Validação da simulação dinâmica das etapas de evaporação e cristalização da produção de açúcar com dados obtidos em plantas industriais.

A região central do estado de São Paulo, onde se encontra localizada a cidade de São Carlos, é uma das maiores produtoras mundiais de açúcar e álcool. Conforme o mercado se torna mais competitivo, as empresas passam a buscar novas tecnologias e abordagens matemáticas mais rigorosas. Neste contexto, onde parcerias entre universidade e empresas são encorajadas, está inserido este trabalho. As principais etapas do processo de produção de açúcar são a evaporação do caldo e a cristalização do açúcar. O estágio de evaporação tem grande influência no balanço energético das usinas, mas, apesar disso, a sua operação automática e otimizada não é completamente implementada na maioria das unidades produtoras. Por sua vez, a etapa de cristalização deve ser monitorada com atenção, pois é nesse estágio que se obtém o produto final, o que tornam críticos os assuntos relacionados à qualidade. Neste trabalho, o principal objetivo foi desenvolver modelos dinâmicos não-lineares dessas duas importantes operações. Dados industriais coletados na Usina Santa Adélia (etapa de evaporação) e na Usina São Martinho (etapa de cristalização)foram utilizados para validar os modelos matemáticos. Os processos das duas fábricas foram acompanhados, analisados e amostrados. Um modelo de estado-estacionário e um modelo dinâmico foram desenvolvidos utilizando-se a abordagem clássica (balanços de material e energia). Ambos os modelos foram projetados de tal forma a necessitarem apenas de poucas considerações e das medidas disponíveis on-line. Os resultados obtidos com o modelo do estado estacionário caracterizaram completamente as correntes do evaporador de múltiplo efeito e permitiram a estimativa da vazão de vapor que é sangrada do equipamento. Com o modelo dinâmico foi possível calcular a concentração do xarope do último efeito. A comparação entre os valores preditos e os valores reais da planta industrial mostrou que o modelo gerou estimativas na mesma faixa de valores e reproduziu o comportamento da variável. A análise dos resultados indicou que maior número de medidas seria necessário para desenvolver um modelo confiável, no sentido do controle de processos, e demonstrou a dificuldade de se utilizar os dados industriais na forma que estes se encontram nos arquivos de histórico do sistema de supervisão. Para superar estes inconvenientes foi desenvolvida neste trabalho uma rede neural como software sensor para determinação do Brix do último efeito. Deve-se ressaltar, porém, que o pré processamento de todas as variáveis disponíveis consiste em um procedimento que demanda bastante esforço e é de fundamental importância, pois o desempenho das predições depende da qualidade do conjunto de dados de entrada. Diferentes topologias de redes foram testadas e os resultados das melhores foram bastante satisfatórios. O modelo proposto para o cristalizador (cozedor) selecionado na etapa de cristalização era constituído de um sistema não linear de equações algébricas e diferenciais. Além dos balanços de massa e de energia, o modelo inclui também o balanço populacional, que permitiu o cálculo do diâmetro médio dos cristais e seu coeficiente de variação durante a batelada. Mesmo adotando severas considerações e com poucos dados de entrada, o modelo foi capaz de gerar boas predições para a trajetória das variáveis de estado do equipamento. A análise dos resultados também mostrou que alguns aspectos da operação automática afetam a estabilidade do processo. Finalmente, pode-se dizer que as abordagens de princípios fundamentais e de redes neurais podem se tornar ferramentas poderosas, úteis e confiáveis na modelagem dos estágios de produção de açúcar se maior número de sensores for instalado no processo.The central area of the State of São Paulo, Brazil, where the city of São Carlos is located, is one of the largest world producers of alcohol and granulated sugar from sugar cane. As the market become more competitive, the factories seek for new technologies and more rigorous mathematical approaches. This work is inserted in this context, where partnership between university and industry is encouraged. The key steps in the sugar production process are the evaporation of the juice and the crystallization of sugar. The evaporation stage has great influence in the energy balance of the factories but, in spite of that, its automatic and optimized operation is not completely implemented in a large part of the producing units. By its turn, the crystallization step should be monitored very closely because is in this step that the final product is obtained, so quality issues are critical. In this work, the main aim was to develop non-linear dynamic models of these two important operations. The models used industrial data collected from Usina Santa Adélia (evaporation stage) and Usina São Martinho (crystallization stage). The processes of the two factories were accompanied, analyzed and sampled. A steady-state and a dynamic models of the evaporation were developed using the classical approach material and energy balances. Both models were designed in such way that they depend only on few assumptions and on measurements available on-line. The results obtained with the steady-state model fully characterized all streams of the multiple-effect evaporator and allowed to estimate the steam flow rate bled from the equipment. With the dynamic model it was possible to calculate the concentration of the syrup in the last effect. Comparison between the predicted values and the actual industrial data showed that the model generated estimates in the same range of values and reproduced the behavior of the variable. The analysis of the results suggested that more measurements would be necessary to develop a reliable model (in the process control sense) and demonstrated that it is difficult to use the industrial data in the format they are found in the historical data files. To overcome these inconveniences an artificial neural network was developed as a software sensor for the Brix in the last effect. Several topologies were tested and the results of the best ones were very good. Unfortunately, as the performance of the predictions depends on the quality of the training set, it was necessary a real effort to preprocess all available data. The proposed model for the crystallizer (batch vacuum pan) select in the crystallization stage was constituted by a system of nonlinear algebraic and differential equations. Besides the energy and material balances, the model included the population balance, which allowed the calculation of the average crystal size and its coefficient of variation during the strike. Even with severe assumptions and few input data, the model was able to make good predictions of the rajectories of the state variables of the equipment. The analysis of the results also showed that some aspects of the automatic operation affect the stability of the process. Finally, it could be said that the first principles and the neural network approaches could become powerful, useful and reliable tools to model the stages of sugar production if more sensors were installed in the process