorar a segurana, diminuir os riscos econmicos e
melhorar o desempenho desse, e mesmo de outros reatores em operao, a
disponibilidade de sistemas de interface homem-mquina (SIHM) avanados.
Esses sistemas auxiliam os operadores do reator a mant-lo em regies de
operao mais estveis diminuindo riscos de estados transitrios (ou transientes)
com potencial de provocar paradas foradas; aumentando ainda a disponibilidade
da instalao e conseqentemente seu potencial de retorno financeiro.
14
Figura 2 - Reator Integrado IRIS.
Um dos objetivos deste projeto o desenvolvimento de um sistema de

informaes que d suporte equipe de operao de reatores de nova gerao
(como o IRIS) com o fim de tornar sua operao mais segura e aumentando o
fator disponibilidade pela reduo das paradas foradas. A proposta o
desenvolvimento de um Sistema de Classificao e Identificao de Transientes
que, atuando durante a operao do reator, aponte o incio, ou a tendncia de
evoluo insegura, de transitrios operacionais para condies de emergncia.
Tem-se investido muito em tcnicas de inteligncia artificial para apoio

a sistemas de superviso de processo. Uma das tcnicas mais promissoras que
surge nesse campo consiste na utilizao dos Mapas de Caractersticas Auto-
Organizveis de Kohonen (SOMF) [14]. Esses mapas nada mais so do que
redes neurais artificiais muito peculiares que tiveram seu desenvolvimento
motivado pela observao de uma caracterstica do crebro humano: a
organizao de entradas sensoriais como viso e tato, representadas por mapas
organizados topologicamente. Desta forma, pretende-se utilizar neste trabalho
15
tcnicas de identificao e classificao de estados transitrios baseadas em

Mapas Auto-Organizveis.
1.2. Identificao e Classificao de Transientes

O problema da identificao e classificao de estados transitrios, ou
transientes, pertinente no que diz respeito ao tempo de resposta dos
operadores e demais funcionrios de um Reator Nuclear.
Atualmente, os operadores reconhecem os diversos estados

transitrios de um reator de maneira subjetiva, interpretando uma srie de
mostradores numricos que, por sua vez, representam diversas variveis
provindas dos sistemas do reator.
Porm, estas variveis, e seus mostradores, so muito numerosos.

Cada transitrio pode ser identificado de maneiras peculiares, sendo que, se o
operador em um dado instante est atento a uma varivel especfica, pode perder
uma variao importantssima e caracterstica de um transitrio indesejvel, ou
at mesmo acidental, de outra varivel.
Sendo assim, um sistema que monitore todas as variveis ao mesmo

tempo, e ainda identifique e classifique transitrios utilizando uma classificao
muito prxima subjetiva utilizada pelos operadores, se faz extremamente til no
que diz respeito operao eficiente e segura dos reatores, e at mesmo de
outros sistemas industriais.
Vale lembrar que no basta possuir um sistema que faa e apresente

tais identificaes e classificaes aos operadores, mas tal sistema deve faz-lo
utilizando uma interface amigvel e de fcil compreenso pelos operadores.
Sendo assim, a interface com o usurio um tpico a ser tratado com

cuidado e ateno s necessidades dos operadores e funcionrios de um reator
nuclear.
1.3. A Identificao e Classificao de Transientes com Inteligncia Artificial

O carter subjetivo das classificaes feitas pelos operadores torna
necessrio que o sistema seja capaz de utiliz-las em suas respostas aos
usurios.
16
As tcnicas de inteligncia artificial so capazes de produzir

ferramentas que possibilitam a utilizao de classificaes tidas como subjetivas
em seu mecanismo e funcionamento.
Estas tcnicas tambm possuem a caracterstica de normalmente

serem mais rpidas que os mtodos analticos que poderiam ser utilizados caso
cumprissem o pr-requisito de classificarem de maneira semelhante ao que os
operadores esto habituados.
Existe tambm o fator rudo. A tcnica de inteligncia artificial do tipo

mapa de caractersticas auto-organizveis pode gerar aproximaes de grupos de
dados, aproximaes estas que suavizam os rudos.
Com base nestas caractersticas, neste trabalho escolheu-se utilizar

uma tcnica de inteligncia artificial para construir um sistema de identificao e
classificao de transitrios.
O mdulo de IA do sistema de identificao e classificao de

transitrios utilizou uma tcnica derivada do que proposto em [16], que consiste
basicamente em treinar no mnimo duas RNAs, uma para os transitrios normais
de operao e regime permanente, e outra contendo os transitrios anormais.
1.4. Trabalhos Correlatos

H vrios anos foi iniciado o desenvolvimento dos conceitos de
reatores avanados, prevendo novos aperfeioamentos tecnolgicos, elevada
padronizao, reduo na demanda de controle, minimizao da demanda de
suprimento de energia eltrica de emergncia, e utilizao de conceitos de
sistemas de superviso e controle mais robustos, objetivando, entre outras coisas,
a imunidade a falhas.
No que se refere identificao e classificao de transitrios, alguns

trabalhos recentes como [35] e [36] abordam este problema utilizando redes
neurais artificiais, cujo aprendizado do tipo supervisionado, diferentemente da
abordagem utilizada neste trabalho, que utiliza redes neurais artificiais com
aprendizado no-supervisionado.
No ano de 1994, iniciou-se no IPEN, algumas pesquisas no campo de

RNAs para controle, em especfico com o desenvolvimento de uma nova
arquitetura, buscando contribuir para o desenvolvimento de novos sistemas de
17
controle para instalaes de reatores nucleares avanados e para robtica. Os

conceitos introduzidos com essa arquitetura foram baseados no projeto de redes
dedicadas tarefa, na utilizao de mltiplos contatos sinpticos com uma nova
funo de transferncia, e no uso de processos de modificao de foras de
ligao sinptica similares aos encontrados em organismos biolgicos.
Alm de ser testado no controle de um sistema termo-hidrulico de

reatores avanados, esse novo conceito foi utilizado no controle de posio e
trajetria de um manipulador robtico bi-articulado no plano. Nessa tarefa, uma
RNA MULSY [20] foi comparada com um modelo clssico de RNA-AA, mostrando
desempenho muito superior, em termos de capacidade de generalizao e
rapidez de treinamento, que foi cerca de 150 vezes melhor que o da RNA-AA. Os
resultados mostraram uma preciso de posicionamento at 60 vezes maior. Ao
trmino dessa etapa, novas aplicaes foram desenvolvidas, inclusive utilizando
mapas auto-organizveis. A relao de trabalhos publicados est nas referncias
[20] e [24-31].
Na linha de reatores de novas geraes, em especial para o Reator

IRIS, diversos trabalhos de desenvolvimento e anlise foram feitos. Como uma
das principais atividades, deve ser citada a participao no Consrcio
Internacional para desenvolvimento do IRIS, coordenada pela Westinghouse e
que conta com a participao de vinte e duas organizaes de nove pases.
Nesse projeto j foram iniciados alguns estudos de uma concepo preliminar de
um sistema de identificao de transitrios. Um estudo preliminar foi publicado no
GENES4/ANP2003 Sept. 15-19,2003 em Kioto, Japo [33] e no GLOBAL 2003
[34]. Nesse estudo foram levados em considerao alguns transitrios como,
variaes de aumento e diminuio de potncia em rampa e em degraus,
desligamento imprevisto do reator, abertura inadvertida da vlvula de alvio e um
degrau artificial de 50% da potncia nominal. A Figura 3 exemplifica a resposta de
presso obtida quando aplicado um degrau de reduo da potncia de 100%
para 90%.
O sistema de identificao concebido considera que poucas variveis

podem caracterizar univocamente um transitrio. Por exemplo, pode-se
considerar: as potncias, do reator e do secundrio, a temperatura em diversos
pontos e a presso, temperatura e nvel do pressurizador. O sistema tem um
18
buffer para coleta de alguns segundos de dados das principais variveis que so
usadas como entrada para o SOM. O conceito est esquematizado no diagrama
da Figura 4.
Os resultados de alguns testes que foram realizados esto

apresentados na Figura 5. Na Figura 6 est exposto um dos resultados obtidos
quando a simulao ocorreu com dados da usina de Angra I. Ambas as figuras
representam a camada de sada do SOM. As setas da Figura 5 indicam a ordem
em que as unidades de sada do SOM foram ativadas, quando apresentados os
transitrios, que por sua vez esto indicados atravs de cores, e identificados nas
legendas do lado esquerdo da mesma figura. J a Figura 6 separa atravs das
linhas vermelhas regies definidas pelo SOM aps o seu treinamento inicial.
Estas regies indicam o tipo de transitrio em curso, atravs do rtulo da regio
da qual a unidade de sada que for ativada pertencer.
Figura 3 - Resposta da presso em um degrau de potncia de 100% a 90%.

19
Figura 4 Sistema de Identificao baseado no SOM.

20% 40% 45%
Turb. Trip 25%

30%
50%
SCRAM 35%
55%
60%
85% 80%
70%
LOCA 75%
95%
90%
110%
100-105%
Figura 5 - Testes iniciais do SOM. Figura 6 Testes com dados de

Angra 1.
Estes resultados tambm foram publicados em [32], juntamente com

algumas propostas para o presente trabalho.
20
2. OBJETIVO
Neste trabalho pretende-se construir um sistema de identificao e

classificao de estados transitrios de um sistema termo-hidrulico, com o
objetivo de sua aplicao em futuros projetos de reatores nucleares.
Este sistema deve ser feito utilizando tcnicas de inteligncia artificial,

mais especificamente redes neurais artificiais do tipo mapas de caractersticas
auto-organizveis (SOM), utilizando uma abordagem em que cada estado
transitrio possui uma rede especializada nele. A identificao e classificao
devem ocorrer atravs de uma competio entre as redes.
O sistema construdo neste projeto deve utilizar uma base de dados

obtida via experimentao, em uma bancada de circulao natural, onde
possvel simular os estados transitrios que o sistema deve identificar e
classificar.
As informaes apresentadas pelo sistema devem ser de fcil

compreenso, e apresentar medidas de confiabilidade, para que os operadores
possam absorver rapidamente tais informaes e aplic-las como for necessrio
no controle do reator nuclear.
21
3. FUNDAMENTOS TERICOS
3.1. As Redes Neurais Artificiais

