Orientador: Marco Aurélio Cremasco

Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Química

Resumo: Sinais caóticos são sinais cujo comportamento é aperiódico e sensível às condições iniciais ou às pequenas perturbações. Sob este aspecto, diversos campos do conhecimento, tais como engenharia, biologia e economia, podem fazer uso da análise de séries temporais para descrever situações...

Resumo: Sinais caóticos são sinais cujo comportamento é aperiódico e sensível às condições iniciais ou às pequenas perturbações. Sob este aspecto, diversos campos do conhecimento, tais como engenharia, biologia e economia, podem fazer uso da análise de séries temporais para descrever situações características a seus estudos. Contudo, encontram-se dificuldades para classificar sistemas dinâmicos caóticos a partir de métodos tradicionais como, por exemplo, o espectro de potência de Fourier. Para uma nova abordagem, a reconstrução de atratores, a partir do método de Takens, vem sendo apontada como alternativa de análise para diferenciar o caos determinístico de um comportamento estocástico. A partir do caos determinístico, várias propriedades conhecidas como invariantes caóticas podem ser determinadas, como a dimensão de correlação e a entropia de Kolmogorov. No entanto, estudos recentes têm mostrado que ruídos limitam o desempenho de várias técnicas empregadas na identificação e previsão de sistemas determinísticos e, portanto, influenciando no cálculo dos invariantes caóticos. A extensão da influência do ruído na análise de dados experimentais é difícil de entender devido à falta de conhecimento sobre o nível e a natureza do ruído. Este trabalho, além de construir uma ferramenta para o cálculo dos invariantes caóticos, propõe uma abordagem sistemática para a redução de ruído em séries temporais de sinais de concentração de partículas de FCC, obtidos experimentalmente por uma sonda de fibra óptica em uma seção de riser de um leito fluidizado circulante (LFC). Para a determinação e a redução do nível de ruído foi utilizado o algoritmo de máxima verossimilhança (Schouten et al., 1994a) e o método de Schreiber (1993), respectivamente. Para tanto, adiciona-se o ruído no mapa de Hénon para, a seguir, ser aplicado sobre dados experimentais. Para avaliar a eficácia do método proposto, investiga-se a precisão da previsão para as séries caóticas a partir das redes neuronais artificiais e o valor da dimensão de correlação e entropia de Kolmogorov. Os resultados para identificação do nível de ruído e a sua redução mostram que a técnica proposta neste trabalho é promissora, pois conhecendo o nível de ruído, a redução deste é feita com maior precisão, em consequência disto, os resultados finais mantêm as características caóticas da dinâmica original. Sendo assim, é possível obter uma maior confiabilidade no grau de liberdade e previsibilidade na aplicação em sistemas experimentais

Abstract: Chaotic signals are signals whose behavior is aperiodic and sensitive to initial conditions or to small perturbations. In this regard, various fields of knowledge such as engineering, biology and economics, can make use of time series analysis to describe typical situations to its studies....

Abstract: Chaotic signals are signals whose behavior is aperiodic and sensitive to initial conditions or to small perturbations. In this regard, various fields of knowledge such as engineering, biology and economics, can make use of time series analysis to describe typical situations to its studies. However, it is difficult to classify chaotic dynamic systems from traditional methods such as Fourier power spectrum. Towards a new approach, reconstruction of attractors from the Takens's method has been suggested as an alternative analysis to differentiate the deterministic chaos of a stochastic behavior. Several properties known as chaotic invariants can be determined from the deterministic chaos such as the correlation dimension and Kolmogorov entropy. However, recent studies have shown that noise limits the performance of various techniques used in the identification and prediction of deterministic systems and influences the calculation of chaotic invariants. The extent of the noise influence in the analysis of experimental data is difficult to understand due to the lack of knowledge about the level and nature of the noise. This work elaborates a tool for the calculation of chaotic invariants and proposes a systematic approach to noise reduction in time series of particle concentration signals. The particle concentration signals were obtained experimentally by an optic fiber probe in a riser section of a circulating fluidized bed (CFB). To evaluate and reduce the noise levels the maximum likelihood algorithm (Schouten et al., 1994a) and the method of Schreiber (1993), were used, respectively. Therefore, the noise is added to the Hénon map to be applied on experimental data. To evaluate the effectiveness of the proposed method the accuracy of prediction by the artificial neural networks, the value of correlation dimension and Kolmogorov entropy from the chaotic time series are investigate. The results for the identification and reduction of noise show that the proposed technique is promising. The reduction is performed with higher accuracy knowing the noise level. Consequently, the final results maintain the original characteristics of chaotic dynamics. Therefore, it is possible to obtain a greater reliability in the degree of freedom and predictability in the application in experimental systems