INTRODUÇÃO E JUSTIFICATIVA

A geração de polímeros representa uma proporção bastante considerável da produção anual das indústrias químicas, sendo responsável pelo grande crescimento desse setor nos últimos anos. Através dos processos de polimerização, pode-se obter uma enorme diversidade de produtos de grande interesse industrial. Essas reações geram materiais de vários tipos com um vasto ramo de aplicações - desde plásticos, borrachas e móveis, até tintas e medicamentos - de forma que várias tecnologias de síntese são desenvolvidas com finalidades tecnológicas específicas; logo, cada polímero é produzido sob certas condições operacionais, que lhe atribuem, entre outras, propriedades físicas, mecânicas, elétricas, térmicas, óticas, reológicas e/ou de processamento, desejadas em futuras utilizações.

As propriedades de uso final de um polímero dependem de vários fatores, tais como distribuições de peso molecular e de comprimento de cadeia (FORTUNY, 2004). Embora a estrutura química de um determinado polímero seja a mesma, pesos moleculares e comprimentos de cadeia diferentes originam polímeros com características díspares. Assim, é de fundamental importância entender como esses e outros atributos influenciam nas propriedades finais do polímero, de modo a ser projetado um sistema de controle eficiente para os objetivos desejados. Uma maneira rápida e de baixo custo para obter essas informações é através da utilização de modelos matemáticos. É importante enfatizar que, ao se executar a modelagem de um processo, deve-se atentar para a distinção entre modelo e sistema, ou seja, o modelo desenvolvido deve ser uma representação adequada do processo, mas não o é necessariamente (MARLIN, 1995).

Entretanto, o comportamento dinâmico dos processos poliméricos é extremamente complexo, sendo caracterizado por intensas não linearidades (ROFFEL, CHIN, 1991), dificultando consideravelmente a obtenção de representações determinísticas precisas, as quais são aplicadas diretamente em estratégias convencionais de controle e são provenientes dos balanços de massa, energia e quantidade de movimento. Vale ressaltar a grande dificuldade na utilização desses modelos em tempo real devido à complexidade de resolução, os quais são compostos por um conjunto de expressões onde estão presentes equações diferencias ordinárias, algébricas e, em determinadas circunstâncias, equações diferencias parciais. Assim, modelos mais simplificados são formulados, ocasionando, conseqüentemente, restrições em termos de representatividade, o que causa limitações

quanto à coerência das informações fornecidas, influindo diretamente no sucesso das estratégias de controle.

A importância da utilização de uma boa configuração de controle vai além do desejo de obtenção de produtos dentro de certa especificação, mas também engloba questões de segurança, operabilidade, redução de custos e minimização da geração de resíduos e efluentes, de modo a evitar maiores danos ao meio ambiente. Desta forma, em virtude do avanço tecnológico crescente nos últimos anos e da necessidade de produção cada vez mais precisa e eficiente, é marcante o aumento no número de trabalhos que buscam representações mais exatas e estratégias de controle mais eficazes para tais sistemas. Uma atenção destacada está direcionada a aplicações de técnicas de inteligência artificial na modelagem de processos químicos, especialmente as que se referem à utilização de redes neurais artificiais (RNAs). Todavia, a utilização isolada das RNAs não possibilita ações de controle, mas somente a obtenção de modelos. Uma alternativa de grande potencial que se encontra em âmbito crescente é a utilização de modelos nebulosos (fuzzy), os quais são aplicados tanto no aspecto de modelagem, quanto de controle. Tais representações se adequam de maneira interessante ao comportamento dos processos de polimerização, por integrarem conceitos de incerteza e imprecisão e incluírem definições de lógica probabilística; além disso, segundo Ross (2004), permitem a inclusão de informações do processo na formulação do modelo matemático, o que torna a alternativa de grande interesse do ponto de vista operacional. A utilização da lógica nebulosa na modelagem e no controle de processos simplifica, notavelmente, os procedimentos realizados, possuindo os atrativos de minimização no tempo de processamento e simplicidade de implementação, aliando-se ao baixo custo e à facilidade de manutenção dos equipamentos, já que não é necessário um conhecimento dinâmico detalhado do sistema analisado, mas somente um conjunto de dados entrada/saída.

Analisando mais especificamente aspectos relacionados ao controle de processos, é importante frisar que muitos dos algoritmos convencionais de controle não atendem, em sua totalidade, as exigências cada vez mais específicas de plantas com alta eficiência, especialmente no que se refere à qualidade do produto gerado. Destaca-se ainda que o controlador deva ser capaz de atender as necessidades de produção sem, contudo, violar restrições. Visando superar essas dificuldades, tem ocorrido, nos últimos anos, um crescimento considerável na aplicação de estratégias de controle avançado em processos de

polimerização devido às grandes complexidades presentes nesses sistemas, merecendo destaque especial a utilização das técnicas de controle preditivo baseadas em modelo, conhecidas como MBPC (Model Based Predictive Control), as quais utilizam um modelo dinâmico do processo como parte integrante do sistema de controle. De acordo com Dechechi (1996), a grande aceitação dos algoritmos MBPC para controle de processos químicos se deve a suas habilidades na manipulação e incorporação de restrições envolvendo variáveis de entrada e saída, além da transparência apresentada com relação ao ajuste das constantes de projeto. Dentre as técnicas de controle MBPC, a estratégia DMC (Dynamic Matrix Control) é a que se encontra mais difundida em aplicações industriais, pelo fato de sua relativa simplicidade de projeto e implementação, e a possibilidade de manipulação de restrições às variações das variáveis manipuladas.

Segundo Meleiro (2002), dentre os desenvolvimentos mais recentes em estruturas de controle avançado, destacam-se àqueles caracterizados pela forte ligação entre as áreas de modelagem - principalmente a lógica fuzzy e as RNAs – e o projeto de sistemas de controle baseados em modelo. Deste modo, a união dos conceitos da lógica nebulosa, na busca por modelos mais simples, mas ao mesmo tempo representativos, com a técnica de controle preditivo DMC, dada sua robustez e acessibilidade, apresenta-se como uma alternativa promissora no campo do projeto de estratégias de controle avançado para processos de polimerização.