Soft sensor aplicado a plantas de processamento de gás natural baseado em redes neurais artificiais

(1)

UNIVERSIDADEFEDERALDO RIO GRANDE DO NORTE

UNIVERSIDADEFEDERAL DORIOGRANDE DONORTE CENTRO DETECNOLOGIA

PROGRAMA DEPÓSGRADUAÇÃO EMENGENHARIAMECATRÔNICA

Soft Sensor Aplicado a Plantas de

Processamento de Gás Natural Baseado em

Redes Neurais Artificiais

Jean Mário Moreira de Lima

Orientador: Prof. Dr. Fábio Meneghetti Ugulino de Araújo

Dissertação de Mestrado apresentada ao Programa de Pós-Graduação em Engenharia Mecatrônica da UFRN (área de concentra-ção: Sistemas Dinâmicos e Controle de Pro-cessos) como parte dos requisitos para de-fesa do título de Mestre em Ciências.

(2)

Lima, Jean Mario Moreira de.

Soft sensor aplicado a plantas de processamento de gás natural baseado em redes neurais artificiais / Jean Mario Moreira de Lima. - 2018.

72 f.: il.

Dissertação (mestrado) - Universidade Federal do Rio Grande do Norte, Centro de Tecnologia, Programa de Pós-Graduação em Engenharia Mecatrônica. Natal, RN, 2018.

Orientador: Prof. Dr. Fábio Meneghetti Ugulino de Araújo.

1. Soft sensor - Dissertação. 2. Redes neurais - Dissertação. 3. Sistemas de identificação Dissertação. 4. GLP

-Dissertação. 5. UPGNs - -Dissertação. I. Araújo, Fábio Meneghetti Ugulino de. II. Título.

RN/UF/BCZM CDU 004.032.26

Universidade Federal do Rio Grande do Norte - UFRN Sistema de Bibliotecas - SISBI

Catalogação de Publicação na Fonte. UFRN - Biblioteca Central Zila Mamede

(3)

(4)

"Nossa maior fraqueza é a

desistência. O caminho mais

certeiro para o sucesso é tentar

apenas uma vez mais".

Thomas Edison

(5)

Agradecimentos

A Deus que me abençoou com graças alcançadas e com a força espiritual que me confor-tou nas fases mais difícies deste trabalho e da minha vida.

Aos meus pais e minha irmã que nunca mediram esforços para ajudar-me a realizar os meus sonhos. Agradeço pelo incentivo, apoio e compreensão. Toda educação, aprendi-zado que me ofereceram me formaram como pessoa, estudante e profissional. Agradeço também a minha namorada que com seu carinho e compreensão incentivou-me a lutar pelo meus sonhos.

Ao meu orientador, Fábio Meneghetti Ugulino de Araújo, por estar presente e disposto a me ajudar no desenvolvimento do trabalho. Agradeço também pela apoio dado sempre que precisei sobre assuntos extra acadêmicos.

Aos colegas do Laboratório de Controle de Processos do DCA pela convivência agradável e sempre dispostos a ajudar.

A Chefia, aos professores e aos funcionários do DCA pelo aprendizado, companheirismo e incentivo à minha qualificação.

Aos professores e funcionários do Programa de Pós-Graduação em Engenharia Mecatrô-nica pela aprendizado e ajuda.

A todos que de alguma forma me ajudaram a concluir este trabalho.

(6)