Os diversos tipos de RNAs possuem capacidades como, por exemplo,
aproximao de funes, criarem representaes de conjuntos de dados,
identificao e classificao de padres. Tendo em conta essas caractersticas e
o estado de desenvolvimento destas tcnicas, optou-se por us-la para o
desenvolvimento do sistema de identificao e classificao de transitrios.
O campo das RNAs est presente em vasta literatura voltada para as

mais diversas aplicaes. Inspirada na neurocincia, a teoria tem evoludo
principalmente com base na investigao de matemticos e engenheiros. Uma
caracterstica que torna muito atrativa a aplicao das RNAs que o seu
processamento paralelamente distribudo. Em outras palavras, uma RNA possui
diversos processadores, que funcionam simultaneamente, e interagem entre si
com o propsito de gerar resultados.
A arquitetura que define a interao entre os processadores, e a

maneira em si de como esta interao ocorre, que determina a qualidade dos
resultados. Este processamento paralelamente distribudo, com as vrias
possibilidades de configuraes diferentes de interao entre os processadores,
pode tornar o sistema neural, quando bem projetado, mais gil no processamento
de dados em comparao com sistemas que utilizam modelos fsicos analticos, e
com a capacidade de processar no linearmente estes dados.
Uma RNA formada de elementos processadores que algumas vezes

so explicados utilizando analogias aos neurnios biolgicos, devido a algumas
caractersticas essenciais de tais elementos, como suas interligaes (sinapses) e
especializaes. Duas so as caractersticas que podem ser utilizadas para fazer
estas analogias: 1) o conhecimento adquirido pela rede atravs de um processo
de aprendizado, que leva capacidade de generalizao, e 2) as intensidades
das ligaes entre os elementos (neurnios), chamadas de pesos sinpticos, so
usadas para armazenar esse conhecimento adquirido. O processo que promove a
aquisio e armazenamento do conhecimento chamado de processo de
22
aprendizado. Atravs do aprendizado a RNA aprende a desempenhar uma

funo para a qual projetada. Assim, o treinamento capacitar a rede a
associar padres, reconhecer padres, controlar processos, filtrar informaes,
formar feixes ou aproximar funes.
Existem diversas classes de RNAs em funo de sua arquitetura,

funes de transferncia ou mesmo processos de treinamento. Redes que
precisam de um professor, ou seja, aprendem com base em exemplos, so
classificadas como redes de aprendizado supervisionado, exemplo destas so
as redes alimentadas adiante treinadas com o algoritmo de retro-propagao.
Outra forma utilizada a de aprendizado por reforo, quando no existem
valores certos, mas se tem a noo precisa do que fracasso ou sucesso. Para a
extrao de caractersticas de padres, passo importante para sua classificao,
existe um tipo de RNA que trabalha por si s, ou seja, sofre um treinamento
puramente no-supervisionado ou aprendizado sem professor, que se comporta
muito bem neste tipo de tarefa. este o tipo de RNA considerado neste projeto,
em especial os conhecidos Mapas de Caractersticas Auto-Organizveis, os
SOM de Teuvo Kohonen [14]. O SOM foi apresentado por Kohonen na dcada de
80 e desde ento o uso dessa tcnica tem se expandido por diversas reas
conforme se pode depreender da vasta lista de artigos referenciados por Oja et
alli [21] que foram publicados entre 1998 e 2001 e por tantos outros trabalhos
relacionados com o SOM e tambm citados na mesma referncia. Dentre os
trabalhos da referncia [21], destacam-se no campo de monitoramento de
processos, como processos industriais e qumicos, que caracteriza a rea de
aplicao deste projeto, os trabalhos [37], [38] e [39]. Outros trabalhos, como [40]
e [41] referem-se especificamente tarefa de diagnstico, todos utilizando SOM.
Os SOMs possuem uma estrutura topolgica, chamada de camada de

sada, que possui neurnios que se relacionam ao chamado livro de cdigos, que
por sua vez possui as informaes referentes ao conhecimento da rede em
relao ao universo apresentado a ela durante o treinamento. A rede auto-
organiza os dados de tal forma que conhecimentos similares armazenados no
livro de cdigos se relacionaro a neurnios na camada de sada prximos uns
dos outros, o que prov uma anlise de similaridade baseada na topologia da
camada de sada.
23
As respostas de um SOM so obtidas comparando todos os cdigos do

livro de cdigos com o estmulo de entrada, e, quando localizado o cdigo mais
similar ao estmulo apresentado, obtm-se o seu neurnio correspondente na
camada de sada. Este neurnio, ou unidade, chamado comumente na literatura
de Mapas Auto-Organizveis de BMU (Best Matching Unit Unidade Melhor
Casada, em traduo livre) [19].
24
4. METODOLOGIA
Este projeto pode ser dividido em trs mdulos: aquisio de dados,

RNAs configuradas de maneira tima para a tarefa de identificao e
classificao, e a implantao fazendo a integrao com a interface com o
usurio.
Cada mdulo peculiar em seu formato e objetivo dentro do projeto.

Para explicar de maneira melhor tais formatos e objetivos, devemos analisar cada
um dos mdulos separadamente.
4.1. Aquisio de Dados

O mdulo de aquisio de dados feito em plataforma Labview,
utilizando a j construda integrao com a bancada de circulao natural. Uma
vantagem de se utilizar esta plataforma, a sua capacidade de integrao com
DLLs (Dinamic Linked Libraries Bibliotecas Ligadas Dinamicamente), que, por
sua vez, sero utilizadas para acoplar o mdulo das RNAs ao sistema.
Uma bancada de circulao natural foi utilizada, pelo autor desta

dissertao, para realizar os experimentos deste projeto, com o objetivo de
averiguar o comportamento do sistema de identificao e classificao com
dados experimentais, e no gerados por modelos matemticos e computacionais.
As variveis fornecidas pela aquisio de dados so:
Temperatura em vrios pontos do circuito;
Presso do sistema primrio;
Vazo do sistema primrio;
Vazo do sistema secundrio;
Potncia do aquecedor;
Tenso do sinal enviado ao aquecedor.

25
As variveis potncia e tenso do sinal enviado ao aquecedor no

foram utilizadas, dado que a sua utilizao anularia um dos objetivos do sistema,
que justamente detectar variaes de potncia.
4.1.1. A Bancada de Circulao Natural

A bancada de circulao natural, pertencente diretoria de reatores do
IPEN e esquematizada na Figura 7, tem por objetivo desenvolver pesquisas e
oferecer servios para:
Estudo do comportamento de resfriadores de sistemas passivos de

remoo de calor residual tpicos de reatores avanados e reatores
navais, em escala reduzida;
Anlise do comportamento operacional de sistemas passivos de

remoo de calor residual com linhas de desvio da fonte trmica;
Pesquisa e desenvolvimento de redes neurais artificiais para controle

de sistemas de reatores nucleares e
Utilizao de redes neurais artificiais para diagnstico e previso de

comportamento de sistemas de reatores nucleares.
Na Figura 7, o azul representa o sistema primrio, e o verde o sistema

secundrio.
26
Figura 7 Diagrama esquemtico da Bancada de Circulao Natural
A seguir, algumas imagens e suas respectivas descries da bancada.
4.1.1.1. Aquecedor
Aquecedor tipo eltrico (Figura 8), de passagem, construdo em tubo e
conexes de ao inoxidvel, equipado com resistncia tubular de imerso com
flange, elementos tubulares blindados, termostato de segurana.
27
Figura 8 Aquecedor da Bancada de Circulao Natural
4.1.1.2. Trocador de Calor

O Trocador de Calor (Figura 9) foi concebido com base em resfriadores
de aplicao naval e conceitos considerados no AP - 600. construdo totalmente
em cobre.
28
Figura 9 Trocador de Calor da Bancada de Circulao Natural
4.1.1.3. Instrumentao
Para as medidas de temperatura esto disponveis 19 termopares do
tipo K, instalados na parede dos tubos de cobre e 5 do tipo T, instalados
diretamente no fluido.
A medida de vazo no primrio feita por meio de um medidor de

vazo tipo magntico com transmissor de 4 a 20 mA.
No secundrio, a vazo ajustada na faixa de 25 a 250 l / h e medida

por meio de um rotmetro.
Na linha de desvio est instalada uma vlvula de esfera com atuador

motorizado.
29
Para a caracterizao hidrulica dos diversos trechos da Bancada so

utilizadas 4 tomadas de presso e um manmetro tipo U invertido.
4.1.1.4. Controle
O sistema de controle da bancada (Figura 10) possui como base uma
plataforma PC, com placa de aquisio de dados com 8 entradas diferenciais
analgicas ( 16 entradas com terra comum ), sinal de entrada de - 10 a + 10 V,
selecionvel por software, 8 entradas / sadas digitais, taxa de amostragem 100
KS / s, 2 sadas analgicas no intervalo de - 10 a + 10 V configurvel via software,
resoluo ( I/O ) melhor ou igual a 12 bits, com contador / temporizador disponvel
para acesso a leitura. O sistema interligado a uma eletrnica de controle de
potncia do aquecedor que fornece uma potncia de at 3.300 W. equipada
com conversor eletrnico de voltagem para garantir a estabilidade da tenso nos
equipamentos. O sistema desenvolvido permite ainda a abertura / fechamento da
vlvula de desvio.
30
Figura 10 Sistema de Controle da Bancada de Circulao Natural
4.1.2. Transientes Tratados

A escolha dos transitrios a serem identificados e classificados pelo
sistema foi feita considerando a disponibilidade tcnica, isto , quais transitrios
podem ser simulados na bancada de circulao natural, como tambm na
semelhana destes com os transitrios normais na operao de um reator nuclear
real, e com os transitrios anormais de um reator nuclear real.
Segue a relao de estados obtidos via experimentao:
Estados normais de operao:
Aquecimento;
Resfriamento;
Regime permanente;
31
Rampas;
Steps.
Estados anormais de operao:
Abertura de uma linha de desvio no sistema primrio;
Bloqueio de vazo no sistema primrio;
Bloqueio de vazo no sistema secundrio.
Desta maneira, 8 (oito) estados foram adquiridos, onde 5 (cinco) so

importantes pois devem ser identificados por sua natureza transitria. So eles:
as rampas, steps, abertura de linha de desvio no sistema primrio, bloqueio de
vazo no sistema primrio e bloqueio de vazo no sistema secundrio. Cada um
corresponde a uma classe, como comumente chamado na literatura de redes
neurais.
4.1.3. Plano de experimentos

