Após o procedimento de otimização do estado nominal, o arquivo do processo estacionário do Aspen Plus™ foi revisado em relação à pressão (Pressure Check). No caso de alguma incompatibilidade entre pressões no processo, o software abre uma janela com a localização e todas as informações que devem ser corrigidas para que o sistema seja regido pelas diferenças de pressão. Com essa revisão correta, o arquivo encontra-se preparado para ser exportado ao Aspen Plus Dynamics™, no qual o arquivo é aberto, e são realizadas sugestões de controle básico pelo próprio programa.
6.1. Estratégias de controle
Inicialmente, um esquema básico de controle regulatório é determinado:
• Controle na alimentação para garantir um fluxo constante;
• A pressão de topo da coluna pela manipulação de carga térmica do condensador;
• O nível do vaso de refluxo manipulando a vazão de destilado;
• O nível de base manipulando o fluxo da base.
Posteriormente, adicionaram-se os seguintes controladores com mudança inteligente de setpoints utilizando RNA:
• Razão de refluxo, manipulando a vazão de refluxo (ARIFIN E CHIEN, 2008);
• Temperatura do prato 22 da coluna, manipulando a carga térmica do refervedor.
• Razão de alimentação entre o solvente e azeótropo, manipulando a vazão de solvente (GIL E RODRÍGUEZ, 2012).
A razão de refluxo é uma variável importante, pois influencia no teor de solvente do interior da coluna, o qual é de extrema importância no diz respeito à eficiência de separação e consumo de energia (FIGUEIRÊDO et al., 2015).
A RNA desenvolvida recebe os dados da temperatura, vazão e composição da alimentação do azeótropo. Em seguida, a RNA calcula a temperatura do prato 22, razão de refluxo e razão de alimentação entre solvente e azeótropo, os quais serão os setpoints dos controladores presentes na planta, cuja finalidade é manter o produto de topo e de base da coluna de destilação dentro das especificações. Dessa forma, distúrbios na alimentação são
alimentados no
controle proposto está resumida
esta aplicação, baseados nos seguintes métodos: pratos sucessivos, método da simetria de sensibilidade, máxima sensibilidade e decomposição por valores singulares (SVD) da matriz de sensibilidade
em malha aberta com perturbações em ±5 % da carga térmica do reboiler. Em cada análise, foram determinados os dois pratos mais sensíveis.
resultados de sensibilidade, sendo escolhido como o “prato de controle”. alimentados no
controle proposto está resumida Para a apl
esta aplicação, baseados nos seguintes métodos: pratos sucessivos, método da simetria de sensibilidade, máxima sensibilidade e decomposição por valores singulares (SVD) da matriz de sensibilidade
em malha aberta com perturbações em ±5 % da carga térmica do reboiler. Em cada análise, foram determinados os dois pratos mais sensíveis.
De acordo com
resultados de sensibilidade, sendo escolhido como o “prato de controle”.
Tabela 3 – Comparação de métodos para determinação do prato ótimo de medição de temperatura
Pratos sucessivos Simetria de sensibilidade SVD da matriz de sensibilidade Método da
alimentados no Soft Sensor controle proposto está resumida
Para a aplicação do controle de temperatura foi identificado o prato mais sensível para esta aplicação, baseados nos seguintes métodos: pratos sucessivos, método da simetria de sensibilidade, máxima sensibilidade e decomposição por valores singulares (SVD) da matriz de sensibilidade. A Tabela 3
em malha aberta com perturbações em ±5 % da carga térmica do reboiler. Em cada análise, foram determinados os dois pratos mais sensíveis.
De acordo com a Tabel
resultados de sensibilidade, sendo escolhido como o “prato de controle”.
Figura 8 – Estratégia de controle baseada em Redes Neurais Artificiais.
Comparação de métodos para determinação do prato ótimo de medição de temperatura Método
Pratos sucessivos Simetria de sensibilidade SVD da matriz de sensibilidade Método da máxima sensibilidade
Soft Sensor, o qual fornece uma resposta
controle proposto está resumida na Figura
icação do controle de temperatura foi identificado o prato mais sensível para esta aplicação, baseados nos seguintes métodos: pratos sucessivos, método da simetria de sensibilidade, máxima sensibilidade e decomposição por valores singulares (SVD) da matriz
Tabela 3 mostra os resultados obtidos. A análise de sensibilidade foi feita em malha aberta com perturbações em ±5 % da carga térmica do reboiler. Em cada análise, foram determinados os dois pratos mais sensíveis.
Tabela 3, pode
resultados de sensibilidade, sendo escolhido como o “prato de controle”.
Estratégia de controle baseada em Redes Neurais Artificiais.