Resumo

Atualmente, diante de um mercado cada vez mais competitivo, produzir de forma efi-ciente é essencial para se obter um balanço econômico positivo. Reduzir custos, realizar processos otimizados e ofertar produtos cada vez melhores são fatores que influenciam diretamente na economia de qualquer indústria. Diante disso, técnicas que podem melho-rar e/ou otimizar processos, como o monitoramento da qualidade de produto ou controle avançado tornam-se fundamentais para a indústria como um todo. No caso de Unidades de Processamento de Gás Natural (UPGNs), o monitoramento da qualidade do produto produzido é intrínseco a uma produção satisfatória, e esse controle da qualidade faz-se, como na maioria dos processos químicos, através da composição química dos produ-tos. Entretanto, mesmo quando cromatógrafos a gás são utilizados para análise química dos componentes, tem-se lentidão no processo analítico e longos intervalos de medição são observados. Isso impede que técnicas de monitoramento em tempo real, ou de con-trole, sejam estabelecidas para obtenção de melhor rendimento do processo. Dentre es-ses produtos, em termos econômicos, o principal é o GLP (Gás Liquefeito de Petróleo), composto por propano, butano e contaminantes como etano e pentano. Neste trabalho é proposto um sistema chamado de soft sensor que faça a inferência, baseada em redes neurais, da composição do GLP, isto é, dos seus principais componentes. Dessa forma, o monitoramento, em tempo real, da qualidade do GLP produzido torna-se possível, uma vez que a medição de sua composição não será feita através do lento processo analítico. Assim, melhora-se a qualidade do processo, do produto e, consequentemente, a lucra-tividade. Para o desenvolvimento deste trabalho, utilizou-se uma UPGN simulada no softwareHYSYS, formada por uma coluna deetanizadora em série com uma coluna de-butanizadora. Na instrumentação da planta, têm-se alguns controladores PIDs. O sensor virtual tem como entradas algumas das variáveis de processo desses controladores. Neste tabalho, é proposto também um sistema de correção do erro, em tempo real, do soft sen-sor, tendo com base a leitura da composição do GLP feita por cromatógrafos presentes no processo. Os resultados se mostraram promissores, atestando o funcionamento adequado do soft sensor.

Palavras-chave: Soft sensor, Redes Neurais Artificiais, Sistemas de Identificação, GLP, UPGNs.

(7)

Abstract

In face of an increasingly competitive market, producing efficiently and effectively is essential for a positive economic balance. Reducing costs, optimizing processes and offe-ring even better products are factors that directly influence the economy of any industry. In this view, techniques that can improve and / or guarantee optimization of processes, such as the monitoring of product quality or advanced and intelligent control become fundamental for the industry as a whole. In case of Natural Gas Processing Units (NG-PUs), monitoring the quality of the product is intrinsic to a satisfactory production, and quality control has been done such as in most chemical processes, through the chemical composition of the products. However, even when chromatographs are used for chemical analysis of the components, the analytical process is slow and long measurement inter-vals are observed. This hampers real-time product monitoring or control techniques from being established to obtain better process performance.Among these products, the most important, economically speaking, is LPG (Liquefied Petroleum Gas) composed of pro-pane, butane and contaminats such as ethane and pentane. In this work, a system called soft sensor that makes the inference of the main components of GLP based on artificial neural network is proposed. Then, the real-time monitoring of the quality of the produ-ced LPG becomes possible, since the measurement of the composition of the LPG will not be obtained through the slow analytical process. Thus, the quality of the process, the LPG itself, consequently, its profitability are improved.In the development of this work, a simulated GNPU has been used in HYSYS, consisting of a deethanizing column in se-ries with a debutanizer column. In the instrumentation of the plant, there are some PID controllers. The virtual sensor is based on process variables of these controllers. In this work, a real-time error correction module of the softsensor is also proposed, based on the measuruments of the LPG composition made by the chromatographs present in the process. The results are promising, attesting the adequate behavior of the soft sensor.

(8)

Sumário

Sumário i

Lista de Figuras iii

Lista de Tabelas v

1 Introdução 1

Lista de Símbolos e Abreviaturas 1

2 Processamento de gás natural 7

2.1 Gás Natural . . . 7

2.2 Indústria do Gás Natural . . . 7

2.3 Unidade de Processamento do Gás Natural . . . 8

2.3.1 Coluna de Destilação . . . 8

2.3.2 Coluna Deetanizadora . . . 9

2.3.3 Coluna de Debutanizadora . . . 10

3 Fundamentação Teórica 13 3.1 Redes Neurais Artificiais . . . 13

3.1.1 Aprendizagem . . . 16

3.1.2 Projetos de Redes Neurais . . . 17

3.2 Identificação de Sistemas . . . 18

3.2.1 Indentificação Utilizando Modelos Neurais . . . 20

4 Soft Sensor proposto 23 4.1 Módulo RNA . . . 23 4.1.1 Saídas . . . 24 4.1.2 Entradas . . . 24 4.1.3 Estrutra do modelo . . . 25 4.2 Módulo de Correção . . . 26 4.3 Implementação . . . 29 5 Resultados 30 5.1 Coleta de Dados . . . 30