Os experimentos feitos na bancada de circulao natural ocorreram em
diversos dias, dada a grande inrcia do sistema no que diz respeito a responder a
mudanas de parmetros como potncia, vazo, entre outros. Os experimentos
feitos com os transitrios de bloqueio de vazo do primrio, bloqueio de vazo do
secundrio e abertura de linha de desvio no sistema primrio foram feitos duas
vezes, sob condies diferentes, para induzir uma maior capacidade de
generalizao das RNAs quando estas foram treinadas. Cada um dos
experimentos durou no mnimo seis horas, sendo que cada um deles foi feito
individualmente por dia. De todos estes experimentos, que totalizaram seis, foram
extrados dados dos estados de aquecimento, regime permanente e resfriamento.
Os experimentos foram conduzidos aumentando a potncia do

aquecedor de 0 (zero) at uma potncia, em Watts, especfica de cada
experimento. Dependendo da potncia, os experimentos de transitrios foram
selecionados de uma maneira conveniente. Na Tabela 1 esto detalhes destes
experimentos, orientados aos parmetros utilizados. Na coluna Transitrio
Simulado, as siglas BVP, ALDP e BVS significam respectivamente: bloqueio de
vazo do sistema primrio, abertura de linha de desvio no sistema primrio e
bloqueio de vazo do secundrio.
32
Tabela 1 Descrio detalhada dos experimentos BVP, ALDP e BVS
Potncia
Vazo do Sistema Transitrio
Experimento Mdia do
Secundrio Simulado
Aquecedor
1 500W 60 l/h -
2 1000W 60 l/h BVP
3 1500W 60 l/h -
4 2000W 60 l/h ALDP
5 2500W 60 l/h BVS
6 500W 120 l/h -
7 1000W 120 l/h BVP
8 1500W 120 l/h -
9 2000W 120 l/h ALDP
10 2500W 120 l/h BVS
Os experimentos que reproduziram os estados de steps e rampas

foram feitos duas vezes cada um, durante dois dias. Dados de aquecimento e
resfriamento tambm foram retirados destes experimentos. A Tabela 2 contm os
detalhes destes experimentos.
No caso dos steps, a coluna Variao de Tempo indica o intervalo de

tempo entre um step de 500W e outro. J no caso das rampas, a mesma coluna
indica o tempo que a potncia demora para subir 500W.
Tabela 2 Descrio detalhada dos experimentos de rampa e step
Experimento Variao de Tempo Tipo de Transitrio

1 10 min Step
2 10 min Rampa
3 20 min Step
4 20 min Rampa
Todos os experimentos foram feitos alterando as potncias de 0W a

500W, 1000W, 1500W, 2000W e 2500W de maneira crescente e ento
decrescente, atravs dos intervalos de tempo especificados, sempre com vazo
de 60 l/h no sistema secundrio.
Aps a realizao destes experimentos, os dados foram organizados

de acordo com as suas respectivas classes. Os dados da classe do estado de
Regime Permanente foram selecionados de todos os dados coletados, quando
em momentos ps-aquecimento, onde o coeficiente angular da regresso linear
33
dos dados dos diversos buffers, de cada dimenso, estavam no intervalo [-0,030
0,030].
Os buffers de dados consistem nos aglomerados formados pelos dados

das diversas variveis acumulados em um certo perodo de tempo. Desta forma,
um dos parmetros importantes a ser ajustado o tamanho ideal do buffer, em
termos de tempo, utilizado para determinar o estado atual do reator. Nos
experimentos, foram utilizados 4 buffers diferentes, sendo eles de: 5, 9, 13 e 18
perodos de 7 segundos. A ilustrao abaixo explica de maneira simplificada esta
estrutura:
Figura 11 lustrao didtica da estrutura dos dados
Aps esta fase de organizao, os dados esto prontos para serem

apresentados ao processo de treinamento.
4.2. Redes Neurais Artificiais

As redes neurais artificiais utilizadas neste trabalho so as redes do
tipo mapas de caractersticas auto-organizveis, ou, como normalmente so
chamadas na literatura, Self-Organizing Maps (SOM) ou ainda Self-Organizing
Feature Maps (SOMF).
Para formar o mdulo de RNAs, necessrio efetuar o treinamento de

diversas redes candidatas, sendo que as redes eleitas so escolhidas
34
utilizando duas tcnicas autnomas de avaliao de desempenho. Por fim, so

gerados os semforos, que so as medidas de confiabilidade do sistema.
4.2.1. Treinamento
A abordagem utilizada neste trabalho, que uma expanso do conceito
proposto em [16], consiste em: para cada tipo de transitrio a ser identificado e
classificado pelo sistema h uma RNA especializada nele, como exposto na
Figura 12.
O mdulo de RNAs foi acoplado ao sistema implantado em Labview

utilizando uma DLL (ver seo 4.1), aps a definio da configurao tima das
RNAs (Redes Neurais Artificiais) do tipo SOM.
A definio da configurao tima das RNAs foi feita utilizando o

software Matlab. Aps a definio, as informaes referentes ao conhecimento
das RNAs (livros de cdigos e respectivas classes das RNAs) foram
armazenadas em arquivo texto, para ento serem lidas e modificadas pelas DLLs
utilizadas no sistema, que contm os algoritmos de BMU (Best Matching Unit
unidade do livro de cdigos com a menor distncia euclidiana do dado de
entrada).
Figura 12 Abordagem do tipo Redes Especialistas

35
A identificao dos transitrios feita atravs de uma medida de

confiabilidade, fornecida pelas redes SOM quando uma classificao realizada,
chamada de erro de quantizao, que a distncia euclidiana da BMU para o
dado de entrada, sendo que a rede que apresentar o menor erro de quantizao
ser a rede vencedora. A classe (tipo de estado transitrio) da rede vencedora
ser o resultado da classificao, como mostrado na Figura 13. A vantagem da
utilizao desta tcnica um maior refinamento do resultado, como tambm do
erro de quantizao, o que otimiza a anlise de confiabilidade que tambm
fornecida pelo sistema.
Figura 13 Esquema ilustrativo da Identificao e Classificao
A busca pela melhor combinao de RNAs envolve o treinamento de

diversas RNAs sob configuraes diferentes, e ento na avaliao de todas as
combinaes destas, medindo a quantidade de padres classificados
corretamente.
O processo de treinamento se subdivide em trs partes: subdiviso dos

conjuntos para a utilizao do mtodo de treinamento cross-validation [17] (que
ser exposto logo adiante), pr-processamento, apresentao s redes em
diversos parmetros.
36
Figura 14 Diagrama do mtodo de treinamento
O mtodo de cross-validation consiste em dividir os dados disponveis

para treinamento em duas partes: uma que utilizada efetivamente no
treinamento, e o restante que no utilizado no treinamento, mas somente aps o
mesmo. Aps o trmino do treinamento, a RNA pra de se adaptar aos estmulos
de entrada, respondendo somente apresentando a BMU e o erro de quantizao
correspondente, e no mais ajustando o seu livro de cdigos.
O conjunto de validao, como chamado o conjunto de dados no

apresentados durante o treinamento da rede, utilizado para avaliar o
desempenho da RNA para dados desconhecidos a ela, o que permite avaliar a
sua capacidade de generalizao. E ainda, com os mesmos dados disponveis,
possvel rearranjar esta diviso em pontos diferentes do conjunto, como indica a
Figura 15, para que o treinamento seja refeito utilizando todos os dados
disponveis, porm vrias vezes e separadamente.
Neste projeto, as subdivises foram feitas reservando 80% dos dados

disponveis ao treinamento, e os 20% restantes posterior validao da rede,
rearranjando as divises como na Figura 15. Os blocos brancos representam os
conjuntos de treinamento, e os verdes os conjuntos de validao. Desta forma,
todos os dados disponveis so apresentados mesma metodologia de
treinamento, para avali-la.
37
Figura 15 - Arranjos feitos para as divises dos dados
A fase de pr-processamento consiste em uma normalizao vetorial

dos dados, isto , como cada padro um vetor, ento todos eles tero sua
norma igualada 1.
O treinamento das RNAs foi feito utilizando o assim chamado algoritmo

em batch [15]. Este algoritmo possui duas caractersticas e vantagens que o
diferem do algoritmo original proposto por Kohonen: primeiro, ele muito mais
rpido, e segundo, possui um parmetro de treinamento a menos, como ficar
exposto atravs da explicao a seguir.
Primeiro, faz-se necessrio expor o algoritmo original de treinamento

do SOM. Este pode ser subdividido em 5 (cinco) passos:
1 - Inicializao: Consiste na escolha de valores iniciais para o livro de

cdigos do SOM. Estes valores podem ser escolhidos aleatoriamente, ou
baseando-se em valores do prprio conjunto de treinamento.
2 - Amostragem: Um padro retirado do conjunto de treinamento,

para comparao com os cdigos do livro de cdigos do SOM.
3 - Casamento por Similaridade: Encontra o cdigo que mais se

assemelha ao padro escolhido no passo 2. Esta escolha feita escolhendo o
cdigo de menor distncia euclidiana do padro.
i(x) = argminj || x wj ||, j = 1, 2, ...

38
Onde i(x) um vetor dos ndices dos cdigos vencedores do livro de

cdigos, x o conjunto de padres de treinamento, wj corresponde ao cdigo de
ndice j. argminjf(z) a funo que encontra o ndice j que minimiza a funo f(z).
4 - Atualizao: atualize os valores de w de acordo com a equao:
wj (n + 1) = wj (n) + (n) * hj,i(x)(n) * (x(n) w(n))
Onde n corresponde poca atual do treinamento, (n) a taxa de

aprendizagem e hj,i(x) a funo de vizinhana, que determina o quo prximo
est o neurnio correspondente ao cdigo j do neurnio correspondente ao
cdigo i na camada de sada do SOM.
5 Continuao: Repita do passo 2 at que no hajam mais

mudanas significativas.
A taxa de aprendizagem normalmente uma funo cujo valor decai

com o aumento de n, o que, por sua vez, representa a passagem do tempo.
J a funo de vizinhana estipula um valor de acordo com a

proximidade dos neurnios. Geralmente tem a funo de diminuir este valor
proporcionalmente distncia e ao tempo, de forma que a funo s retorna
valores altos para neurnios muito prximos, para um n alto.
Este algoritmo requer um nmero considervel de pocas para deixar

de repetir no passo 5. J o algoritmo em batch requer um nmero muito menor de
pocas, e com mais uma vantagem, no necessita do parmetro de taxa de
aprendizagem.
O algoritmo em batch consiste em 4 etapas:
1 Inicializao: que basicamente pode ser idntica ao algoritmo

original.
2 Casamento por similaridade em bloco: todos os cdigos do livro de

cdigos so separados em grupos de similaridade, sendo que cada grupo
corresponde a um cdigo do livro de cdigos. O critrio de agrupamento o de
similaridade por distncia euclidiana, isto , os padres de treinamento que mais
se assemelharem ao neurnio, ficaro no grupo correspondente a ele.
39
3 Atualizao: Cada cdigo do livro de cdigos atualizado, sendo

que os seus novos valores so as mdias dos seus respectivos grupos de
similaridade.
4 Continuao: Repetio do passo 2 algumas vezes.
Sendo assim, a sua representao matemtica fica:
wi(n + 1) = j qj * hji(n) * xj
j nj * hji(n)
Onde qi o nmero de padres pertencentes ao grupo de similaridade

do neurnio correspondente ao cdigo de ndice i. j corresponde ao ndice dos
padres de entrada.
O passo 4 do algoritmo refere-se repetio a partir do passo 2. Esta

repetio acontece poucas vezes, bem menos do que no algoritmo original.
Porm, no se adota aqui uma medida para definir quando devem parar as
repeties, e sim, um critrio de tentativa e erro, porm com o conhecimento
prvio de que enquanto o algoritmo original demanda geralmente mais de 500
pocas, o algoritmo em batch costuma obter bons resultados com menos de 50
pocas.
Aps este treinamento, os cdigos do livro de cdigos no so mais

alterados, ou seja, aps o treinamento, o comportamento da rede, quando
apresentada um padro de entrada, somente encontrar a BMU e gerar o erro de
quantizao.
Cada uma das redes foi treinada sob vrios parmetros (configuraes)
de treinamento diferentes, com a finalidade de testar qual combinao de
parmetros resultaria em um treinamento mais eficaz.
Desta forma, vrias redes, com seus livros de cdigos estticos, so

geradas. Ento, faz-se necessrio escolher somente uma rede para cada
transitrio. Esta escolha ocorreu de duas maneiras, utilizando dois mtodos de
avaliao de desempenho destas redes de maneira autnoma.
40
4.2.2. Tcnicas de avaliao de desempenho das redes neurais

