MODELAGEM EMPIRICA DE COLUNAS DE DESTILAÇÃO UTILIZANDO REDES NEURAIS DE WAVELETS PARA OTIMIZAÇÃO E CONTROLE DE PROCESSOS

A utilização de uma rede neural para simplificar a modelagem fenomenológica de uma coluna de destilação é extremamente útil. A rede exibe uma performance superior quando comparada com redes feedforward e de base radial na identificação de processos fortemente não-lineares.

O título deste texto é aparenta ser bem estranho, mas a técnica é sensacional! A destilação é de longe 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 3% de toda a energia utilizada naquele país. a1Por estas razões, 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 tarefa complexa já que o processo reúne várias características que dificultam o controle pelos métodos clássicos; ele é não-linear, acoplado e ainda está sujeito a restrições de operação. Todas estas características limitam a efetividade de controladores lineares.

Na etapa de aplicação industrial, o tempo de cálculo é fator determinante para a escolha do modelo. Controladores não-lineares, baseados em modelagem fenomenológica prato a prato, podem ser desenvolvidos, porém, por razões práticas, controladores precisam fornecer uma resposta razoável dentro de um curto e determinado intervalo de tempo; e, ademais, exigências computacionais limitam a adoção industrial de controladores com modelagem rigorosa.

Devido ao volume de produto processado por uma coluna de destilação e os custos envolvidos no processo, pequenas melhoras no desempenho podem representar ganhos significativos a médio e longo prazos. Pelo exposto acima contar com um modelo de inferência acurado é de grande valia para o acompanhamento, controle e otimização do processo.

A utilização de modelos não lineares provenientes da inteligência artificial tem sido objeto de muita investigação e avanço. Os modelos que utilizam funções de ativação são chamados de redes neurais. Estas são compostas de camadas de neurônios interconectados através de pesos. Desde o surgimento das Redes Neurais (Neural Networks – NNs) como uma ferramenta computacional poderosa para descrição de mapeamentos complexos, elas foram objeto de interesse para aplicações em engenharia. Há vasta literatura sobre diversos tipos de redes neurais. A habilidade das redes neurais de modelar funções não-lineares é utilizada em muitas aplicações industriais, tais como: identificação de sistemas, controle de processos, detecção de falhas, reconhecimento de padrões

Como modelo empírico, o uso de redes neurais apresenta a vantagem de não se necessitar de conhecimento prévio do processo, pois são capazes de estabelecer a relação dinâmica de causa e efeito e encontrar relações complexas entre variáveis. As redes neurais são capazes de reproduzir o comportamento do processo – etapa de previsão. As redes neurais tradicionalmente utilizadas (multicamada com treinamento backpropagation) apresentam algumas características indesejadas que foram superadas parcialmente pelas redes de base radial e wavenets.

Aplicações de wavelets para aproximação de funções e construção de redes neurais surgem com Bakshi e Stephanopoulos através das wavenets. A aproximação de uma função f(x) é feita, no contexto de multiresolução, obtendo as projeções de f(x) para versões deslocadas e comprimidas de uma função básica, conhecida como “wavelet mãe”. As translações e compressões e, portanto, a localização e o suporte são definidos pela teoria de wavelets. Neste caso, o treinamento da rede se restringe à determinação dos coeficientes (pesos) relativos às projeções.

Neste texto não iremos nos aprofundar na aproximação de funções utilizando a Teoria de Wavelets, mas saiba que as wavelets constituem uma família de funções construídas de dilatações e translações de uma função básica Y(.) denominada “wavelet mãe”. Essa família de wavelets é definida da seguinte forma:a2

As estratégias de controle dos processos químicos foram projetadas, tradicionalmente, usando modelos dinâmicos lineares simples. Embora estes modelos fossem adequados para alguns processos, em outros casos não proviam acurácia suficiente para realizar o controle de forma adequada. Um exemplo é a relação da composição de topo de uma coluna de destilação com a taxa de refluxo. O uso de modelos de estado estacionário não lineares como modelos de inferência representam um grande avanço no controle de colunas.

O fluxograma de processo corresponde ao de uma coluna de destilação de petróleo com 12 metros de altura e 30 pratos. O projeto está feito para separação de frações leves, e a alimentação variou entre misturas de diversas composições de propano, n-butano, isobutano e alguns isômeros do pentano, hexano e heptano. Para a avaliação do uso de uma rede neural como simulador, foi definido como objeto de estudo a modelagem do comportamento da composição de topo do composto chave modificando a vazão de refluxo e a temperatura, vazão e composição de alimentação, variáveis estas com forte acoplamento.

As redes neurais requerem grande quantidade de dados de processo para treinamento. Analogamente ao que ocorre com modelos lineares, é importante que os dados usados carreguem informação suficientemente relevante para permitir a reprodução do processo pelo modelo. Para a confecção do banco de dados é necessário que as variáveis independentes sejam persistentemente perturbadas. Utilizando a interface entre Indiss e o Matlab, a coluna de destilação simulada no Indiss teve uma ou mais variáveis perturbadas de forma aleatória; o conjunto de interesse de variáveis foi registrado e estes dados utilizados para identificação do processo usando a rede neural.

A aplicação da rede num processo real requer a obtenção de grande quantidade de dados de processo, coleta feita enquanto a planta já estará produzindo. A avaliação deste conjunto de dados necessitará muito critério de seleção e prévio tratamento dos dados.

A escolha do grupo de dados é de vital importância pois uma vez treinada a rede esta será utilizada para predição e apenas eventualmente a sua acurácia estará sendo verificada. A rede ao ser treinada necessita ainda de uma certa quantidade de amostras bem distribuídas em toda a excursão das variáveis de interesse, tanto das entradas quanto das saídas do processo.

O aumento do número de níveis de resolução da rede melhora o desempenho, mas demanda mais tempo para treinamento e para previsão, além de implicar em um número máximo de entradas e saídas da rede pela limitação da capacidade de cálculo do processador utilizado.

A facilidade de treinamento, capacidade de predição em malha aberta fazem possível que a rede neural seja utilizada tanto como simulador para treinamento como modelo para implementação de controladores não lineares multivariáveis.

Referências Bibiográficas:

MOURA, Letícia Gomes. Modelagem empírica de colunas de destilação utilizando redes neurais de wavelets para otimização e controle de processos. 2003. Tese de Doutorado. PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA QUÍMICA MODELAGEM EMPIRICA DE COLUNAS DE DESTILAÇÃO UTILIZANDO REDES NEURAIS DE WAVELETS PARA OTIMIZAÇÃO E CONTROLE DE PROCESSOS Dissertação submetida ao Programa de Pós-Graduação em Engenharia Química, Departamento de Engenharia Química e Alimentos, Universidade Federal de Santa Catarina.

Autor: João Paulo Werdan Curty Estephaneli (UFF)

No canal da BetaEQ no Youtube você confere o que há de melhor na Engenharia Química brasileira. Clique AQUI e receba com exclusividade, gratuitamente, notificações dos novos vídeos da BetaEQ subscrevendo nosso canal.