5.2 Ordem do Modelo de Inferência . . . 31

5.3 Avaliação das Estruturas RNAs . . . 31

(9)

5.3.1 Erro Médio Quadrático - EMQ . . . 31

5.4 Treinamento e Validação das RNAs de Inferência . . . 32

5.5 Análise das Estruturas Neurais . . . 33

5.6 Testes na Planta . . . 35

5.6.1 Conjunto de Testes I . . . 35

5.6.2 Conjunto de Testes II . . . 41

5.6.3 Conjunto de Testes III . . . 47

5.7 Considerações Finais . . . 54

6 Conclusão 56

(10)

Lista de Figuras

2.1 Esquemático de sistema de destilação fracionada. . . 9

2.2 Esquemático da coluna de destilação deetanizadora simulada. . . 10

2.3 Esquemático de sistema de destilação simulado - coluna debutanizadora. . 11

3.1 Estrutura básica de um neurônio de uma rede neural artificial. . . 14

3.2 PMC interconectada de duas camadas com dois neurônios. . . 15

3.3 Diagrama de blocos da aprendizagem superviosionada. . . 16

3.4 Identificação de sistema caixa preta. . . 19

3.5 Estrutura de modelagem NNARX. . . 21

4.1 Diagrama esquemático da estrutura NNARX proposta. . . 26

4.2 Diagrama do módulo de correção. . . 27

4.3 Esquemático do soft sensor proposto. . . 28

4.4 Esquemático da aplicação do sensor virtual. . . 28

5.1 Curva de treinamento do modelo escolhido. . . 34

5.2 Conjunto de Testes I: Valores reais e de inferência dos componentes do GLP estimados pelo sensor virtual SEM o módulo de correção. . . 36

5.3 Conjunto de Testes I: Valores reais e de inferência do C3 estimados pelo sensor virtual para diferentes intervalos de realimentação. . . 37

5.7 Conjunto de Testes II: Valores reais e de inferência dos componentes do GLP estimados pelo sensor virtual SEM o módulo de correção. . . 42

5.8 Conjunto de Testes II: Valores reais e de inferência do C3 estimados pelo sensor virtual para diferentes intervalos de realimentação. . . 44

5.11 Conjunto de Testes II: Valores reais e de inferência do C5 estimados pelo sensor virtual para diferente intervalos de realimentação. . . 48

(11)

5.12 Conjunto de Testes III: Valores reais e de inferência dos componentes do GLP estimados pelo sensor virtual SEM o módulo de correção. . . 49 5.13 Conjunto de Testes III: Valores reais e de inferência do C3 estimados pelo

sensor virtual para diferentes intervalos de realimentação. . . 50 5.14 Conjunto de Testes III: Valores reais e de inferência do C4 estimados pelo

sensor virtual para diferentes intervalos de realimentação. . . 51 5.15 Conjunto de Testes III: Valores reais e de inferência do C2 estimados pelo

sensor virtual para diferentes intervalos de realimentação. . . 52 5.16 Conjunto de Testes III: Valores reas e de inferência do C5 estimados pelo

(12)

Lista de Tabelas

4.1 Variáveis primárias do processo. . . 24

4.2 Variáveis secundárias do processo. . . 25

5.1 Estatísticas de treinamentos e validações. . . 32

5.2 Estatísticas de validações do sensor virtual. . . 34

5.3 Estatísticas dos tempos de divergência do sensor virtual nos conjuntos de testes. . . 35

5.4 Erros Percentuais - Conjunto de Testes I. . . 39

5.5 Erros Percentuais - Conjunto de Testes II. . . 47

5.6 Erros Percentuais - Conjunto de Testes III. . . 54

(13)

Capítulo 1

Introdução

É notório que os mercados, nacional e internacional, estão cada vez mais competitivos. Novas estratégias de negócio, novos processos, redução de custos, e inovação são aspectos fortemente ligados ao sucesso produtivo e econômico de qualquer indústria. Além disso, para se manterem competitivos, devem fornecer produtos finais de qualidade. Partindo dessa necessidade, as indústrias buscam aplicar técnicas cada vez mais eficientes para controle e monitoramento dos processos almejando reduzir custos, melhorar a qualidade e aumentar os lucros.

