Summary: | Submitted by Johnny Rodrigues (johnnyrodrigues@ufcg.edu.br) on 2018-03-12T16:25:13Z
No. of bitstreams: 1
ARIOSTON ARAÚJO DE MORAIS JÚNIOR - TESE PPGEQ 2015..pdf: 4075446 bytes, checksum: 58c7745e3f0cf289b5f5d0a0a774ed88 (MD5) === Made available in DSpace on 2018-03-12T16:25:13Z (GMT). No. of bitstreams: 1
ARIOSTON ARAÚJO DE MORAIS JÚNIOR - TESE PPGEQ 2015..pdf: 4075446 bytes, checksum: 58c7745e3f0cf289b5f5d0a0a774ed88 (MD5)
Previous issue date: 2015-11-06 === Neste trabalho é proposta uma metodologia para construção de sensores virtuais
implementados em software, com objetivo de estimar e prever o comportamento de impurezas na corrente de base de uma coluna de destilação de alta pureza, do processo produtivo do 1,2 Dicloroetano (C2H4Cl2). A aquisição dos dados utilizados na construção dos sensores virtuais foi realizada através do modelo matemático do processo, simulado com dados reais de uma planta industrial. O estudo específico engloba a modelagem matemática/termodinâmica e avaliação do comportamento estacionário e dinâmico dessa torre, simulada aqui no software Aspen Plus e DynamicsTM. Desse modo, o modelo fornece os dados necessários para inferência das impurezas relacionadas, que são os teores dos compostos tetracloreto de carbono (CCl4) e clorofórmio (CHCl3), ambos devem ser mantidos, respectivamente, em valores ≤3000 e ≤400 ppm (partes por
milhão). A metodologia também aborda dois algoritmos de seleção de variáveis secundárias, que utilizam técnicas estatísticas multivariadas (algoritmo de todas as regressões possíveis-TRP e da análise de componentes principais-PCA). Verifica-se também nos dados gerados quanto a real ou não necessidade de remoção de erros grosseiros (outliers), por isso é também inserida na metodologia uma etapa de pré-processamento de dados. Foram selecionados os dez melhores modelos de inferência para cada uma das saídas. Diante dessa informação, os melhores modelos
produzidos não utilizavam as concentrações dos compostos das correntes de alimentação e sim medições de temperaturas ao longo da torre. Uma importante conclusão do ponto de vista de construção de sensores virtuais, porque na maioria dos trabalhos desenvolvidos essas variáveis são cruciais na produção de bons resultados. O treinamento dos sensores virtuais foi efetuado em um ambiente ruidoso, haja vista que foram simulados ruídos inerentes às medições (ruídos brancos Gaussianos). Na etapa final, os sensores virtuais são construídos utilizando uma técnica de modelagem empírica, redes neurais artificiais (RNA), onde foram utilizadas RNA do tipo Perceptron Multicamadas (MLP). Foram também avaliadas diversas variações quanto ao número
de neurônios e camadas ocultas das RNA, empregando como critério de parada a técnica de validação cruzada. Os sensores virtuais desenvolvidos apresentaram erros satisfatórios do ponto de vista de engenharia, uma boa análise de regressão e um bom erro médio quadrático. Logo, com essas estimativas espera-se a minimização e a previsão do comportamento transiente dos compostos no referido processo. === This work proposes a methodology for software implementation to make soft sensors.
The goal is to estimate and predict the behavior of impurities in the bottom current of a highpurity distillation column, for 1,2-Dichloroethane or 1,2-DCE (C2H4Cl2) production. The data acquisition used in the construction of soft sensors was performed through a mathematical simulation of the process, with real industrial data taken from an industrial plant. A specific study involves the mathematical modeling, thermodynamics, evaluation of the steady state and the dynamic behavior of this process, simulated here in Aspen Plus and Aspen DynamicsTM software. Thus, the model provides the necessary data to infer the contents of the carbon impurities mentioned above, Tetrachloride (CCl4) and Chloroform (CHCl3), which are to be fixed approximately below 3000 and 400 ppm (parts per million) respectively. The methodology also covers selection algorithms of secondary variables, using multivariate statistical techniques: All Possible Regressions (TRP) and Principal Component Analysis (PCA). The data generated was checked in order to know whether to include or not a step for removal of outliers, so it was also included in the methodology one preprocessing data step. The ten best inference models
were selected for each output concentration. With this information, these models do not use concentrations measurements in the feed streams but measurements of the temperature along the column. This is an important conclusion from the point of view of virtual sensors building, because in most of the literature reported these variables are crucial in getting good results. The training of soft sensors was done in a noisy environment, considering that simulated noise was inherent to measurements (Gaussian noise). In the final step, the soft sensors devices are constructed using an empirical modeling technique of artificial neural networks (ANN), which were generated ANN type Multilayer Perceptron (MLP). Several variations were also evaluated on the number of neurons and hidden layers of networks, employing as a stopping criterion the
cross-validation technique. The developed soft sensors presented satisfactory errors from the engineering viewpoint, a good regression and a good mean square error. Finally, with these estimations it is expected to minimize and predict the transient behavior of the compounds in the referred process.
|