Application of artificial neural networks and chemometrics in the modeling of fluid catalytic cracking process

O craqueamento catalítico fluido (FCC) é um dos mais importantes processos de refino da atualidade que produz, dentre outros produtos, gasolina e GLP. Trata-se de um processo que apresenta grande dificuldade de ser modelado fenomenologicamente. Dentro desse contexto surgem as redes neurais artificiais (RNA) como ferramenta de modelagem, visto que as RNA são capazes de 'aprender' o que ocorre no processo por meio de um conjunto limitado de dados e apresentam um menor tempo de processamento se comparado aos modelos fenomenológicos. O objetivo principal deste trabalho é desenvolver modelos empíricos, baseados em RNA e na quimiometria, capazes de relacionar as variáveis de entrada com as variáveis de saída do processo de craqueamento catalítico fluido (planta piloto e unidade industrial). Os dados experimentais foram obtidos na unidade piloto de FCC da Petrobrás localizada na usina de xisto em São Mateus do Sul -PR e os dados industriais foram obtidos da unidade de RLAM localizada em São Francisco do Conde - BA. Para uma boa performance das redes foi utilizada a técnica de análise dos componentes principais (PCA) para um pré-processamento dos dados e em seguida foram usadas redes MLP com os seguintes algoritmos de treinamento supervisionado: Método de Broyden-Fletcher-Goldfarb-Shanno (BFGS), Método do Gradiente Conjugado Escalonado (SCG) e Levenberg-Marquardt (LM)... Observação: O resumo, na íntegra, poderá ser visualizado no texto completo da tese digital.The fluidized bed catalytic cracking process is one of the most important refining processes. It produces, among other distillates, gasoline and liquefied petroleum gas (LPG). It is very difficult to model it by fundamental balances. On the other hand, artificial neural networks (ANN) offer convenient tools to describe complex processes. They are able to learn what is going on with in the process through a limited amount of information, requiring less computing time than phenomenological modeling. The main objective of this work was to develop empirical models ' based on ANNs and chemometrics ' able to relate input and output variables of the FCC process, using data from a pilot and from an industrial plant. Experimental data were obtained from the Petrobras FCC pilot plant located in São Mateus do Sul, Parané, nd from the Petrobras Landulpho Alves Refinery PCC industrial plant located in São Francisco do Conde, Bahia. The principal component analysis (PCA) technique was initially used to preprocess the data. Artificial neural networks were then employed with the following supervising training algorithms: Broyden-Fletcher-Godfarb-Shanno (BFGS), Scale Conjugated Gradient (SCG) and Levenberg-Marquardt (LM). Methods devised to increase the artificial network prediction power were also used... Note: The complete abstract is available with the full electronic digital thesis or dissertations