Comparação de métodos para determinação do prato ótimo de medição de temperatura Método
Pratos sucessivos Simetria de sensibilidade SVD da matriz de sensibilidade
máxima sensibilidade
, o qual fornece uma resposta Figura 8.
icação do controle de temperatura foi identificado o prato mais sensível para esta aplicação, baseados nos seguintes métodos: pratos sucessivos, método da simetria de sensibilidade, máxima sensibilidade e decomposição por valores singulares (SVD) da matriz
os resultados obtidos. A análise de sensibilidade foi feita em malha aberta com perturbações em ±5 % da carga térmica do reboiler. Em cada análise, foram determinados os dois pratos mais sensíveis.
pode-se perceber que o prato 22 apresentou melhores resultados de sensibilidade, sendo escolhido como o “prato de controle”.
Estratégia de controle baseada em Redes Neurais Artificiais.
Comparação de métodos para determinação do prato ótimo de medição de temperatura
SVD da matriz de sensibilidade máxima sensibilidade
, o qual fornece uma resposta
icação do controle de temperatura foi identificado o prato mais sensível para esta aplicação, baseados nos seguintes métodos: pratos sucessivos, método da simetria de sensibilidade, máxima sensibilidade e decomposição por valores singulares (SVD) da matriz
os resultados obtidos. A análise de sensibilidade foi feita em malha aberta com perturbações em ±5 % da carga térmica do reboiler. Em cada análise, foram determinados os dois pratos mais sensíveis.
se perceber que o prato 22 apresentou melhores resultados de sensibilidade, sendo escolhido como o “prato de controle”.
Estratégia de controle baseada em Redes Neurais Artificiais.
Comparação de métodos para determinação do prato ótimo de medição de temperatura , o qual fornece uma resposta feedforward
icação do controle de temperatura foi identificado o prato mais sensível para esta aplicação, baseados nos seguintes métodos: pratos sucessivos, método da simetria de sensibilidade, máxima sensibilidade e decomposição por valores singulares (SVD) da matriz
os resultados obtidos. A análise de sensibilidade foi feita em malha aberta com perturbações em ±5 % da carga térmica do reboiler. Em cada análise,
se perceber que o prato 22 apresentou melhores resultados de sensibilidade, sendo escolhido como o “prato de controle”.
Estratégia de controle baseada em Redes Neurais Artificiais.
Comparação de métodos para determinação do prato ótimo de medição de temperatura Estágio escolhido 22 ou 23 Inconclusivo 22 ou 21 22 ou 23 rd. A configuração do
icação do controle de temperatura foi identificado o prato mais sensível para esta aplicação, baseados nos seguintes métodos: pratos sucessivos, método da simetria de sensibilidade, máxima sensibilidade e decomposição por valores singulares (SVD) da matriz
os resultados obtidos. A análise de sensibilidade foi feita em malha aberta com perturbações em ±5 % da carga térmica do reboiler. Em cada análise,
se perceber que o prato 22 apresentou melhores resultados de sensibilidade, sendo escolhido como o “prato de controle”.
Estratégia de controle baseada em Redes Neurais Artificiais.
Comparação de métodos para determinação do prato ótimo de medição de temperatura escolhido 22 ou 23 Inconclusivo 22 ou 21 22 ou 23 A configuração do
icação do controle de temperatura foi identificado o prato mais sensível para esta aplicação, baseados nos seguintes métodos: pratos sucessivos, método da simetria de sensibilidade, máxima sensibilidade e decomposição por valores singulares (SVD) da matriz
os resultados obtidos. A análise de sensibilidade foi feita em malha aberta com perturbações em ±5 % da carga térmica do reboiler. Em cada análise,
se perceber que o prato 22 apresentou melhores
Comparação de métodos para determinação do prato ótimo de medição de temperatura. A configuração do
icação do controle de temperatura foi identificado o prato mais sensível para esta aplicação, baseados nos seguintes métodos: pratos sucessivos, método da simetria de sensibilidade, máxima sensibilidade e decomposição por valores singulares (SVD) da matriz os resultados obtidos. A análise de sensibilidade foi feita em malha aberta com perturbações em ±5 % da carga térmica do reboiler. Em cada análise,
Os controladores de fluxo são do tipo proporcional-integral (PI), com as configurações recomendadas por Luyben (2002): Kc = 0,5 e τI = 0,3 min. Os controladores de pressão e
temperatura são do tipo proporcional-integral (PI), com Kc = 20 e τI = 12 min; os valores
padrões usados no Aspen Plus Dynamics™.
6.2. Comunicação Aspen/Matlab com auxílio do Elipse Scada
A integração entre os sistemas Aspen™, software utilizado para a simulação e controle e Matlab®, software para o desenvolvimento da RNA, foi realizada com auxílio do software Elipse SCADA. O termo SCADA (Supervisory Control And Data Aquisition) na automação é utilizado para denominar sistemas de supervisão, controle e aquisição de dados, composto por um ou mais computadores, monitorando e/ou controlando um processo (MORSI; EL-DINO, 2014). Neste tipo de aplicação específica, Aspen™ e Matlab® funcionam como softwares clientes da comunicação e o SCADA como servidor. A Figura 9 apresenta um diagrama de bloco da comunicação entre os Softwares.
