Iraci Martinez PereiraCOSTA, VALTER M.2014-10-092014-10-092014-10-092014-10-092011COSTA, VALTER M. <b>Análise das variáveis de entrada de uma rede neural usando teste de correlação e análise de correlaçao canônica</b>. Orientador: Iraci Martinez Pereira. 2011. 102 f. Dissertação (Mestrado) - Instituto de Pesquisas Energeticas e Nucleares - IPEN-CNEN/SP, São Paulo. DOI: <a href="https://dx.doi.org/10.11606/D.85.2011.tde-21112011-093042">10.11606/D.85.2011.tde-21112011-093042</a>. Disponível em: http://repositorio.ipen.br/handle/123456789/10037.http://repositorio.ipen.br/handle/123456789/10037A monitoração de variáveis e o diagnóstico de falhas é um aspecto importante a se considerar seja em plantas nucleares ou indústrias de processos, pois um diagnóstico precoce de falha permite a correção do problema proporcionando a não interrupção da produção e a segurança do operador e, assim, não causando perdas econômicas. O objetivo deste trabalho é, dentro do universo de todas as variáveis monitoradas de um processo, construir um conjunto de variáveis, não necessariamente mínimo, que será a entrada de uma rede neural e, com isso, conseguir monitorar, o maior número possível de variáveis. Esta metodologia foi aplicada ao reator de pesquisas IEA-R1 do IPEN. Para isso, as variáveis Potência do reator, Vazão do primário, Posição de barras de controle/segurança e Diferença de pressão no núcleo do reator D P, foram agrupadas, pois por hipótese quase todas as variáveis monitoradas em um reator nuclear tem relação com alguma dessas ou pode ser resultado da interação de duas ou mais. Por exemplo, a Potência está relacionada ao aumento e diminuição de algumas temperaturas bem como à quantidade de radiação devido à fissão do urânio; as Barras são reguladoras de potência e, por conseqüência podem influenciar na quantidade de radiação e/ou temperaturas; a Vazão do Circuito Primário, responsável pelo transporte de energia e pela conseqüente retirada de calor do núcleo. Assim, tomando o grupo de variáveis mencionadas, calculamos a correlação existente entre este conjunto B e todas as outras variáveis monitoradas (coeficiente de correlação múltipla), isto é, através do cálculo da correlação múltipla, que é uma ferramenta proposta pela teoria das Correlações Canônicas, foi possível calcular o quanto o conjunto B pode predizer cada uma das variáveis monitoradas. Uma vez que não seja possível uma boa qualidade de predição com o conjunto B, é acrescentada uma ou mais variáveis que possuam alta correlação com a variável melhorando a qualidade de predição. Finalmente, uma rede pode ser treinada com o novo conjunto e os resultados quanto a monitoração foram bastante satisfatórios quanto às 64 variáveis monitoradas pelo sistema de aquisição de dados do reator IEA-R1 através de sensores e atuadores , pois com um conjunto de 9 variáveis foi possível monitorar 51 variáveis.102openAccessbrazilian cneniear-1 reactorfailuresneural networkscorrelationsreactor monitoring systemsDissertação10.11606/D.85.2011.tde-21112011-093042