A primeira tcnica utiliza uma regra de avaliao, que consiste em uma
soma de diversas medidas indicadoras de desempenho das redes, onde quanto
menor a soma, melhor o resultado. A outra abordagem simplesmente avaliar a
quantidade de transitrios classificados corretamente, em todos os cruzamentos
possveis, e escolher o cruzamento com a maior taxa de classificaes corretas,
ou acertos.
Para explanar melhor a tcnica de avaliao por meio de medidas de

desempenho, segue uma explicao matemtica.
4.2.2.1. Funo de Medida de Desempenho

Seja Et o conjunto dos erros de quantizao gerados pelas RNAs
quando apresentados dados do conjunto de treinamento, e seja Ev o conjunto dos
erros gerados quando apresentados dados dos conjuntos de validao, temos:
M = MEDIA( Et ) + MEDIA( Ev )
DP = MAX( MEDIA( Et ) , MEDIA( Ev ) ) / MIN( MEDIA(Et) , MEDIA( Ev) )
DPP = D( Et ) / MEDIA( Et ) + D( Ev ) / MEDIA( Ev )
Onde MEDIA( A ) representa a mdia dos valores do conjunto A, MAX(

a , b ) retorna o maior dos valores, a ou b, MIN( a , b ) retorna o menor dos
valores, a ou b, e D( A ) retorna o conjunto de desvios padres de A.
M a soma das mdias dos erros de quantizao dos conjuntos, DP

a soma das diferenas proporcionais das mdias e DPP a soma das diferenas
dos desvios padres proporcionais.
O algoritmo de avaliao seleciona a rede que minimizar a equao:
E = M * DP + DPP
O parmetro DP multiplicado ao parmetro M, pois, por se tratar de

uma diferena proporcional, a sua magnitude pode influenciar no resultado de
forma que ele se torne um fator predominante, por sua capacidade de se tornar
muito maior, em alguns casos, que os demais fatores. Sendo assim, com sua
multiplicao por M, a sua magnitude levada a nveis semelhantes aos de M, o
que desejado, dado que a magnitude de M importante na avaliao, e no a
magnitude de DP.
41
Os parmetros variados durante o treinamento so: tamanho de buffer

(tempo), tamanho da grade da camada de sada, pocas, tipo da malha
(hexagonal e quadrada), tipos de inicializao (randmica ou com os dados
iniciais do conjunto de dados) e os tamanhos iniciais e finais da vizinhana da
camada de sada.
Aps cada treinamento, estes parmetros so refinados de forma a se

aproximarem dos parmetros timos.
Pretende-se, desta maneira, gerar redes especializadas na classe a

qual elas representam, e, assim, que elas ganhem das demais redes quando o
padro a ser reconhecido se trate do padro correspondente sua classe.
4.2.2.2. Produto Cartesiano

Para cada transitrio, existe um conjunto de tamanho N de redes
neurais especialistas, cada uma representando uma combinao diferente de
parmetros de treinamento. Seja M a quantidade de transitrios tratados. Ento,
temos N x M redes neurais, sendo que somente M redes devem existir no sistema
(uma para cada transitrio). Para selecionar estas M redes, o desempenho geral
do sistema avaliado para cada combinao de cada uma das N redes de cada
transitrio com as N redes dos demais transitrios, gerando assim, via produto
cartesiano, NM combinaes de M redes candidatas.
4.2.3. Semforos
Os semforos so usados para apresentar uma medida de
confiabilidade da informao fornecida. Para manter a abordagem deste trabalho,
que apresentar sempre informaes de fcil compreenso ao usurio, esta
medida de confiabilidade apresentada emprestando o conceito comum dos
semforos de trnsito: atravs de 3 valores diferentes: verde (dados confiveis),
amarelo (requerem verificao), e vermelho (no confiveis).
Para escolher entre um destes 3 valores, o sistema utiliza o erro de

quantizao gerado pela resposta da rede vencedora. Trs intervalos so
definidos, para cada uma das redes, quando o treinamento das mesmas
terminado. Estes intervalos esto ilustrados na Figura 16. Para interpretar
corretamente a figura, segue a sua explicao.
42
O termo Mdia Conjunto Validao indica a mdia dos erros de

quantizao gerados quando os dados do conjunto de validao apresentado
rede, Mdia Conjunto Treinamento a mdia dos erros de quantizao gerados
pela rede quando o conjunto de treinamento apresentado rede. Os termos
Desvio Padro se referem ao desvio padro dos erros de quantizao dos
dados do mesmo conjunto ao qual o desvio somado.
Figura 16 - Intervalos utilizados pelos semforos
Os resultados so classificados de acordo com a regio onde se

situarem os erros de quantizao, se na regio verde, sinal de cor verde, regio
amarela indica no semforo o amarelo e regio vermelha em diante, sinal
vermelho.
4.3. Interface com o Usurio

O mdulo de interface com o usurio tambm foi implementado em
Labview, dada a familiaridade dos potenciais usurios do sistema com esta
ferramenta, como tambm por detalhes estruturais, como, por exemplo, a
eliminao da necessidade de integrao do sistema com uma terceira
plataforma, dado que o mdulo de aquisio e a interface so ambas
implementadas em Labview.
O sistema apresenta uma medida de confiana de uma forma

facilmente compreensvel. Utilizou-se a mdia dos desvios padres dos erros de
quantizao dos dados de treinamento apresentados rede. As respostas
residentes na rea entre a mdia e mais ou menos o desvio padro foram
43
consideradas respostas confiveis, e fora disso, duvidveis. Pde-se utilizar ainda

uma segunda medida, que a mdia dos desvios padres dos dados que se sabe
pertencer quele SOM, dada a sua classe, mas que, porm, no foram
apresentados RNA durante o treinamento.
Estes resultados so apresentados de maneira grfica e facilmente

compreensvel aos operadores dos reatores nucleares. A interface com o
operador (usurio) exibe a classificao de confiabilidade da informao na forma
de um semforo, onde atravs das cores com as quais estamos acostumados a
interpretar de maneira intuitiva so representadas as escalas de confiabilidade.
44
5. RESULTADOS
Dois tipos de experimentos fazem-se necessrios para a avaliao da

metodologia escolhida: experimentos de aquisio de dados e experimentos
computacionais de avaliao de diversas RNAs candidatas.

Da Figura 17 Figura 34 esto expostas as leituras de medidores de
temperatura, nos locais indicados nos ttulos destas figuras, sendo que os
momentos das transies de estados esto indicados atravs da linha verde. Mais
resultados podem ser visualizados no Apndice II.
Figura 17 Bloqueio de Vazo no Sistema Primrio a 1000W e vazo do

secundrio a 60l/h Entrada do Aquecedor
45

secundrio a 60l/h Sada do Aquecedor

46

Figura 21 Bloqueio de Vazo no Sistema Secundrio a 2500W e vazo no

47
Figura 22 Bloqueio de Vazo no Sistema Secundrio a 2500W e vazo no

Figura 23 Bloqueio de Vazo no Sistema Secundrio a 2500W e vazo do

48
Figura 24 Bloqueio de Vazo no Sistema Secundrio a 2500W e vazo do

Figura 25 Abertura de Linha de Desvio no Sistema Primrio a 2000W e

vazo do secundrio a 60l/h Entrada do Aquecedor
49

vazo do secundrio a 60l/h Sada do Aquecedor

vazo do secundrio a 120l/h Entrada do Aquecedor
50

vazo do secundrio a 120l/h Sada do Aquecedor
Figura 29 Rampas de Potncia Positivas Entrada do Aquecedor

51
Figura 30 Rampas de Potncia Positivas Sada do Aquecedor
Figura 31 Rampas de Potncia Negativas Entrada do Aquecedor

52
Figura 32 Rampas de Potncia Negativas Sada do Aquecedor
Figura 33 Steps de Potncia Entrada do Aquecedor

53
Figura 34 Steps de Potncia Sada do Aquecedor
5.2. Redes Neurais

Ao todo, 56 experimentos computacionais, de seleo da configurao
tima de redes neurais, foram realizados. Nesta dissertao so apresentados
dois experimentos que o autor considera mais ilustrativos do potencial da tcnica
aplicada.
No Apndice esto listados todos os dados destes dois experimentos,

sendo que, o seu resultado ser exposto tambm a seguir.
Este experimento foi feito desprezando os conjuntos de rampas e de

bloqueio de vazo no secundrio, por motivos que sero apresentados na seo
6.1.
Estes resultados foram obtidos da combinao dos parmetros da

Tabela 3. Na coluna Parmetro, o item Combinaes cross-validation indica a
quantidade de subdivises dos conjuntos de dados feitas para a aplicao da
tcnica cross-validation. O item da linha Vizinhana, na coluna Configuraes,
usam a notao significando [inicial final] partes da quantidade de neurnios na
coluna da grade.
54
Tabela 3 Parmetros de treinamento
Parmetro Configuraes Total