De acordo com Wang et al. (2006), a indústria de petróleo equipa-se com os mais va-riados e modernos tipos de sistema de controle e monitoramento devido à complexidade dos seus processos. É importante frisar que, para a estratégia ser satisfatória, a medição das variáveis que são controladas pelo processo deve estar disponível sempre que neces-sária. No entanto, de acordo com Joseph et al. (1999), há inúmeros processos, não só na indústria de petróleo, nos quais não é possível medir com exatidão as variáveis primárias (variáveis de processo) e/ou que apresentam intervalos de medição elevados.

No âmbito da indústria de petróleo, pode-se dizer que a destilação é uma das mais importantes atividades já que separa o conteúdo que alimenta um certo processo em pro-dutos distintos. A destilação é feita pelas ditas colunas de destilação. De acordo com Abdullah et al. (2007), controle e monitoramento efetivo dos produtos dessas colunas podem melhorar a rentabilidade do processo como um todo: propiciar robustez, ampliar capacidade de produção e melhorar a qualidade dos seus produtos finais. Além disso, pode-se ter redução de energia consumida. Vale dizer que a quantidade de energia re-querida por colunas de destilação, na maioria da plantas, pode representar até 40% do total de custo energético. Todavia, para se aplicar um sistema de monitoramento de uma coluna de destilação, é preciso uma medição em tempo real, das variáveis de processo. Normalmente essa medição é a composição química das variáveis ligadas à qualidade do produto final.

Composições químicas são variáveis de difícil mensuração (Linhares, 2010). Logo, o controle da composição de produtos de uma coluna de destilação é um exemplo no qual as variáveis primárias do processo, isto é, as variáveis mais importantes, não são utilizadas. Warne et al. (2004) afirmam que a medição da composição química de um componente é normalmente feita através de análise em laboratório. Dessa forma, longos intervalos de tempo para obtenção das amostras e análise laboratorial são requeridos.

(14)

CAPÍTULO 1. INTRODUÇÃO 2

De acordo com Bolf et al. (2008), instrumentos de medição online da composição química de produtos até que estão disponíveis como os cromatógrafos à gás e analisado-res NIR (Near-InfraRed), mas apanalisado-resentam custo elevado e longos intervalos de medição. Assim, a utilização desse tipo de instrumento não possibilita que uma estratégia de mo-nitoramento eficiente para operação da coluna de destilação, controlando a qualidade da composição dos seus produtos, seja implementada.

Quando limitações técnicas, custo elevado e indisponibilidade impedem o uso de sen-sores de variáveis primárias em tempo real, Zamprogna et al. (2005) afirmam que siste-mas de inferência apresentam uma forma atraente de se lidar com o problema de medição dessas variáveis de processo. De acordo com Fortuna et al. (2007b), os sistemas de in-ferência podem ser ferramentas interessantíssimas para diversas aplicações. Entre elas, cita-se: indústria petroquímica, indústria de alimentos e indústria nuclear.

Warne et al. (2004b) citam que apenas poucas técnicas de inferência são discutidas da literatura, apesar de a indústria já utilizar esse recurso lagarmente. Linhares (2010) afirma que de maneira geral há três abordagens utilizadas na implementação de sistemas de inferência: modelagem fenomenológica, modelagem estatística e a modelagem a partir de alguma técnica de inteligência artificial.

A modelagem fenomenológica se baseia nas leis da física que caracterizam o processo. Normalmente, um modelo representado por equações diferenciais ou algébricas é resul-tado dessa modelagem. Quando se possui conhecimento total sobre o processo ou tem-se de forma clara os fenômenos físicos envolvidos no processo, esta abordagem é satisfa-tória. Porém, em diversas aplicações, os processos são complexos e dinâmicos, fazendo com que a abordagem fenomenológica não seja a melhor escolha (Werne et al. 2004a). Isso implica no fato de que, geralmente, sistemas de inferência que identificam processos complexos baseiam-se em inteligência artificial ou regressão estatística. Utilizando-se esses métodos, não se faz necessário profundo conhecimento dos fenômenos físicos que regem o processo e pode-se extrair modelos dinâmicos a partir de dados experimentais.

