Modelagem empírica de colunas de destilação utilizando redes neurais de wavelets para otimização e controle de processos

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Engenharia Química.Por muitas razões, o processo de destilação é a mais importante técnica de separação na indústria de processos químicos em todo o mundo. No entanto, a implementação do controle industrial é dificultada por se não linear, não-estacionário, interativo, e ainda sujeito a restrições e perturbações. Muitos dos modernos métodos de controle são baseados em modelos não-lineares multivariáveis. Os modelos não-lineares precisam ser mais rigorosos e com maiores exigências computacionais na medida em que aumenta a complexidade do processo. As redes neurais são uma alternativa para a modelagem destes processos na medida em que não se necessita um conhecimento a priori do processo. As redes neurais são capazes de encontrar correlação nos problemas complexos e não-lineares, processam a informação rapidamente e podem ser usadas para reduzir o esforço para o desenvolvimento de um modelo para controle. A utilização de uma rede neural para simplificar a modelagem fenomenológica de uma coluna de destilação é apresentada. A rede neural aqui utilizada apresenta uma modificação para melhorar a sua capacidade de generalização. A rede exibe uma performance superior quando comparada com redes feedforward e de base radial na identificação de processos fortemente não-lineares. O caso estudado é uma coluna de destilação com 12 m de altura e 30 pratos, que separa hidrocarbonetos em processo contínuo. Um procedimento sistemático em três etapas é desenvolvido. O primeiro consiste na coleção de dados e eleição das variáveis mais importantes do processo. A aquisição de dados foi feita usando um simulador rigoroso, numa periodicidade compatível com o que poderia ser feito num processo real. A seguir, entradas são informadas à rede no processo de treinamento. A terceira etapa é a validação do modelo testando-o com um novo grupo de dados. O presente trabalho analisa a rede para um número crescente de entradas e saídas possível de ser calculado; a qualidade e quantidade do grupo de dados de treinamento e previsão; o número máximo de passos possíveis de serem preditos pela rede; e finalmente a melhor topologia. A rede ainda é testada para uma série de variáveis de entrada. A performance da rede é testada para determinar os melhores parâmetros livres a serem usados. A qualidade do modelo depende no sucesso de cada uma destas três etapas.Aparte servir como um preditor, a rede neural provê informação sobre a relevância de cada variável. A maioria das predições forneceu coeficientes de correlação acima de 99%, mostrando que a rede pode ser usada em controle e ainda como um sensor por software