Tamanho do
18 perodos de 7 segundos 1
Buffer
Grade 8x8 e 12x12 unidades 2
pocas 2, 3 e 5 3
Tipos de malha hexagonal e quadrada 2
Inicializao dados iniciais do conjunto 1
Vizinhana [0.33 0.0033], [0.66 0.0066], [0.99 0.0099] e [1.2 0.012] 4
Combinaes
5 5
cross-validation
Lembrando que estes parmetros foram aplicados a cada uma das

redes especialistas. E cada rede especialista pertence a um transitrio.
Multiplicando os itens da coluna Total, obtemos a quantidade de redes treinadas
para cada transitrio: 240.
O processo de avaliao de resultados, pela tcnica de avaliao por

produto cartesiano, extremamente lento, devido grande quantidade de
combinaes possveis dos parmetros de treinamento a serem avaliados,
utilizando produto cartesiano. Neste exemplo, 240 redes so treinadas para cada
transitrio. Para aplicar totalmente a avaliao por produto cartesiano, seria
necessrio avaliar 45.864.714.240.000.000 = 2407 combinaes destas redes.
Atravs do mtodo de avaliao utilizando a funo de medida de

desempenho, explicada na seo 4.2.1, foram obtidos os resultados expostos da
Tabela 5 0, onde na Tabela 5 esto os resultados referentes classificao dos
SOMs, e da Tabela 6 0 esto expostos os resultados referentes aos semforos.
As siglas dos conjuntos expostos nestas tabelas de resultados esto

explicadas na Tabela 4. Interprete o termo % de Acertos, na Tabela 5 e na
Tabela 10, como a porcentagem de padres classificados corretamente, isto ,
porcentagem de vezes onde o menor erro de quantizao foi o da rede
correspondente ao estado transitrio apresentado ao sistema. J o termo % de
indicaes, usado da Tabela 6 0 e da Tabela 11 Tabela 13 deve ser
interpretado como a porcentagem de vezes, para os padres correspondentes
nas colunas, que o semforo indicado foi aceso.
55
Na Tabela 9 e Tabela 14, esto os parmetros de treinamento,

selecionados pelos dois mtodos de avaliao, que geraram os resultados
expostos. Na linha Buffer, os nmeros indicam a quantidade de amostras
utilizadas do conjunto de treinamento para a formao do buffer. A linha Grade
indica a configurao linha x coluna de unidades na camada de sada. J a linha
Tipo de Malha usa a notao H para hexagonal e Q para quadrada, assim
como na linha Inicializao, D significa que a rede utilizou os dados iniciais do
conjunto de treinamento. Por fim, a linha Vizinhana se aproveita da notao
[inicial final] partes da quantidade de unidades na coluna da grade da camada
de sada.
Tabela 4 Descrio das siglas dos conjuntos
Conjunto Descrio
A Aquecimento
Re Resfriamento
RP Regime Permanente
Sp Step Positivo
Sn Step Negativo
LD Abertura de Linha de Desvio no Sistema Primrio
BP Bloqueio de vazo no Sistema Primrio
Tabela 5 - Resultados entre os conjuntos (Funo MD)
Conjunto A Re RP Sp Sn LD BP Mdia
% de acertos 96,17 100 0 19 54,41 100 100 67,08
Tabela 6 Verdes (Funo MD)
Conjunto A Re RP Sp Sn LD BP
% de indicaes
82,93 66,67 61,86 50 73,53 67,65 58,82
Tabela 7 Amarelos (Funo MD)
% de indicaes
11,96 06,25 16,95 25,00 23,53 26,47 23,53
56
Tabela 8 Vermelhos (Funo MD)
% de indicaes
5,10 27,08 21,19 25 2,94 5,88 17,65
Tabela 9 Parmetros de treinamento dos SOMs eleitos pelo mtodo de

avaliao por funo de medida de desempenho.
A Re RP Sp Sn LD BP
Buffer 18 18 18 18 18 18 18
Grade 8x8 12 x 12 8x8 8x8 8x8 8x8 8x8
pocas 5 3 2 3 2 2 2
Tipo de
Q Q H H Q H Q
Malha
Inicializao D D D D D D D
Vizinhana [0.33 [0.33 [1.2 [1.2 [0.33 [0.33 [0.33
0.0033] 0.0033] 0.012] 0.012] 0.0033] 0.0033] 0.0033]
Aps aproximadamente 60 horas de avaliaes, o melhor resultado

detectado, via produto cartesiano, foi o exposto da Tabela 10 Tabela 13. Sendo
a Tabela 10 referente classificao dos SOMs e da Tabela 11 Tabela 13 esto
os resultados referentes aos semforos. Os parmetros responsveis por estes
resultados esto expostos na Tabela 14.
Resultado Geral: 88,52% de acertos.
Tabela 10 - Resultados entre os conjuntos (Produto Cartesiano)
Conjunto A Re RP Sp Sn LD BP Mdia
% de acertos 94,90 100 75 75 75 100 91,18 87,30
Semforos:
Tabela 11 Verdes (Produto Cartesiano)
% de indicaes
56,62 39,58 60,17 48,53 64,71 52,94 64,71
57
Tabela 12 Amarelos (Produto Cartesiano)
% de indicaes
39,71 33,33 39,41 26,47 35,29 26,47 11,76
Tabela 13 Vermelhos (Produto Cartesiano)
% de indicaes
03,67 27,08 00,42 25,00 0 20,59 23,53
Tabela 14 Parmetros de treinamento dos SOMs eleitos pelo mtodo de

avaliao por produto cartesiano.
A Re RP Sp Sn LD BP
Buffer 18 18 18 18 18 18 18
Grade 8x8 8x8 8x8 8x8 8x8 8x8 8x8
pocas 5 3 2 2 2 2 2
Tipo de
H Q H H H H H
Malha
Inicializao D D D D D D D
Vizinhana [0.33 [0.33 [0.33 [0.33 [0.33 [0.33 [0.33
0.0033] 0.0033] 0.0033] 0.0033] 0.0033] 0.0033] 0.0033]
Percebe-se que alguns parmetros no so alterados, como o tamanho

do buffer e a inicializao. Este experimento foi programado desta maneira dada a
necessidade de diminuir ao mximo a quantidade de parmetros testados nos
experimentos, pelos motivos expostos no incio desta seo.
Estes parmetros foram escolhidos utilizando o conhecimento obtido

pelo autor com outros experimentos, algo em torno de 50 dos 56 experimentos,
onde 80% das redes eleitas haviam sido treinadas com o buffer de 18 amostras, e
90% das redes eleitas utilizaram a inicializao por dados iniciais do conjunto de
treinamento.
58
Para exemplificar os resultados obtidos, segue a Tabela 15 e a Figura

35 para auxiliar na comparao de ambos os mtodos. "Funo MD" significa
Funo de Medida de Desempenho, % de acertos indica a porcentagem global de
padres classificados corretamente (mdia de todas as redes), e % de indicaes
(cor) indica a porcentagem global de indicaes da cor citada (mdia de todas as
redes).
59
Tabela 15 - Resultados Globais
% de % de % de
% de
Mtodo Indicaes Indicaes Indicaes
Acertos
Verde Amarelo Vermelho
Funo MD 67,08 65,92 19,10 14,98
Produto
87,30 55,32 30,35 14,33
Cartesiano
Figura 35 Proporo de indicaes dos semforos. esquerda sob o

mtodo de avaliao por produto cartesiano, direita sob o mtodo de
avaliaao por funo de medida de desempenho.

O Labview possui recursos suficientes para a construo de uma
interface com o usurio da maneira proposta neste trabalho.
Da Figura 36 Figura 38, apresentada a interface com o usurio

implementada. direita, trs crculos representam o semforo, sendo cada um de
uma cor, vermelho, amarelo e verde. No centro da imagem est a caixa de texto
onde so apresentados os estados transitrios em curso. Estas 3 imagens
ilustram o que o sistema apresenta sob 3 estados diferentes, escolhidos como
exemplo: regime permanente, aquecimento e resfriamento. E ainda, cada um
deles apresentando um resultado de confiabilidade diferente, representados pelos
crculos acesos do semforo.
60
Figura 36 Sistema apresentando o estado de Regime Permanente, sob

medida de confiana certa.
Figura 37 Sistema apresentando o estado de Aquecimento, sob medida de

confiana que requer ateno.
61
Figura 38 Sistema apresentando o estado de Resfriamento, sob medida de

confiana incerta.
62
6. ANLISE DE RESULTADOS

Na maioria das figuras, fica clara a diferena entre o estado anterior e o
posterior ao evento do transitrio. Porm, em alguns casos, como o de bloqueio
de vazo do sistema secundrio e nas rampas, esta mudana no se torna
evidente. Contudo, isto causado pela caracterstica da bancada de circulao
natural em responder lentamente a estes transitrios.
Por isso que, em alguns experimentos computacionais via redes

neurais, estes transitrios foram retirados da anlise. O bloqueio de vazo do
sistema secundrio demora de tal forma que chega a no ser detectado no maior
dos buffers testado, e as rampas de potncia podem ser aglomeradas ao conjunto
de aquecimento e resfriamento, pois a rigor eles so a mesma coisa. Obviamente
que um detalhamento maior, como o que especifica o quanto de potncia est
variando, fica muito mais difcil de ser feito, porm, em um reator real, estes
transitrios de rampas de potncia ficariam muito mais claros ao sistema,
possibilitando assim a sua incluso no sistema como transitrios separados.
6.2. Redes Neurais

Observando os resultados obtidos via o mtodo de avaliao por
funo de medida de desempenho, na Tabela 5, possvel perceber que algumas
redes obtiveram resultados muito baixos, lembrando que cada transitrio possui
uma rede, chegando a zero em um dos casos, e, mesmo com o alto desempenho
de algumas outras redes, isto ocasionou uma taxa de acertos mdio de 67,08, o
que baixo.
Tambm ficou perceptvel que os semforos no obtiveram, em alguns

casos, resultados coerentes com as mdias de acertos. Por exemplo, no caso do
transitrio de regime permanente, o sistema errou todas as vezes, porm, os
semforos das respostas para estes transitrios indicaram o verde, isto ,
confivel, a maior parte das vezes.
A avaliao por meio do produto cartesiano, como explicado na seo

4.2.2.2, das redes geradas sob os diversos parmetros de treinamento lenta em
63
comparao com a avaliao por produto funo de medida de desempenho,

dado que, para chegar aos resultados apresentados na seo 5.2, a avaliao por
produto cartesiano demorou mais de 60 horas, sendo que a avaliao por funo
de medida de desempenho no mais que alguns minutos. Porm, com a
disponibilidade de um bom hardware, a melhor a ser feita, pois trar o melhor
dos resultados possveis dentro dos parmetros escolhidos.
Comparando as porcentagens de acertos entre as redes com o

resultado geral fica claro o quanto o conjunto de aquecimento, dado o seu enorme
tamanho, condiciona os resultados gerais. Porm, a mdia dos acertos entre as
redes caiu somente cerca de 3 pontos percentuais.
O comportamento dos semforos ocorreu, em sua maior parte, como o

esperado. Como a quantidade de acertos grande, a maior parte das vezes os
sinais verdes so dados. Em menor quantidade, os sinais amarelos, e por fim os
vermelhos. Obviamente que existem casos de alguns padres que devem ser
avaliados com mais cuidado, mas isto mais pertinente no caso de dados
provenientes de um reator real. Como neste trabalho foram utilizados dados de
uma bancada de circulao natural, onde no possvel experimentos mais
complexos, esta anlise no necessria.
interessante observar que a maioria dos parmetros das redes

igual. Isto ocorreu pois a avaliao total chega a durar mais de uma semana, e
devido problemas tcnicos, esta teve que ser interrompida antes de ser
finalizada.
Dos dois mtodos, o de avaliao por produto cartesiano mostrou-se

mais eficiente. Apesar de lento, este mtodo retorna resultados melhores que o
de funo de medida de desempenho logo nos primeiros resultados.
O mtodo de avaliao via funo de medida de desempenho no

deve ser descartado de futuras pesquisas, pois por se tratar de uma funo, esta
pode ser ajustada at que se torne possvel obter resultados razoveis, e ento
utilizar este mtodo no lugar da avaliao por produto cartesiano, por ser muito
mais rpido.
64