Em seguida definiram-se as variáveis de entrada e de saída do Aspen™:
• Variáveis de saída (Output Variable) – Os dados são lidos da memória do software cliente (Aspen™) e armazenados na memória do servidor (SCADA) em variáveis chamadas de tagname. Neste caso, as variáveis de saída do Aspen™ serão as variáveis de entrada da RNA.
• Variáveis de entrada (Input Variable) – O valor contido em um determinado
tagname é escrito em um determinado endereço de memória do software cliente
(Aspen™). Neste caso, as variáveis de entrada, serão as saídas da RNA para mudança dos setpoints dos controladores presentes.
O Matlab® também funcionará como software cliente da comunicação e o SCADA como servidor. A função básica do SCADA será prover uma infra-estrutura de suporte aos grupos criados no software cliente (Matlab®). Além disso, cabe também a ele gerenciar aspectos relacionados à conexão com uma fonte de dados que neste caso será o Aspen™. Ou seja, depois de já treinada a rede neural no Matlab®, servirá como modelo matemático que tem como dados de entrada algumas variáveis provenientes do Aspen™ que são fornecidas ao
SCADA (1), em seguida tais dados são utilizados pelo ferramenta
Plus™ Aspen Plus
Elipse SCADA (5). O
auxílio do Elipse SCADA para modificar o (1-2-
Deve-se observar que o
SCADA (1), em seguida tais dados são utilizados pelo ferramenta Neural Networks Toolbox
™ como entrada da Rede Neural Artificial (3). Depois de treinada com os dados
Aspen Plus™, a RNA retorna uma resposta (4). O valor da saída da RNA é disponibilizado no
Elipse SCADA (5). O
auxílio do Elipse SCADA para modificar o -3-4-5-6-1-2
se observar que o
SCADA (1), em seguida tais dados são utilizados pelo
Neural Networks Toolbox
como entrada da Rede Neural Artificial (3). Depois de treinada com os dados , a RNA retorna uma resposta (4). O valor da saída da RNA é disponibilizado no Elipse SCADA (5). O Aspen Plus Dynamic
auxílio do Elipse SCADA para modificar o
2-3-4-5-6...) ocorre de forma dinâmica. se observar que o Aspen Plus Dynamics SCADA (1), em seguida tais dados são utilizados pelo
Neural Networks Toolbox
como entrada da Rede Neural Artificial (3). Depois de treinada com os dados , a RNA retorna uma resposta (4). O valor da saída da RNA é disponibilizado no
Aspen Plus Dynamic
auxílio do Elipse SCADA para modificar o
6...) ocorre de forma dinâmica.
Figura 9 – Comunicação entre os Softwares.
Aspen Plus Dynamics
SCADA (1), em seguida tais dados são utilizados pelo
Neural Networks Toolbox (NNT) e fornece os dados que capturou do
como entrada da Rede Neural Artificial (3). Depois de treinada com os dados , a RNA retorna uma resposta (4). O valor da saída da RNA é disponibilizado no
Aspen Plus Dynamic™ utiliza os dados provenientes do
auxílio do Elipse SCADA para modificar os setpoint 6...) ocorre de forma dinâmica.
Comunicação entre os Softwares.
Aspen Plus Dynamics™ fornece dados para o
SCADA (1), em seguida tais dados são utilizados pelo
(NNT) e fornece os dados que capturou do como entrada da Rede Neural Artificial (3). Depois de treinada com os dados
, a RNA retorna uma resposta (4). O valor da saída da RNA é disponibilizado no utiliza os dados provenientes do
setpoints dos controladores (6). E
6...) ocorre de forma dinâmica.
Comunicação entre os Softwares.
fornece dados para o
SCADA (1), em seguida tais dados são utilizados pelo Matlab® (2), o qual acessa sua (NNT) e fornece os dados que capturou do
como entrada da Rede Neural Artificial (3). Depois de treinada com os dados , a RNA retorna uma resposta (4). O valor da saída da RNA é disponibilizado no
utiliza os dados provenientes do dos controladores (6). E
Comunicação entre os Softwares.
fornece dados para o software
(2), o qual acessa sua (NNT) e fornece os dados que capturou do
como entrada da Rede Neural Artificial (3). Depois de treinada com os dados , a RNA retorna uma resposta (4). O valor da saída da RNA é disponibilizado no
utiliza os dados provenientes do Matlab
dos controladores (6). Este mecanismo
oftware Elipse
(2), o qual acessa sua (NNT) e fornece os dados que capturou do Aspen como entrada da Rede Neural Artificial (3). Depois de treinada com os dados do , a RNA retorna uma resposta (4). O valor da saída da RNA é disponibilizado no
Matlab® com o ste mecanismo Elipse (2), o qual acessa sua
Aspen
do , a RNA retorna uma resposta (4). O valor da saída da RNA é disponibilizado no com o ste mecanismo