Modelos hibridos de colunas de destilação

O emprego de técnicas on-line de controle preditivo por modelo e de otimização de processos requer que a simulação destes processos seja muito rápida. Porém em alguns casos os modelos dos processos são muito complexos e de elevada dimensão. Nestes casos para uma simulação suficientemente rápida devem ser empregadas técnicas de aceleração. Entre estas, estão incluídas as técnicas de redução de ordem e de simplificação do modelo. Um exemplo de processo onde estes problemas são encontrados é o das colunas de destilação. Neste caso, além das técnicas de redução de ordem baseadas no emprego de colocação ortogonal discreta, podem ser usadas técnicas de simplificação de modelos baseados no fato de que 30 a 80% do tempo gasto na simulação são usados no cálculo das propriedades termodinâmicas. Neste contexto surge a possibilidade do emprego de redes neurais no cálculo das propriedades termodinâmicas. Uma vez que estas podem representar muito bem, modelos não-íineares, como é o caso das propriedades de equilíbrio líquido-vapor, e realizar os cálculos muito rapidamente. Deste modo, o modelo da coluna de destilação torna-se um modelo híbrido, formado pelas equações de balanço de massa e energia nos pratos e pela rede neural construída para predizer as propriedades termodinâmicas. O emprego deste modelo híbrido na simulação estática de uma coluna de destilação implicou na redução do tempo computacional em cerca de 55%. Demonstrando, desta forma, a viabilidade do emprego de redes neurais na predição de dados termodinâmicos para a simulação de colunas de destilaçãoTechniques like online process optimization and model predictive control require fast simulations of the process models used. However, in some cases the process models are very complex or have a high dimension. In these cases acceleration techniques that include order reduction and model simplification can be used to obtain fast enough simulations. Distillation columns are an example of process where this type of problem is usually found. In this case, besides order reduction techniques based on discrete orthogonal collocation, simplification techniques have been developed, like local thermodynamic models, based on the fact that 30-80 % of the simulation time were associated with thermodynamic calculations. In this context, the possibility arose of using neural networks to predict thermodynamic properties. It is well known that neural networks are able to represent non-linearities like those found in thermodynamic models. Neural network models can be combined with physical models, based on mass and energy balances, for example, to obtain the so called hybrid models. In this work a static hybrid model of a binary (propane/propene) distillation column has been developed, using neural networks for the calculation of equilibrium constants, of enthalpies and of their derivatives used in the simulation. When used for the simulation of the column, this model allowed for a reduction of about 55 % of the computational time, in comparison with a classical model where the thermodynamic properties were obtained using a method based on the Peng-Robinson state equatio