Foi possvel construir uma interface conforme o proposto,
extremamente simples e de fcil compreenso.
A mensagem Estado, em fontes grandes e destacada ao centro,

permite que o operador a observe antes do restante das informaes.
O semforo foi colocado estrategicamente direita, pois a regio

onde normalmente ficam legendas, e ainda, est imediatamente direita da
mensagem Estado. Ou seja, a tendncia dos olhos durante a leitura prosseguir
da esquerda para a direita, sendo assim, primeiro o usurio olhar para a
mensagem, e logo aps para o semforo. Assim, as duas principais informaes
ficam imediatamente disponveis ao operador.
O uso de cores extremamente intuitivo, e ainda, as cores utilizadas

fazem analogia proposital ao semforo de trnsito, ao qual todos j esto
acostumados a compreender de imediato.
importante ressaltar que a exibio de resultados numricos no

recomendada, dado que o objetivo do sistema justamente facilitar ao operador a
interpretao dos estados do reator. Apresentar conceitos prontos, e j
conhecidos, como o caso dos rtulos dados aos estados muito mais eficaz no
que diz respeito rapidez de interpretao.
65
CONCLUSES
Utilizando os dados da bancada de circulao natural foi possvel

construir um sistema de identificao e classificao de transitrios, utilizando
tcnicas de inteligncia artificial, mais especificamente mapas auto-organizveis,
que obtivesse resultados satisfatrios como uma primeira verso.
Neste trabalho, a plasticidade dos SOMs, aps o treinamento inicial,

inexiste. O autor utilizou esta configurao por razes de segurana, pois a
plasticidade do SOM , naturalmente, no-supervisionada. Deixar o sistema
evoluir com o tempo sem avaliar o seu desempenho seria muito arriscado, e a
segurana de operao de uma usina nuclear uma das principais preocupaes
deste projeto.
No futuro, deve-se desenvolver um algoritmo de plasticidade

supervisionada, isto , onde as redes se adaptem, porm supervisionadas por um
operador especializado nos estados transitrios. Assim, este operador deve ter o
poder de pedir para que o sistema aprenda a identificar e classificar um padro
novo da maneira correta, e tambm de verificar se o sistema aprendeu
satisfatoriamente. E, caso no tenha aprendido, possa voltar atrs e manter a
configurao original, ou at mesmo treinando novamente as redes, porm
utilizando parmetros diferentes. Mas, dar a responsabilidade ao operador de
modificar parmetros de treinamento uma situao delicada, pois exigiria um
conhecimento que no necessariamente o mesmo teria. Logo, o conceito de um
algoritmo de plasticidade supervisionada torna-se algo digno de um estudo
aprofundado e delicado.
Para o treinamento e escolha da configurao tima dos SOMs, foi

utilizada uma tcnica diferente da convencional, que utilizar mltiplas redes
especialistas para fazer a classificao e identificao dos transitrios, sendo que
esta tcnica provou-se muito eficiente, e tambm muito promissora no que diz
respeito ao desenvolvimento de novas funcionalidades em futuros projetos.
Uma destas funcionalidades pode ser que a rede, alm de responder

qual transitrio est em curso, tambm d informaes adicionais sobre o mesmo.
66
Por exemplo: no caso de Steps, o sistema pode fornecer como informao

adicional a variao de potncia. Ou ainda, informaes adicionais sobre o
acidente em curso, como a intensidade da vazo corrente na linha de desvio
recm aberta.
A tcnica de avaliao de desempenho, por funo de medida de

desempenho, deve ser aprimorada para que possa substituir a tcnica de
avaliao por produto cartesiano. Isto permitir que uma quantidade maior de
configuraes das redes possa ser testada, j que a avaliao por funo de
medida de desempenho muito mais rpida do que por produto cartesiano, como
demonstrado na seo 5.2, e comentado na seo 6.2.
Todos os dados utilizados pelo sistema foram obtidos, pelo autor desta
dissertao, via experimentao em uma bancada de circulao natural,
cumprindo, assim, outro objetivo do trabalho.
O objetivo de apresentar resultados de forma simples, objetiva, de fcil

interpretao pelos operadores das usinas nucleares, e ainda apresentando uma
medida de confiabilidade, foi completamente atingido. Isto atende aos requisitos
de segurana, j que, pela fcil absoro das informaes apresentadas, o
operador pode tomar atitudes mais prontamente, e todas as informaes
apresentadas possuem a sua classificao de confiabilidade, permitindo ao
operador saber quando conferir o estado do reator mais detalhadamente, para
verificar se o estado transitrio em curso condiz com o apresentado pelo sistema.
67
APNDICE A Dados gerados pela avaliao via produto cartesiano
Seguem os dados das primeiras 60 horas do experimento considerado