Esses sistemas de inferências podem ser nomeados como sensor virtual, estimador virtual ou mesmo soft sensor, sendo esta última a mais comumente utilizada. De acordo com Ivandic et al. (2008), o objetivo de desenvolver soft sensor é modelar uma relação entre as variáveis primárias, de difícil medição, com as variáveis ditas secundárias, de fácil medição. A abordagem utilizando soft sensor mostra-se efetiva, uma vez que utiliza apenas informações já disponíveis no sistema. Galinec et al. (2008), afirmam que aplicar soft sensorpara estimar variáveis de processo de difícil medição é extremamente interes-sante em processos industriais, onde geralmente há um grande número variáveis medidas de forma contínua e rápida que servirão como entradas do soft sensor. Na literatura ci-entífca pode-se encontrar diversos trabalhos que demonstram a utilidade e aplicabilidade dos soft sensor. Entre esses trabalhos, citaram-se alguns exemplos.

Rogina et al. (2011) implementaram um soft sensor para estimação contínua da qua-lidade da nafta leve produzida por uma unidade de destilação de produto não refinado. A partir da medição de dados facilmente disponíveis em malhas do processo da coluna (temperatura, pressão e vazão) e de análise laboratorial do produto feita a cada dois dias, modelou-se um soft sensor capaz de estimar a pressão de vapor da nafta leve em tempo real. Na planta real a análise da nafta leve é feita apenas em laboratório e em intervalos

(15)

de horas. O desenvolvimento desses sensores virtuais foi conduzido pelo uso de modelos de redes neurais, como perceptron de múltiplas camadas (PMC) e função de base radial (FBR), com os melhores resultados obtidos pela rede PMC. Os resultados mostraram que a aplicação de sof sensors para estimação de valores é uma alternativa a testes laboratori-ais.

Karlovi´c et al. (2012) desenvolveram soft sensor para estimação do teor de benzeno em reformados leves como a gasolina. Obtendo dados experimentais de variáves disponí-veis em tempo real, desenvolveu um modelo Finite Impulse Response (FIR), um modelo Output Error(OE) e um modelo Auto-Regressive Exogenous Inputs (ARX) para identifi-cação. A partir dos sensores virtuais desenvolvidos, concluiu que é possível utilizá-los de forma satisfatória, embarcando-os na planta em razão de se obter analisadores on-line do teor do benzeno.

Hongmei et al. (2015) implementaram um soft sensor que podesse fazer a inferên-cia da concentração de butano no fundo de uma coluna de destilação debutanizadora. Para desenvolver este soft sensor, foi proposto um método baseado em regressão orto-gonal dinâmica. O método é aplicado a variáveis secundárias atrasadas em uma ordem pré-determinada. As variáveis que apresentam maior relação com o comportamento das variáveis primárias são selecionadas para construir o modelo do soft sensor. As simula-ções mostraram a eficiência do método utilizado e da aplicação de sensoriamento virtual na estimação da concentração de compostos químicos em uma coluna de destilação utili-zando soft sensor.

Bo et al. (2003) propuseram um soft sensor adaptativo para inferência de dois produ-tos de uma coluna de destilação, sendo eles:butadieno-1,3 (BD-1,3) e etilacetileno (EA). No seu trabalho, a partir da inferência da quantidade desses compostos, pôde desenvolver um sistema de controle em tempo real dos compostos. No seu estudo de caso, a análise laboratorial dos compostos era feita a cada 4 horas e levava em média 1 hora e 30 minutos para obtenção dos resultados, impossibilitando a aplicação de um sistema de controle. Utilizando-se redes neurais artificiais implementou um soft sensor que recebia variáveis de fácil medição: vazão de refluxo, temperatura de topo, pressão de topo do produto de fundo, e estimava as variáveis primárias BD-1,3 e EA. Além disso, o soft sensor também contava com um mecanismo de correção de modelo. Os resultados da análise laboratorial serviam como entrada para correção do modelo. Por fim, consegui-se implementar um sistema de controle eficiente para o sistema.

