CONCLUSÕES DO TRABALHO

Para o processo estudado, o método proposto demostrou ser capaz de alcançar o objetivo desejado, ou seja, a inferência das composições das impurezas de base na torre de destilação. Para isso, a pesquisa foi dividida em etapas, as quais abordaram: a modelagem em regime estacionário e dinâmico, representação do sistema típico de controle da unidade, análise de sensibilidade estacionária e análise dinâmica, indicação das variáveis candidatas, coleta dos dados, a remoção de outliers, a seleção de variáveis candidatas e, por fim, o treinamento das RNA.

Durante as simulações estacionárias, observaram-se algumas dificuldades na reprodução adequada das concentrações dos compostos de interesse (CHCl3, CCl4 e C2H4Cl2) na corrente de topo e base da torre do 1,2-DCE. De fato, esse problema teve que ser corrigido, pois poderia comprometer os resultados das estimativas dos sensores virtuais. Sendo assim, foram utilizados diversos modelos termodinâmicos disponíveis no simulador AspenTM, com intuito de aproximar a solução do modelo quanto às concentrações daquelas obtidas em análise de laboratório. Portanto, para representar o equilíbrio entre as fases (Líquido-Vapor e Líquido-Líquido-Vapor) foi utilizada uma abordagem do tipo γ-φ através do modelo NRTL-HOC.

Ainda sobre a modelagem estacionária, verificou-se os efeitos das variáveis manipuladas e distúrbios do processo sobre as concentrações XCCl4 e XCHCl3, através da análise de sensibilidade.

As contribuições foram além do entendimento físico do processo, contribuindo também para conversão do regime dinâmico. Na análise transiente, a configuração típica do controle da unidade foi inserida, os controladores foram sintonizados e às respostas demostraram ser inversas de concentração, tanto para XCCl4 quanto para XCHCl3. Essas observações foram importantes e

determinantes na metodologia de construção dos sensores virtuais, haja vista que uma má representação física do sistema real poderia comprometer o objetivo final.

Com as observações transientes e o conhecimento fenomenológico da coluna de destilação em estudo, foram indicadas as variáveis candidatas no estudo de inferência quanto à correlação com saídas. Logo, de acordo com o método proposto foi requerido a coleta de diversas amostras de

141

dados, as quais foram efetuadas através da comunicação OLE do software VBA® e o simulador de processo Aspen DynamicsTM, sendo os dados armazenados em arquivos .xls e lidos pelo software Matlab®. Esses dados foram submetidos à análise de erros grosseiros, os quais foram avaliados por meio de duas técnicas distintas, a análise de erros residuais padronizados e a técnica da análise de componentes principais, dando origem assim a novos conjuntos de dados.

O trabalho trouxe relevantes contribuições quanto à seleção de variáveis para modelos modelo de inferência em colunas de alta pureza visto que foram utilizadas duas abordagens distintas para seleção de variáveis (ambas implementadas no software Matlab®): análise de regressão multivariada por meio da técnica de todas as regressões possíveis (TRP) e análise de componentes principais (PCA). Destaca-se que no primeiro algoritmo é permitido a inserção de outras análises estatísticas, qualquer um dos procedimentos sequenciais (Stepwises). A TRP demostrou ser mais eficiente em comparação a PCA, porque diante das baixíssimas concentrações dos compostos a serem estimados, a primeira informou os melhores modelos regressores, enquanto a segunda forneceu apenas os regressores que apresentavam maior variância explicada dos dados. O que de fato não é um critério relevante diante de um pequeno grupo de variáveis candidatas correlacionadas.

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 a serem estimados nas correntes de alimentação. Uma importante conclusão do ponto de vista de construção de sensores virtuais, porque na maioria dos trabalhos desenvolvidos sobre soft sensors essas variáveis são cruciais na produção de bons resultados. Essa conclusão é coerente e de boa indicação, haja vista que medições físicas como as das temperaturas dos estágios são preferíveis àquelas provenientes de medições off-line (concentração), no caso de construção de sensores virtuais e controle de processos químicos.

As redes neurais artificiais são bastante difundidas na literatura e sem dúvidas o seu uso nesse trabalho foi motivado pelas suas características de não linearidade, robustez e capacidade de generalização ao aprender com exemplos. Ela se mostrou eficaz ao ponto de obter erros consideráveis nos resultados apresentados, quando a melhor configuração da RNA era alcançada. Quanto ao desempenho dos sensores virtuais desenvolvidos é importante notar que a coluna em questão é de destilação de alta pureza, considerada não convencional. Tratando-se de um problema de estimativa das impurezas (XCCl4 e XCHl3) da ordem de ppm, inferências as quais poderiam ser totalmente comprometidas ao serem inseridas perturbações e ruídos no sistema.

142

Entretanto, verificou-se que os dados foram coletados quando ocorrem variações degrau e PRBS nas variáveis: composições de alimentação, carga térmica do refervedor e vazões. Ainda assim, foram simulados ruídos inerentes a interferências de leituras de sensores e de transmissão de dados, os ruídos brancos Gaussianos. Os ruídos foram inseridos nas medições das vazões F1, F2 e F3, com um desvio padrão (σ) de 2% dos valores de referência dessas variáveis. Conforme foi verificado, o treinamento dos sensores virtuais foi efetuado em um ambiente extremamente ruidoso. De fato, é preciso ainda investigar uma maneira para se obter erros ainda menores, mas que na prática industrial sabemos que é não corriqueira. Foi verificado ainda, que os dados pré- processados pela remoção de outliers não proporcionaram melhoras significativas às estimativas finais. Sendo preferível o uso dos dados originais, sem remoção de erros grosseiros, pois a estimativa com outliers podem inviabilizar o uso do sensor para controle por inferência.