AGRADECIMENTOS:

MOTIVAÇÃO:A destilação é a mais importante técnica de separação da indústria de processos em todo o mundo. Nos EUA contam-se 40.000 colunas de destilação que consomem aproximadamente 3% de toda a energia utilizada neste país. Por esta razão, melhorar o processo e seu controle pode ter um impacto significativo na redução de consumo de energia, na melhora da qualidade do produto e na proteção dos recursos ambientais. A modelagem e o controle de colunas de destilação é uma

APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA PREDIÇÃO DE  MEDIDAS DE COMPOSIÇÃO COM O USO DE MATLAB

Polliana Corrêa Morais (bolsista); Leandro Osmar Werle (colaborador/co-orientador); Ricardo Antônio Francisco Machado (orientador)

tarefa complexa. O processo reúne várias características como não linear, acoplado e está sujeito a restrições de operação que dificultam o controle. A variação freqüente da composição na alimentação de colunas de fracionamento de óleo cru em refinarias resulta no ajuste de inúmeras variáveis. Sensores virtuais que

empregam modelos de inferência da composição dos produtos de uma coluna de destilação correspondem a medidores implementados em software capazes de estimar, em tempo real, a composição dos produtos de saída da mesma. Isso é feito a partir de informações como temperatura e pressão em diversos pontos da coluna e vazões de entrada, de saída e de reciclo. Uma das ferramentas mais utilizadas no projeto e implementação dos sensorespor software são as redes neurais artificiais (Figura I), pela capacidade de aprendizado e generalização de funções não lineares. As redes neurais são capazes de atuar como mapeadores universais de funções multivariáveis, com custo computacional que cresce apenas linearmente com o número de variáveis. Outras características importantes são a capacidade de auto-organização e de processamento temporal que, aliadas àquelas citadas anteriormente, fazem das redes neurais.

Figura I – Ilustração de uma Rede Neural Artificial.

OBJETIVOS DO TRABALHO:Obter a predição da composição das extremidades e da alimentação da coluna com aquecimento distribuído (Figura II) utilizando redes neurais previamente treinadas, prevendo alterações desta corrente. Através desta informação o sistema de controle pode atuar de forma eficaz sobre o processo evitando perturbações que desloquem o perfil de composição.

APLICAÇÃO NA INDÚSTRIA DO PETRÓLEO:

Figura III – Configuração de uma Rede Neural .

RESULTADOS OBTIDOS:Pretende-se fazer uso de uma rede neural artificial do MATLAB a qual será treinada com dados simulados obtidos no software comercial HYSYS®. A validação será feita com dados reais da planta piloto, conforme a Figura IV, totalmente instrumentada em fieldbus, destilando uma mistura de etanol e água. Os dados reais de processo foram obtidos através de experimentos dos quais lançaram mão da utilização de resistências elétricas nos pratos, caracterizando o que será chamado de “controle distribuído”. Também foram realizados experimentos com a configuração convencional.

A habilidade das redes neurais de modelar funções não-lineares é utilizada em muitas aplicações na indústria de petróleo, tais como: identificação de sistemas, controle de processos, detecção de falhas e no reconhecimento de padrões. Após a construção e o treinamento da rede neural,

Figura IV – Unidade Piloto de Destilação LCP/EQA/UFSC.

CONCLUSÕES:Espera-se que a utilização de Redes Neurais permita a inferência das composições nas correntes de destilação a partir de medidas normalmente realizadas em colunas de destilação (pressão e temperatura). Portanto, a correta construção e treinamento de uma rede neural pode permitir o monitoramento das composições e conseqüentemente a aplicação de estratégias de controle avançado. Logo, a solução de problemas através de redes neurais é bastante atrativa, já que a forma como estes são representados internamente pela rede e o paralelismo natural inerente a arquitetura das redes neurais criam a possibilidade de um desempenho superior ao dos modelos convencionais. A utilização de redes neurais no desenvolvimento de soft-sensors é difundida amplamente e apresenta resultados acima da média comparada com outras técnicas de identificação de sistemas.

Figura II – Coluna Hipotética a) Convencional b) Com Aquecimentos Distribuídos.

uma ferramenta computacional extremamente poderosa e atrativa para a solução de problemas complexos

aplicação de estratégias de controle avançado nas colunas. Na Figura III, tem-se um exemplo de uma configuração de rede neural em treinamento.

existirá a possibilidade do monitoramento de composições das correntes da destilação e, conseqüente