Galinec et al. (2008) desenvolveram soft sensor para estimar a qualidade de querosene em refinarias de petróleo. Baseados em redes neurais artificiais, dois soft sensors foram implementados utilizando variáveis de fácil medição: temperatura e vazão, para estimar o ponto de saturação da destilação do querosene (90%) a o ponto de congelamento. O resultados mostraram posibilidades reais de aplicação de soft sensors para estimação da qualidade de produtos refinados e controle inferencial como alternativa a análise labora-torial.

Ujevi´c et al. (2011) investigaram a aplicação de soft sensors para inferir propriedades de produtos de fundo em uma unidade de destilação de não-refinados. Utilizando medidas de temperatura, pressão e vazão, desenvolve dois soft sensors como estimadores do ponto inicial e final de ebulição. Para modelá-los, primeiramente utilizou-se a análise de

(16)

regres-CAPÍTULO 1. INTRODUÇÃO 4

são linear múltipla, concluindo que modelos lineares não são suficientemente precisos para uma implementação na planta real. Depois, utilizando-se redes neurais artificiais, mais precisamente, a MLP e a RBF, obteve-se rendimento satisfatório.

Fortuna et al. (2004) desenvolveram um soft sensor para melhora no monitoramento da qualidade do produto e controle em uma refinaria de petróleo. O soft sensor é o res-ponsável pela inferência da concentração da gasolina estabilizada (C5) e butano (C4), produtos de topo e fundo de uma coluna de destilação debutanizadora, respectivamente. Utilizando-se redes neurais artificiais para obtenção dos modelos, pode-se inferir as con-centrações dos produtos da columa em tempo real. Obtiveram resultados que mostraram a eficiência das medições dos soft sensors frente ao longo intervalo de tempo consequente de medições por cromatógrafos a gás. Logo, como estimações das concentrações em tempo real, obtem-se a possibilidade de melhor monitoramento e controle.

Abdalla et al. (2008) apresentaram um soft sensor para predição da composição mo-lar do pentano normal (n-pentano) e o isopentano (i-pentano) em um coluna de destilação debutanizadora. Utilizando-se redes neurais artificiais, implentou-se o soft sensor que recebe como entrada as variáveis primárias de fácil medição: temperatura, vazão de re-fluxo a vazão, e têm como saídas: n-pentano e i-pentano. Os resultados mostraram-se satisfatórios, com coefiente de correlação entre valores reais e estimados igual a 0.999.

Lima (2001) desenvolveu um sistema de inferência para estimação da fração molar de pentano no GLP. Baseando-se apenas em uma rede neural perceptron de múltiplas camadas (PMC), o sensor virtual foi implementado a partir de dados reais obtidos de unidade de processamento de gás natural situada em Guamaré-RN, a UPGN-I GMR da Petrobrás. Como variáveis secundárias, as de fácil medição, utilizou-se as temperaturas de topo e de fundo da coluna, vazão de refluxo e razão de refluxo. Os resultados, porém, não foram satisfatórios. Segundo o autor, deve-se a falta de dados que englobam todo o escopo do processo.

Neste trabalho é proposto o desenvolvimento de um soft sensor baseado em redes neurais artificiais. O objetivo é obter uma estimativa dos principais componentes que constituem o gás liquefeito de petróleo - GLP - de uma unidade de processamento de gás natural (UPGN). Diferentemente dos cromatógrafos a gás ou de uma análise laboratorial, a estimativa será de minuto a minuto, fazendo com que o sensor virtual obtido possa tornar realizável o monitoramento dos componentes do GLP em tempo real.

Normalmente, em UPGNs, é através do controle de pressões, temperaturas e vazões que controla-se a qualidade de seus produtos. A estratégia de controle indireta aplicada é devido a fatos já explanados relativos às limitações existentes nas medições laborato-riais ou de cromatógrafos. Vale ressaltar ainda que na análise laboratorial, na maioria das vezes, apenas é possível medir e avaliar a qualidade do produto que será comercia-lizado quando o mesmo já está no parque de estocagem. Caso o produto esteja fora de especificação, isso causa sua rejeição e reprocessamento.