de maior relevncia neste trabalho.
Legendas:
{Data e hora da ocorrncia}
Resultado Geral
{Frao do total de acertos com 12 casas decimais.}
Resultados Conjuntos
{Fraes dos totais de acertos de cada conjunto, com 12 casas decimais,
separadas por ; }
Semforos
Verde
{Fraes dos totais de ativaes de cada conjunto, com 12 casas decimais,
separadas por ;}
Amarelo
separadas por ;}
Vermelho
separadas por ;}
Parmetros
{Conjunto Sigla do conjunto}
Buffer: {quantidade de perodos de 7 segundos; }
Grade: {quantidade de linhas por quantidade de colunas, separadas por espao
em branco};
pocas: {quantidade;}
Tipo de Malha: {hexa para hexadecimal e quadrada para quadrada;}
Inicializao: {cjto para valores iniciais do conjunto de treinamento;}
Vizinhana: {Fraes do total das colunas, iniciais e finais, separadas por ;}
68
23/2/2008 16:10:36
Resultado Geral
0.715695067264574
[0.703349282296651;0.5;0.720338983050847;0.75;0.75;1;0.794117647058823]
Semforos
Verde
[0.601275917065391;0.625;0.864406779661017;0.485294117647059;0.8676470
58823529;0.529411764705882;0.852941176470588]
Amarelo
[0.231259968102073;0.0833333333333333;0.13135593220339;0.264705882352
941;0.132352941176471;0.264705882352941;0.0294117647058824]
Vermelho
[0.167464114832536;0.291666666666667;0.00423728813559322;0.25;0;0.20588
2352941176;0.117647058823529]
Parmetros
Conjunto A
Buffer: 18; Grade: [8 8]; pocas: 2; Tipo de Malha: hexa; Inicializao: cjto;
Vizinhana: [0.33 0.0033]
Conjunto Re
Vizinhana: [0.33 0.0033]
Conjunto RP
Vizinhana: [0.33 0.0033]
Conjunto Sp
Vizinhana: [0.33 0.0033]
Conjunto Sn
Vizinhana: [0.33 0.0033]
69
Conjunto LD
Vizinhana: [0.33 0.0033]
Conjunto BP
Vizinhana: [0.33 0.0033]
23/2/2008 16:11:28
Resultado Geral
0.723766816143498
[0.703349282296651;0.5;0.720338983050847;0.779411764705882;0.75;1;1]
Semforos
Verde
[0.598086124401914;0.625;0.864406779661017;0.485294117647059;0.8676470
58823529;0.529411764705882;0.647058823529412]
Amarelo
[0.232854864433812;0.0833333333333333;0.13135593220339;0.264705882352
941;0.132352941176471;0.264705882352941;0.0294117647058824]
Vermelho
[0.169059011164274;0.291666666666667;0.00423728813559322;0.25;0;0.20588
2352941176;0.323529411764706]
Parmetros
Conjunto A
Buffer: 18; Grade: [8 8]; pocas: 2; Tipo de Malha: quadrada; Inicializao: cjto;
Vizinhana: [0.33 0.0033]
Conjunto Re
Vizinhana: [0.33 0.0033]
Conjunto RP
Vizinhana: [0.33 0.0033]
Conjunto Sp
70
Vizinhana: [0.33 0.0033]
Conjunto Sn
Vizinhana: [0.33 0.0033]
Conjunto LD
Vizinhana: [0.33 0.0033]
Conjunto BP
Vizinhana: [0.33 0.0033]
23/2/2008 16:12:21
Resultado Geral
0.829596412556054
[0.883572567783094;0.5;0.75;0.75;0.75;1;1]
Semforos
Verde
[0.61244019138756;0.625;0.601694915254237;0.485294117647059;0.86764705
8823529;0.529411764705882;0.647058823529412]
Amarelo
[0.32695374800638;0.0833333333333333;0.39406779661017;0.2647058823529
41;0.132352941176471;0.264705882352941;0.0294117647058824]
Vermelho
[0.0606060606060606;0.291666666666667;0.00423728813559322;0.25;0;0.2058
82352941176;0.323529411764706]
Parmetros
Conjunto A
Vizinhana: [0.33 0.0033]
Conjunto Re
71
Vizinhana: [0.33 0.0033]
Conjunto RP
Vizinhana: [0.33 0.0033]
Conjunto Sp
Vizinhana: [0.33 0.0033]
Conjunto Sn
Vizinhana: [0.33 0.0033]
Conjunto LD
Vizinhana: [0.33 0.0033]
Conjunto BP
Vizinhana: [0.33 0.0033]
23/2/2008 16:13:13
Resultado Geral
0.834080717488789
[0.912280701754386;0.5;0.711864406779661;0.75;0.75;1;0.882352941176471]
Semforos
Verde
[0.645933014354067;0.625;0.639830508474576;0.485294117647059;0.8676470
58823529;0.529411764705882;0.764705882352941]
Amarelo
[0.272727272727273;0.0833333333333333;0.355932203389831;0.26470588235
2941;0.132352941176471;0.264705882352941;0.0294117647058824]
Vermelho
[0.0813397129186603;0.291666666666667;0.00423728813559322;0.25;0;0.2058
82352941176;0.205882352941176]
72
Parmetros
Conjunto A
Vizinhana: [0.33 0.0033]
Conjunto Re
Vizinhana: [0.33 0.0033]
Conjunto RP
Vizinhana: [0.33 0.0033]
Conjunto Sp
Vizinhana: [0.33 0.0033]
Conjunto Sn
Vizinhana: [0.33 0.0033]
Conjunto LD
Vizinhana: [0.33 0.0033]
Conjunto BP
Vizinhana: [0.33 0.0033]
23/2/2008 16:14:05
Resultado Geral
0.863677130044843
[0.94896331738437;0.5;0.75;0.75;0.75;1;0.911764705882353]
Semforos
Verde
[0.566188197767145;0.604166666666667;0.601694915254237;0.485294117647
059;0.661764705882353;0.529411764705882;0.647058823529412]
Amarelo
73
[0.397129186602871;0.104166666666667;0.39406779661017;0.2647058823529
41;0.338235294117647;0.264705882352941;0.117647058823529]
Vermelho
[0.0366826156299841;0.291666666666667;0.00423728813559322;0.25;0;0.2058
82352941176;0.235294117647059]
Parmetros
Conjunto A
Vizinhana: [0.33 0.0033]
Conjunto Re
Vizinhana: [0.33 0.0033]
Conjunto RP
Vizinhana: [0.33 0.0033]
Conjunto Sp
Vizinhana: [0.33 0.0033]
Conjunto Sn
Vizinhana: [0.33 0.0033]
Conjunto LD
Vizinhana: [0.33 0.0033]
Conjunto BP
Vizinhana: [0.33 0.0033]
23/2/2008 23:32:02
Resultado Geral
0.875336322869955
74
[0.94896331738437;0.770833333333333;0.75;0.75;0.75;1;0.911764705882353]
Semforos
Verde
[0.566188197767145;0.645833333333333;0.601694915254237;0.485294117647
059;0.661764705882353;0.529411764705882;0.647058823529412]
Amarelo
[0.397129186602871;0.1875;0.39406779661017;0.264705882352941;0.3382352
94117647;0.264705882352941;0.117647058823529]
Vermelho
[0.0366826156299841;0.166666666666667;0.00423728813559322;0.25;0;0.2058
82352941176;0.235294117647059]
Parmetros
Conjunto A
Vizinhana: [0.33 0.0033]
Conjunto Re
Vizinhana: [0.33 0.0033]
Conjunto RP
Vizinhana: [0.33 0.0033]
Conjunto Sp
Vizinhana: [0.33 0.0033]
Conjunto Sn
Vizinhana: [0.33 0.0033]
Conjunto LD
Vizinhana: [0.33 0.0033]
Conjunto BP
Vizinhana: [0.33 0.0033]
75
24/2/2008 00:27:34
Resultado Geral
0.876233183856502
[0.945773524720893;0.833333333333333;0.75;0.75;0.75;1;0.911764705882353]
Semforos
Verde
[0.57097288676236;0.666666666666667;0.601694915254237;0.4852941176470
59;0.661764705882353;0.529411764705882;0.647058823529412]
Amarelo
[0.397129186602871;0.166666666666667;0.39406779661017;0.2647058823529
41;0.338235294117647;0.264705882352941;0.117647058823529]
Vermelho
[0.0318979266347687;0.166666666666667;0.00423728813559322;0.25;0;0.2058
82352941176;0.235294117647059]
Parmetros
Conjunto A
Vizinhana: [0.33 0.0033]
Conjunto Re
Vizinhana: [0.66 0.0066]
Conjunto RP
Vizinhana: [0.33 0.0033]
Conjunto Sp
Vizinhana: [0.33 0.0033]
Conjunto Sn
Vizinhana: [0.33 0.0033]
Conjunto LD
76
Vizinhana: [0.33 0.0033]
Conjunto BP
Vizinhana: [0.33 0.0033]
24/2/2008 03:13:59
Resultado Geral
0.878026905829596
[0.94896331738437;0.833333333333333;0.75;0.75;0.75;1;0.911764705882353]
Semforos
Verde
[0.566188197767145;0.6875;0.601694915254237;0.485294117647059;0.661764
705882353;0.529411764705882;0.647058823529412]
Amarelo
[0.400318979266348;0.145833333333333;0.39406779661017;0.2647058823529
41;0.338235294117647;0.264705882352941;0.117647058823529]
Vermelho
[0.0334928229665072;0.166666666666667;0.00423728813559322;0.25;0;0.2058
82352941176;0.235294117647059]
Parmetros
Conjunto A
Vizinhana: [0.33 0.0033]
Conjunto Re
Vizinhana: [0.33 0.0033]
Conjunto RP
Vizinhana: [0.33 0.0033]
Conjunto Sp
77
Vizinhana: [0.33 0.0033]
Conjunto Sn
Vizinhana: [0.33 0.0033]
Conjunto LD
Vizinhana: [0.33 0.0033]
Conjunto BP
Vizinhana: [0.33 0.0033]
25/2/2008 23:12:22
Resultado Geral
0.880717488789238
[0.94896331738437;1;0.75;0.75;0.676470588235294;1;0.911764705882353]
Semforos
Verde
[0.566188197767145;0.416666666666667;0.601694915254237;0.485294117647
059;0.632352941176471;0.529411764705882;0.647058823529412]
Amarelo
[0.397129186602871;0.291666666666667;0.39406779661017;0.2647058823529
41;0.367647058823529;0.264705882352941;0.117647058823529]
Vermelho
[0.0366826156299841;0.291666666666667;0.00423728813559322;0.25;0;0.2058
82352941176;0.235294117647059]
Parmetros
Conjunto A
Vizinhana: [0.33 0.0033]
Conjunto Re
78
Vizinhana: [0.66 0.0066]
Conjunto RP
Vizinhana: [0.33 0.0033]
Conjunto Sp
Vizinhana: [0.33 0.0033]
Conjunto Sn
Vizinhana: [0.33 0.0033]
Conjunto LD
Vizinhana: [0.33 0.0033]
Conjunto BP
Vizinhana: [0.33 0.0033]
26/2/2008 04:04:39
Resultado Geral
0.885201793721973
[0.94896331738437;1;0.75;0.75;0.75;1;0.911764705882353]
Semforos
Verde
[0.566188197767145;0.395833333333333;0.601694915254237;0.485294117647
059;0.647058823529412;0.529411764705882;0.647058823529412]
Amarelo
[0.397129186602871;0.333333333333333;0.39406779661017;0.2647058823529
41;0.352941176470588;0.264705882352941;0.117647058823529]
Vermelho
[0.0366826156299841;0.270833333333333;0.00423728813559322;0.25;0;0.2058
82352941176;0.235294117647059]
79
Parmetros
Conjunto A
Vizinhana: [0.33 0.0033]
Conjunto Re
Vizinhana: [0.66 0.0066]
Conjunto RP
Vizinhana: [0.33 0.0033]
Conjunto Sp
Vizinhana: [0.33 0.0033]
Conjunto Sn
Vizinhana: [0.33 0.0033]
Conjunto LD
Vizinhana: [0.33 0.0033]
Conjunto BP
Vizinhana: [0.33 0.0033]
80
APNDICE B Experimentos feitos na bancada de circulao natural
Grficos dos estados transitrios, obtidos via experimentao feita pelo

autor desta dissertao na bancada de circulao natural da diretoria de reatores
do IPEN.
Na Figura 39 est o esquema da configurao utilizada para os

experimentos na bancada de circulao natural, com as localizaes das
variveis que so expostas da Figura 40 Figura 48.
As siglas TC indicam a posio dos medidores de temperatura, Flow

indica vazo, Pressure 1 a presso no sistema primrio, Pressure 2 a
presso no sistema secundrio.
81
Figura 39 - Esquema da bancada de circulao natural

82
Figura 40 Bloqueio de vazo do sistema primrio, a 1000 W de potncia e

60 l/h de vazo no sistema secundrio.
83
Figura 41 Bloqueio de vazo do sistema primrio, a 1000 W de potncia e

120 l/h de vazo no sistema secundrio.
84
Figura 42 Bloqueio de vazo do sistema secundrio, a 2500 W de potncia

e 60 l/h de vazo no sistema secundrio.
85
Figura 43 Bloqueio de vazo do sistema secundrio, a 2500 W de potncia

e 120 l/h de vazo no sistema secundrio.
86
Figura 44 Abertura de linha de desvio no sistema primrio, a 2000 W de

potncia e 60 l/h de vazo no sistema secundrio.
87
Figura 45 Abertura de linha de desvio no sistema primrio, a 2000 W de

potncia e 120 l/h de vazo no sistema secundrio.
88
Figura 46 Rampas positivas.

89
Figura 47 Rampas negativas.

90
Figura 48 Steps positivos e negativos.

91
BIBLIOGRAFIA
[1] CARELLI, M. D., et al., IRIS, International New Generation Reactor, In: 8TH INTERNATIONAL
CONFERENCE ON NUCLEAR ENGINEERING, BALTIMORE, USA, April 1-5, 2000.
Proceedings
[2] CARELLI, M. D., et al, IRIS Reactor Development. In: 9TH INTERNATIONAL CONFERENCE ON
NUCLEAR ENGINEERING, Nice, France, April 8-12, 2001. Proceedings
[3] CARELLI, M. D., et al, Trade-off Studies for Defining the Characteristics of the IRIS Reactor Core,
16TH INTERNATIONAL CONFERENCE ON STRUCTURAL MECHANICS IN REACTOR
TECHNOLOGY, Washington, USA, August 12-17, 2001.
[4] PETROVIC, B, et al. INTERNATIONAL COLLABORATION AND NEUTRONIC ANALYSES IN

SUPPORT OF THE IRIS PROJECT, Trans. Am. Nucl. Soc. 83, pp. 186-187 (2000).
[5] IPCC - INTERGOVERNMENTAL PANEL ON CLIMATE CHANGE (2000), Special Report on

