Identificação dos tipos de programa de fabrico

Como referido no capítulo 3, foram utilizadas as TAGS do Anexo C de modo a se estudar os valores entre 1 de Janeiro de 2015 e 1 de Janeiro de 2017, quanto à densidade do crude, ao rendimento do RAT, ao caudal de armazenagem do RAT e à densidade do RAT, tendo estas variáveis sido utilizadas com o propósito de identificarem e segregarem os dois tipos de programa de fabrico. Após a eliminação dos outliers, representou-se graficamente as variáveis, com o objetivo de estudá-las detalhadamente. Estas encontram-se representadas na figura 4.1.

Figura 4.1-Representação das variáveis significativas.

Através da análise da figura 4.1, verifica-se que apesar de algumas variáveis formarem dois grupos de resultados distintos, como é o caso da densidade do RAT com o seu caudal de armazenagem, estes dois grupos formados não contém uma parte bastante significativa dos valores analisados, sendo este facto verificado na figura 4.2.

56 Figura 4.2-Representação da relação entre a densidade e o caudal do RAT.

A figura 4.2 demonstra duas aglomerações com base na densidade populacional dos pontos, tratando-se de uma modificação do método de aglomeração DBSCAN. Como se pode reparar, a afirmação de existir uma quantidade significativa de pontos que não pretence a qualquer grupo formado é de facto correcta, sendo assim essencial utilizar as 4 variáveis, de modo a identificar duas aglomerações significativas que sejam constituídas por mais de 90%, dos dados em análise, e com as propriedades referidas no capítulo 3.

Após a normalização dos dados, foi então utilizado o método de aglomeração k-means clustering, tendo sido obtidas duas aglomerações bastante distintas, sendo que apenas 47 de 721observações não se encontram dentro do corpo das aglomerações, ou seja, menos de 10% do total de obervações. A figura 4.3 representa as duas aglomerações obtidas, através do método k- means clustering.

Figura 4.3-Aglomerações obtidas através do método k-means clustering.

Através da análise da figura 4.3, verifica-se que os eixos dos gráficos são representados por dimensões, ou seja, componentes principais, o que se deve ao facto de quando o R utiliza o método k-means clustering, este combina de forma linear as diferentes variáveis estudadas, de modo a representar os resultados obtidos num gráfico de duas dimensões. Dado que os

componentes principais contêm um peso na variabilidade dos resultados superior a 90%, esta forma de representação e separação de aglomerações não será vista como um problema, mas como uma ajuda, pois deste modo pode-se utilizar o PCA com o objectivo de verificar se na realidade, estes dois grupos formados são, de facto, os programas sour e sweet ou dois grupos aleatórios. A figura 4.4 representa a aplicação do PCA de modo a verificar a identidade das duas aglomerações formadas.

Figura 4.4-Principal Component analysis.

Verifica-se que a elipse, formada com um intervalo de confiança de 95%, contém a maioria dos dados, sendo que os que se encontram fora desta são considerados outliers com pouca influência no resultado final, verificando-se deste modo que a eliminação de outliers foi adequada. Passando a uma análise mais pormenorizada, observa-se que o vector formado em x por PCA contém um valor mais elevado quanto ao peso na variabilidade do resultado, do que o vector em y, sendo que o caudal volumétrico de armazenagem de RAT e o resíduo do mesmo, apresentam um maior peso na variablidade do resultado. De maneira geral, verifica-se que quando o caudal de RAT para armazenagem aumenta, as restantes propriedades diminuem.

Com o objectivo de analisar a constituição dos vectores obtidos por PCA, foi realizada uma descontrução dos vectores em variáveis, sendo esta representada pela figura 4.5.

58

É interessante verificar que, apesar das duas densidades apresentarem maior peso no componente principal, que apresenta maior contribuição para a variablidade do resultado, essa contribuição, num plano geral, não é suficiente para estas serem consideradas as variáveis que contribuem com maior peso no resultado final. Continuando com a análise anterior, verifica-se que a teoria coincide com os resultados obtidos, pois quanto maior a densidade do crude, maior será a densidade e o rendimento do RAT e menor será o caudal volumétrico de RAT para armazenagem. Sendo assim, pode-se afirmar que a aglomeração designada por 1 será coincidente com o programa sweet, sendo a aglomeração 2 coincidente com o sour, a estes factos ainda está associado, o facto do grupo 1, conter um menor número de observações que o 2.

Estando cada observação ligada a um tipo de programa, a distinção entre estes é verificada através da figura 4.6.

Figura 4.6-Distinção entre programas de fabrico.

Conclui-se que existe uma separação significativa entre os dois programas, sendo o programa sour representado pelos pontos a vermelho e o sweet representado pelos pontos a preto, pelo que se pode prosseguir para a etapa final da realização do 1.º objectivo da dissertação.

De modo a aumentar os argumentos que indicam que a separação dos tipos de programa foi correcta, foi comparado o caudal de carga da destilação atmosférica para os programas produzidos, sendo que teoricamente o plano sour deveria de ser superior ao sweet.

Figura 4.7-Diferenciação da carga da destilação atmosférica, para os diferentes programas de fabrico.

Conclui-se que no programa sour, a carga é bastante superior à sweet. A razão prende-se com limitações na capacidade de arrefecimento de topo da destilação e processamento de componentes leves. Deste modo prova-se, de uma maneira quase irrefutável, que os programas se encontram correctos. Após esta confirmação, foram calculados os consumos e produções para cada unidade processual estudada, seguindo o raciocínio do capítulo 3.

As utilidades estudadas em cada unidade processual encontram-se representadas no respectivo sub-capítulo de estudo, no capítulo 1.