Metodos matematicos em modelagem e simulação do craqueamento termico do 1,2-Dicloroetano
Helianildes Silva Ferreira
TESE
Português
(Broch.)
T/UNICAMP F413m
Campinas, SP : [s.n.], 2003.
179 p.
Orientadores: João Alexandre Ferreira da Rocha Pereira, Maria de Fatima dos Santos Lopes
Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Quimica
Resumo: A simulação de processos químicos é de fundamental importância para a melhoria e otimização das unidades industriais existentes. A modelagem do processo envolve a descrição fenomenológica do mesmo e a resolução das equações obtidas através de métodos matemáticos adequados. Esta é a simulação...
Ver mais
Resumo: A simulação de processos químicos é de fundamental importância para a melhoria e otimização das unidades industriais existentes. A modelagem do processo envolve a descrição fenomenológica do mesmo e a resolução das equações obtidas através de métodos matemáticos adequados. Esta é a simulação dita convencional. Outra forma de abordagem do problema pode ser através da utilização de ferramentas computacionais que sejam capazes de "aprender' o comportamento do processo através dos seus dados históricos ou simulados, e desta forma, conseguir prever o comportamento do processo em condições futuras. Uma vez modelado, o processo pode ser simulado e os resultados obtidos nesta simulação são validados através de comparação com os resultados reais obtidos nas unidades industriais ou através de modelos de simulação, sendo que neste trabalho foram utilizados modelos de simulação. Tem sido crescente a necessidade de otimizar e controlar os processos industriais com os objetivos de redução de custos, melhoria na qualidade do produto e segurança operacional. Para isto faz-se necessário simular o comportamento dinâmico do processo e avaliar a resposta do mesmo quanto a mudanças em suas variáveis de entrada. No presente trabalho foi simulado o comportamento dinâmico do processo que ocorre na serpentina de uma fornalha para o craqueamento térmico do 1 ,2-dicloroetano através da simulação convencional e não-convencional. Na simulação convencional utilizamos os métodos das Diferenças Finitas, Colocação Ortogonal e Runge-Kutta para resolver o sistema de equações diferenciais parciais. A simulação convencional deste processo pode ser útil para fins de avaliação operacional, otimização de processo e construção de modelos para simulação e controle de processos. Na simulação não convencional do processo foi utilizada a metodologia de Redes Neurais Artificiais (RNA). As RNA's são particularmente úteis em aplicações de controle de processos onde são necessárias maiores velocidades de processamento para que os objetivos do controle sejam alcançados. Para acelerar o treinamento das redes neurais artificiais (RNA), foi empregada uma técnica estatística multivariada denominada Análise de Componentes Principais (PCA). Através da utilização desta técnica é possível melhorar o desempenho da simulação e selecionar as variáveis ou combinação de variáveis mais importantes no processo. Também foi utilizada a Regressão por Componentes Principais (PC R) para modelar e simular a conversão da reação. De maneira geral o processo foi representado por um modelo dinâmico que considera os princípios da conservação da massa e energia na serpentina onde ocorre a reação. As equações obtidas foram resolvidas numericamente pelos métodos das diferenças finitas e colocação ortogonal, sendo que o método de Runge-Kutta foi utilizado para as equações diferenciais ordinárias no tempo. Dentre os métodos utilizados para resolver numericamente as equações diferenciais parciais, o que apresentou melhores resultados foi o método das diferenças finitas. Os resultados obtidos foram compatíveis com os esperados teoricamente. O método da colocação ortogonal não ofereceu bons resultados. Quanto à aplicação da simulação não convencional através da metodologia de redes neurais artificiais, observou-se que o aumento da taxa de aprendizagem diminui o coeficiente de correlação entre as saídas preditas e desejadas, aumenta o erro quadrático médio durante a evolução do treinamento podendo provocar um sobre-ajuste dos dados. Foi observado que o pré-processamento dos dados de entrada influenciam significativamente no treinamento da rede. Foi verificado também que o aumento da taxa de aprendizagem diminui o tempo de processamento da rede provocando uma desestabilização na trajetória do espaço dos erros. De maneira geral o aumento do número de neurõnios na rede favoreceu a uma diminuição do erro, um aumento do tempo de processamento da rede e uma redução do número de ciclos de treinamento. Foram utilizados alguns algoritmos de treinamento da rede, dentre eles o do Gradiente Descendente e o de Levenberg-Marquadt, sendo que o algoritmo de Levenberg-Marquadt oferece menores erros com maior tempo de processamento. Este método também conduziu a melhores coeficientes de correlação entre os valores preditos pela rede e os valores desejados, entretanto ele pode conduzir a sistemas com rigidez, difíceis de serem resolvidos numericamente. Foram também utilizadas redes recorrentes para acelerar o treinamento das redes neurais artificiais sendo que houve uma redução significativa do número de ciclos de treinamento para a predição da conversão. A análise dos componentes principais (PCA) foi utilizada como pré-processamento dos dados de entrada de forma a reduzir a dependência das variáveis de entrada, dentro de um grau de significância previamente estipulado. Através da aplicação desta metodologia, verificou-se que das sete variáveis de entrada do craqueamento, apenas três das componentes principais são suficientes para descrever o processo representando 99,9% da informação da matriz de entrada. De maneira geral, a aplicação da análise dos componentes principais (PCA) favoreceu a uma redução do número de ciclos de treinamento da rede e descreveu pelas componentes principais as variáveis ou combinação de variáveis mais significativas do processo em estudo. Foi construído e utilizado um modelo de regressão por componentes principais (PCR) para a predição da conversão do craqueamento térmico do 1 ,2-dicloroetano. Observou-se uma maior rapidez na construção e utilização do modelo quando comparado às redes neurais artificiais (RNA) e que os resultados têm uma aplicabilidade restrita a uma faixa da variável predita sendo aconselhável dividir os conjuntos de treinamento
Ver menos
Abstract: The simulation of chemical processes is of fundamental importance for the improvement and optimization of the existing industrial units. The modeling of the process involves the phenomenological description of it and the resolution of the equations through the suitable mathematical...