Emission Scenarios, A Special Report of Working Group III of the Intergovernmental Panel on Climate
Change, (http://www.grida.no/climate/ipcc/emission/index.htm), Cambridge University Press,
Cambridge, UK.
[6] IAEA-TECDOC-1362, Guidance for the evaluation of innovative nuclear reactors and fuel cycles,
Report of Phase 1A of the International Project on Innovative Nuclear Reactors and Fuel Cycles
(INPRO), 2003.
[7] UNITED STATES DEPARTMENT OF ENERGY US/DOE, The U.S. Generation IV Implementation
Strategy, http://www.nuclear.gov/reports/Gen-IV_Implementation_Plan_9-9-03.pdf, September 2003.
[8] ORIANI, L., et al. Thermal Hydraulic Tradeoffs in the Design of the IRIS Primary Circuit. In: 9TH
INTERNATIONAL CONFERENCE ON NUCLEAR ENGINEERING, Nice, France, April 8-12, 2001.
Proceedings
[9] CONWAY, L. E., et al. Simplified Safety and Containment Systems for the IRIS Reactor. In: 9TH
INTERNATIONAL CONFERENCE ON NUCLEAR ENGINEERING, Nice, France, April 8-12, 2001.
Proceedings
[10] CARELLI, M. D., ET AL. Safety by Design: A New Approach to Accident Management in the IRIS
Reactor. IAEA-SR-218-36, IAEA INTL. SEMINAR ON STATUS AND PROSPECTS OF SMALL
AND MEDIUM SIZED REACTORS, Cairo, Egypt, May 27-31, 2001.
[11] BAPTISTA FILHO, B. D.; BARROSO, A. C. O.; ARONE, I. D.; MACEDO, L. A.; SAMPAIO, P. A.
B.; MORAES, M. Iris pressurizer design. In: THE INTERNATIONAL CONGRESS ON ADVANCES
IN NUCLEAR POWER PLANTS (ICAPP 03), Crdoba. 2003. v. 1, p. 1-10. Proceedings...
[12] BARROSO, A. C. O.; BAPTISTA FILHO, B. D.; CARELLI, M. D. The IRIS reactor design - An
International Cooperative Project and the Brazilian participation. In: INTERNATIONAL
CONFERENCE ON INNOVATIVE TECHNOLOGIES FOR NUCLEAR FUEL CYCLES AND
NUCLEAR POWER, Vienna. Innovative Technologies for Nuclear Power, IAEA-CN-108. Vienna,
Austria: International Atomic Energy Agency - International Nuclear Information System, 2003. v. 1.
Proceedings
92
[13] BARROSO, A. C. O.; BAPTISTA FILHO, B. D.; PALMIERI, E. T.; SABUNDJIAN, G.; ANDRADE,
D. A.; MACEDO, L. A.. CNEN in the IRIS Project. In: LAS-ANS SYMPOSIUM 2002: POWER
SUPPLY AND ITS CHALLENGES THE NUCLEAR PROPOSAL, 2002, Rio de Janeiro. LAS-ANS
Symposium 2002. 2002. v. 1, p. 1-7. Proceedings
[14] KOHONEN, T., Self-Organized Formation of Topologically Correct Feature Maps, Biological
Cybernetics, v.43, p. 59-69, 1982.
[15] KOHONEN, T. Self-Organizing Maps. Third Extended Edition, New York: Springer, 2001.
[16] ALHONIEMI, E.; HOLLMN, J.; SIMULA, O.; VESANTO, J. Process Monitoring and Modeling
Using Self-Organizing Map. INTEGRATED COMPUTER AIDED ENGINEERING, Volume 6,
Number 1, IOS Press, 1999 p. 3-14.
[17] FLEXER A.: Statistical Evaluation of Neural Network Experiments: Minimum Requirements and
Current Practice. In: 13TH EUROPEAN MEETING ON CYBERNETICS AND SYSTEMS
RESEARCH. Austrian Society for Cybernetic Studies, Vienna, 2 vols., pp.1005 1008, 1996.
Proceedings
[18] SMITH, L. I. A tutorial on Principal Component Analysis, 26/02/2002. Disponvel em 2/11/2007 em:
http://csnet.otago.ac.nz/cosc453/student_tutorials/principal_components.pdf.
[19] HAYKIN, S. Redes Neurais Princpios e Prtica. 2 Edio, Editora Bookman.
[20] BAPTISTA FILHO, B. D. Redes neurais para controle de sistemas de reatores nucleares. 1998. Tese
(Doutorado) Instituto de Pesquisas Energticas e Nucleares, So Paulo.
[21] OJA, M.; KASKI, S.; KOHONEN, T. Bibliography of Self-Organizing Map (SOM) Papers: 1998-2001
Addendum, NEURAL COMPUTING SURVEYS, Helsinki University of Technology, 2002. Disponvel
em: http://www.icsi.berkeley.edu/jagota/NCS.
[22] NUREG/CR-5535-VI, Relap5/mod3 Code Manual, Volumes I to V, Idaho National Engineering

Laboratory, June 1995.
[23] HUNNS, D.M.; WAINWRIGTH, N. (1991) Software-based Protection for Sizewell B: The Regulator's
Perspective. NUCLEAR ENGINEERING INTERNATIONAL, p. 38-40, Sept. 1991.
[24] BAPTISTA FILHO, B. D.. Correlao de Propriedades Termodinmicas da gua utilizando Redes
Neurais Artificiais. In: XIII ENFIR NATIONAL MEETING OF REACTOR PHYSICS AND
THERMAL HYDRAULICS, INAC 2002 (International Nuclear Atlantic Conference), Rio de Janeiro,
2002. v. 1, p. 1-6. Proceedings
[25] BAPTISTA FILHO, B. D.. Redes Neurais Artificiais na Engenharia Nuclear (Parte 1). In: XIII ENFIR
NATIONAL MEETING OF REACTOR PHYSICS AND THERMAL HYDRAULICS, INAC 2002
(International Nuclear Atlantic Conference), Rio de Janeiro, 2002. v. 1, p. 1-6. Proceedings
[26] BAPTISTA FILHO, B. D.. Redes Neurais Artificiais na Engenharia Nuclear (Parte 2). In: XIII ENFIR
NATIONAL MEETING OF REACTOR PHYSICS AND THERMAL HYDRAULICS, INAC 2002
(International Nuclear Atlantic Conference), Rio de Janeiro, 2002. v. 1, p. 1-6. Proceedings
[27] GARCIA, M. B.; SOARES, A. J.; BAPTISTA FILHO, B. D.. Utilizao de Cintiladores Plsticos em
Sistemas de Deteco Sensveis Posio. In: VI ENAN NATIONAL MEETING ON NUCLEAR
APPLICATIONS, 2002, Rio de Janeiro. INAC 2002 - International Nuclear Atlantic Conference - VI
ENAN. 2002. v. 1, p. 1-6. Proceedings...
93
[28] BAPTISTA FILHO, B. D.; CABRAL, E. L. L. Um Novo Conceito de Redes Neurais Artificiais para
Controle de Sistemas de Reatores Nucleares. In: V Brazilian Conference on Neural Networks, 2001,
Rio de Janeiro. Proceedings
[29] BAPTISTA FILHO, B. D. A new neural network concept for control of nuclear reactors systems. In:
EIGHTH INTERNATIONAL CONFERENCE ON NUCLEAR ENGINEERING (ICONE-8), 2000,
Baltimore. 2000. Proceedings
[30] BAPTISTA FILHO, B. D. Utilizao do Conceito de Redes Neurais com Contatos Sinpticos Mltiplos
no Controle de Trajetria de um Manipulador Bi-articulado. In: CONGRESSO NACIONAL DE
ENGENHARIA MECNICA, CONEM2000, Natal, 2000. Proceedings...
[31] BAPTISTA FILHO, B. D.; CABRAL, E. L. L. Controle de um Manipulador Bi-articulado com uma
Rede Neural de Contatos Multi-Sinpticos. Anais do 4o SIMPSIO BRASILEIRO DE AUTOMAO
INTELIGENTE (4o SBAI). So Paulo: SBAI, 1999. p. 119-124.
[32] BIANCHI, P. H.; BAPTISTA FILHO, B. D. Sistema de identificao e classificao de transientes em

usinas nucleares utilizando mapas auto-organizveis. In: VIII CONGRESSO BRASILEIRO DE REDES
NEURAIS, 8 a 11 de outubro, 2007, Florianpolis, Santa Catarina. 1 CD-ROM.
[33] BAPTISTA F., B.D., BARROSO, A.C.O., "Identification of IRIS Reactor Transients with Self-
Organized Maps ", Paper 1185, GENES4/ANP2003 Conference, Sep. 15-19, 2003, Kyoto, JAPAN.
[34] BAPTISTA FILHO, B. D.; BARROSO, A. C. O. Identification of IRIS Reactor Transients with Self-
Organized Maps. In: GLOBAL 2003 ATOMS FOR PROSPERITY: UPDATING EISENHOWERS
GLOBAL VISION FOR NUCLEAR ENERGY, New Orleans, USA, Nov. 16-20, 2003. Proceedings
[35] MOL, A. C. A.; ALMEIDA, J. C. S.; PEREIRA, C. M. N. A.; MARINS, E. R.; LAPA, C. M. F. Neural
and genetic-based approaches to nuclear transient identification including dont know response.
PROGRESS IN NUCLEAR ENERGY 48, p. 268 282. 2006. Disponvel em Elsevier:
www.sciencedirect.com.
[36] SANTOSH, T. V.; VINOD, G.; SARAF, R. K.; GHOSH, A. K.; KUSHWAHA, H. S. Application of
artificial neural networks to nuclear power plant transient diagnosis. RELIABILITY ENGINEERING
AND SYSTEM SAFETY 92, p. 1468 1472. 2007. Disponvel em Elsevier: www.sciencedirect.com.
[37] LEMOS, R. A.; NAKAMURA, M.; KUWANO, H. Applying a Self-organizing Map to Sensor-Array
Characterization. 1993 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS.
Proceedings
[38] SIMULA, O.; ALHONIEMI, E.; HOLLMN, J.; VESANTO, J. Monitoring and modeling of complex
processes using hierarchical self-organizing maps. IEEE INTERNATIONAL SYMPOSIUM ON
VOLUME SUPPLEMENT, Issue 12-15 May 1996 p. 73 76. Proceedings
[39] VAN DEVENTER, J. S. J.; ALDRICH, C.; MOOLMAN, D. W. The Tracking of Changes in Chemical
Processes Using Computer Vision and Self-organizing Maps. IEEE INTERNATIONAL
CONFERENCE ON NEURAL NETWORKS, Issue Nov/Dec 1995 p. 3068 - 3073 vol.6. Proceedings
[40] TSE, P.; WANG, D. D. Improving Learning Vector Quantization Classifier in Machine Fault Diagnosis
by Adding Consistency. IEEE International Conference on Neural Networks, p. 927-931 vol.2, 1995.
Proceedings
[41] HARRIS, T.; GAMLYN, L.; SMITH, P.; MACINTYRE, J.; BRASON, A.; PALMER, R.; SMITH, H.;
SLATER, A. 'NEURAL-MAINE': Intelligent On-Line Multiple Sensor Diagnostics For Steam Turbines
94
In Power Generation. IEEE International Conference on Neural Networks, p. 686-691 vol.2, 1995.
Proceedings

Paulo Henrique Bianchi

Загружено:

Сведения о документе

Исходное описание:

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Paulo Henrique Bianchi

Загружено:

Авторское право:

Доступные форматы

INSTITUTO DE PESQUISAS ENERGTICAS E NUCLEARES

Autarquia associada Universidade de So Paulo

SISTEMA DE IDENTIFICAO E CLASSIFICAO DE TRANSIENTES EM