Analisando os testes realizados, pode-se concluir que o método que obteve melhores resultados foi a inferência utilizando redes neurais. Diversos outros testes foram efetuados neste trabalho utilizando outras estruturas de redes neurais, porém, apenas os melhores testes foram descritos. Os testes demonstraram um rendimento satisfatório, tornando possível uma maior agilidade nas ações para controlar de forma eficaz a qualidade do GLP na saída do topo da torre. Lembrando, que as medições pelos cromatógrafos de linha e testes de laboratório continuarão a serem efetuados, para que seja possível comparar com o valor inferido.
Como uma perspectiva futura, pode ser adicionado um módulo de correção ao sistema de inferência, pois ocorrerá um aumento no erro entre o valor inferido e o valor real (registrado por testes laboratoriais ou cromatógrafos) no decorrer do tempo ficando evidente a necessidade de correção dos pesos sinápticos da rede neural treinada ou o ajuste dos coeficientes dos métodos de regressão.
Essa correção poderia ser feita armazenando novos dados, dentre os quais: a composição do GLP obtida através de cromatógrafos e os valores das variáveis secundárias, tendo como objetivo a criação de um novo sistema de inferência. Uma vez que o erro entre o valor inferido pelo sistema de inferência inicial e o valor real seja maior do que desejado, o segundo sistema de inferência ajustado substituiria o sistema de inferência principal, dando continuidade à inferência em tempo real das variáveis primárias. Este processo irá se repetir indefinidamente.
R
REEFFEERRÊÊNNCCIIAASS
ANDRADE, Wany Leydiane Souza de. Estimação de Modelos ARIMA/ARIMAX e
Aplicação em Inferência de Perdas de Propano. Natal Julho de 2010;
ASPENTECH, Disponível em: <http://www.aspentech.com/core/aspen-hysys.aspx>. Acesso em: 6 de abr. 2011.
BERGLIHN, Olaf Trygve. Hysyslib. Disponível em: http://www.pvv.org/~olafb/. Acesso em: 12 maio 2011.
BESERRA, A. F. L. et al. Controladores Fuzzy aplicados na geração dinâmica de Set
Points para colunas de destilação visando o ajuste da fração molar de etanos e pentanos presentes no GLP. CBA, 2008.
CAMPOS, Mario Cesar M. Massa de; TEIXEIRA, Hbert C. G. Controles típicos de
equipamentos e processos industriais, Editora Blucher. São Paulo, 2006.
DAMASCENO, Nielsen Castelo. Inferência na qualidade do GLP usando redes neurais
artificiais. Natal, 2009.
DEGANI, Ana Luiza G.; CASS, Quezia B.; VIEIRA, Paulo C. Química Nova Escola, n. 7, p. 21-25, maio 1998,
DTREG. Disponível em: http://www.dtreg.com/mlfn.htm. Acesso em: 9 abr. 2012.
FAHIM, Mohamed ; AL-SAHHAF, Taher A.; ELKILANI, Amal S. Introdução ao refino de
petróleo. Tradução de Lersch Traduções. Rio de Janeiro, 2012.
FREIRE JÚNIOR, Raimundo Carlos Silvério. Fadiga de alto ciclo em compósitos de
PRFV. Modelagem por RNAs e prevenção de falha. Natal-RN, 2005.
FORTUNA, Luigi et al. Soft Sensor for Monitoring and Controlo of Industrial Processes. Londres: Editora Springer, 2007.
HECHT-NIELSEN, R., Neurocomputing. Addison Wesley Publ., 1990;
GOMES, Cícero Sena Moreira. Remoção de hidrocarbonetos pesados do gás natural
visando ajuste do índice de metano. Natal-RN, 2007.
HAYKIN, S., Redes Neurais. Princípios e prática. 2. ed. 2001.
JULIO, Alexandre Duarte Cortes. Sistemas de informação aplicados à Engenharia de
Processos Químicos: Comparação de simuladores de processo: Aspen vs. HYSYS,
KALID, Ricardo de Araújo. Controle de coluna de destilação. Disponível em:
http://www.lacoi.ufba.br/imagens_Lacoi/docs_pdf/Controle de Coluna de Destilacao.pdf>. Acesso em: dez. 2010.
KANO, Manabu; MIYAZAKI, Koichi; HASEBE, Shinji; HASHIMOTO, Iori. Inferential
control system of distillation compositions using dynamic partial least squares regression. Kyoto, 2010.
KOVACS, ZSOLT L. Redes Neurais Artificiais – Fundamentos e aplicações: um texto básico 2. ed. São Paulo Edição Acadêmica, 1996.
LAUREANO, Fernanda Helena Garcia Cobas. A indústria de gás natural e as relações
contratuais uma análise do caso brasileiro. Rio de Janeiro, 2005.
LINHARES, Leandro Luttiane da Silva. Sistema Hibrido de Inferência Baseado em
Análise de Componentes Principais e Redes Neurais Artificiais Aplicado a Plantas de Processamento de Gás Natural. Natal, 2010.
MONTEIRO, Tiago Berbel, Protótipo de Amostrador Automático para Cromatografia
Gasosa. Ouro Preto, 2005.
NAGHETTINI, Mauro; ANDRADE PINTO, Éber Jóse de. Hidrologia estatística. Belo Horizonte: CPRM, 2007.
NASCIMENTO JR.; Cairo L.; YONEYAMA, Takashi. 1. ed. Inteligência Artificial em
Controle e Automação. SãoPaulo: Editora Edgard Blücher; FAPESP, 2000. 218p.
NOGAARD M., RAVN O., POULSEN N.K. e HANSEN, L. K. Neural Networks for
Modelling and Controlo of Dynamic Systems, 2001.
PARISOTTO, I. G. B. et al. Avaliação do estado estacionário de um processo de
destilação utilizando-se uma abordagem de controle com ação distribuída. VII Congresso Brasileiro de Engenharia Química em Iniciação Científica, 2007.
ROITMAN, Valter, Curso de formação de operadores de refinaria: operações unitárias. Curitiba: PETROBRAS : UnicenP, 2002
SILVESTRE, Diego Soares. Inferência de Curva de Destilação ASTM da Destilação
Atmosférica para Controle Avançado. Florianópolis, 2005.
SHIMADZU. Disponível em:
http://www.shimadzu.com.br/analitica/produtos/gc/index.shtml>. Acesso em: 17 nov.2012. SUPER GÁS BRAS. Disponível em: <http://www.supergasbras.com.br/g_cara.asp>. Acesso em: 6 abr. 2011.
THOMAS, José Eduardo. Fundamentos de engenharia de petróleo. 2. Ed. Rio de Janeiro: Editora Interciência, 2001.
YAMANISHI, Érika, Simulação, análise e otimização de colunas atmosférica e
debutanizadora da unidade de destilação de refino de petróleo. Dissertação de mestrado,
Universidade de campinas São Paulo, 2007.
YONEYAMA, Takashi; NASCIMENTO JÚNIOR, Cairo L. Inteligência artificial em
controle e automação. São Paulo, 2000.
ZANATA, Diogo R. P. Desenvolvimento de sensor virtual empregando redes neurais
para medição da composição em uma coluna de destilação. Dissertação de mestrado.
Escola Politécnica da Universidade de São Paulo: EPUSP, 2005.
ZAMPROGNA, Eliana; BAROLO, Massimiliano; SEBORG, Dale E. Optimal selection of soft sensor inputs for batch distillation columns using principal component analysis. Journal