Ver mais
Abstract: The simulation of chemical processes is of fundamental importance for the improvement and optimization of the existing industrial units. The modeling of the process involves the phenomenological description of it and the resolution of the equations through the suitable mathematical methods. This is the so-called conventional simulation. Another way of development is the use of computational tools that "Iearn" the behavior of the process through historical or simulated data and based on this can foresee the behavior of the process in future conditions. Once modeled, the process can be simulated and the results obtained in this simulation generally are compared to the real results obtained in industrial units or through simulated models, being that in this work simulation models had been usedlt has been increasing the need to optimize and control industrial processes with the objectives of costs reduction, improve in product quality and operational safety. For this, it's necessary to simulate the dynamic behavior of the process and evaluate the answer of it in front of variations in your input variables. In the present work it was simulated the dynamic behavior of the process that occurs in the coil of one furnace to the thermal cracking of 1,2-dichloroethane through the conventional and non-conventional simulation. In the conventional simulation it was used Finite Differences, Orthogonal Collocation and Runge-Kutta methods to solve the systems of partial differential equations. The conventional simulation of this process could be useful for ends of operational evaluation, process optimization and construction of models for simulation and control of processes. In the non-conventional simulation of the process it was used the methodology of artificial neural nets (ANN). The ANN's are particularly useful in applications of processes control where are necessary higher processing velocities so that the control objectives are reached. To speed up the training of the artificial neural nets (ANN), it was used one technique multivaried statistics called Principal Componente Analysis (PCA). Through the use of this technique is possible to improve the performance of the simulation and select the variables or combination of variables more important in the processo It was also used the Principal Component Regression (PCR) to model and simulate the conversion of the reaction. In general way the process was represented by a dinamic model that considers the principies of mass and energy conservation in the coil where the reaction ocurrs. The obtained equations were numerically solved by the finite differences method and orthogonal collocation, being that the Runge-Kutta method was used to the ordinary differentials equations in the time. Amongst the methods used to solve numerically the partial diferential equations , what presented better results was the difference finit method. The obtained results had been compatible with the waited ones theoretically. The orthogonal colocation method didn't give good results. According to the application of the non-conventional simulation through the methodology of the artificial neural nets, it was observed that the increasing of the learning rate decreases the correlation coefficient between the predicted and the desired output, increases the mean quadratic error during the evolution of the training being able to provoke a on-adjustment of the data. It was observed that the daily pay-processing of the input data influences significantly in the training of the net. It was also verified that the increasing in the learning rate decreases the processing time of the net provoking a run down in the trajectory of the space of the errors. In general way the increase in the number of neurons of the net favored to a reduction of the error, an increase of the processing time of the net and reduction in the number of training cycles. One used some algoritms of training of the net, amongst them of the Descending Gradient and the Levenberg-Marquadt being that the Levenberg-Marquadt give lower erros with higher: processing time. This method also lead to better correlation coefficients between the predicted and desired values of the net, however it can lead to systems with rigidity ("stiffness") that are dificult to solve numerically. It was also used reccurent nets to speed up the training of the artificial neural nets being that it had one significant reduction of the numbers of cycles of training for the prediction of the conversion. The Principal Component Analysis (PCA) was used as daily pay-processing of the input data of form to reduce significantly of the input variables, inside a degree of significance previously stipulated. Through the application of this methodology it was verified that from the seven input variables of the cracking only three of the principal components are enough to describe the process representing 99,9% of the information of the entrance matrix. In general way, the application of the principal component analysis (PCA) favored to a reduction in the number of cycles of training of the net and described by the principal component analysis the variables or combination of variables more significant of the process in study It was built and used one regression model by principal components for the prediction of the conversion in the thermal cracking of 1,2-dichloroethane. It was observed a higher rapidity in building and using the model when compared to the artificial neural nets (ANN) and that the results has a restricted applicability to a band of the predicted variable being advisable to divide the sets of training
Ver menos
Lopes, Maria de Fatima dos Santos
Coorientador
Fileti, Ana Maria Frattini, 1965-
Avaliador
Barreto, Gilmar, 1958-
Avaliador
Dangelo, José Vicente Hallak, 1967-
Avaliador
Silveira Júnior, Vivaldo, 1962-
Avaliador
Metodos matematicos em modelagem e simulação do craqueamento termico do 1,2-Dicloroetano
Helianildes Silva Ferreira
Metodos matematicos em modelagem e simulação do craqueamento termico do 1,2-Dicloroetano
Helianildes Silva Ferreira
Exemplares
Nº de exemplares: 2
Não existem reservas para esta obra