Uma das principais atividades da indústria petrolífera é o processamento do gás na-tural. Isto deve-se ao potencial econômico do GLP, que é o principal produto final desse processamento. Nas UPGNs, recebe-se o gás in natura. Na etapa de processamento ini-cial são removidos os elementos oxidantes e a água e, logo após isso, o gás é direcionado para as colunas de destilação, onde será fracionado em produtos, dentre eles, o GLP.

(17)

Os diversos componentes que formam uma UPGN variam de acordo com a uni-dade. Neste trabalho, utiliza-se um sistema simulado, implementado no software de pro-cessos químicos HYSYS, baseado na unidade de processamento da Petrobrás UPGN-II GMR, localizada no município de Guamaré-RN. Na planta simulada, têm-se duas co-lunas de destilação: uma coluna deetanizadora em série com uma coluna debutaniza-dora. De forma resumida, a coluna deetanizadora recebe o gás natural resultante do pré-processamento e, após o processo de destilação, tem-se gás residual, formado por metano (C1), etano (C2) e propano (C3), em seu topo. No fundo desta mesma coluna, tem-se o líquido de gás natural (LGN), formado por traços de C2 e C3+, que alimenta a coluna de-butanizadora. Nesta coluna, após a destilação, obtem-se a gasolina natural como produto de fundo e, finalmente, o GLP é produto de topo.

Normalmente, o produto de maior rentabilidade econômica em uma UPGN é o GLP. De forma ideal, é formado por propano e butano (C3 e C4). Na prática, porém, há con-taminantes como o etano e o pentano (C2 e C5). O soft sensor aqui proposto tem como principal objetivo estimar as frações molares dos principais componentes que constituem o GLP, isto é, propano e butano e seus principais contaminantes, etano e pentano. A ideia é que esse sensor virtual possa fazer a função que um cromatógrafo a gás faz, gerando percentuais das composições dos componentes do GLP, só que em tempo real.

Para implementação do soft sensor deste trabalho, aplica-se a técnica de inteligên-cia artifiinteligên-cial conhecida como redes neurais artifiinteligên-ciais. De acordo com Linhares et al. (2010), são poderosas ferramentas para a identificação de dinâmicas não lineares comple-xas, como em uma UPGN. Quando aplicadas a modelagem inferencial, têm-se benefícios na sua utilização de acordo com Wang et al. (2006). No escopo deste trabalho, o principal benefício é que elas podem associar as relações dinâmicas não-lineares entre as variáveis primárias e secundárias de um processo. Devido a isso, pode-se obter, sem nenhum conhe-cimento detalhado sobre o comportamento do sistema, um modelo dinâmico do processo. Quando envolve-se um processo de alto grau de complexidade, essa característica é bas-tante relevante, uma vez que a modelagem fenomenológica implicaria em consumo de significativo de tempo e parâmetros significativos do sistema podem ser desconhecidos.

Um dos problemas de propor um sensor virtual é a escolha das variáveis secundá-rias que irão compor o sistema inferencial. Normalmente, é comum adotar medições de temperaturas nas colunas de destilação. É possível observar ainda a utilização de ou-tras variáveis, como vazão de refluxo, pressão (Ujevi´c 2011; Lima 2001; Abdalla 2008; Galinec 2008). A planta anteriormente citada como objeto de estudo dispõe de uma ins-trumentação com diversos controladores. Para este trabalho, adotou-se como as variáveis secundárias, as variáveis de processo de alguns dos controladores PID que compõe as malhas regulatórias de controle das colunas de destilação.

Um problema que deve ser levado em consideração na estratégia proposta é que um sensor virtual é um sistema de inferência que utiliza-se de medições já passadas das va-riáveis primárias do processo. Como o trabalho visa gerar estimativas dessas vava-riáveis em tempo real e, também devido ao fato de não haver disponibilidade das mesmas, já que o intervalo de medição é longo na análise laboratorial ou com cromatógrafos é necessá-rio que o soft sensor seja realimentado pelos valores que ele mesmo estima das variáveis primárias. Porém, com o passar das estimativas, um acúmulo de erros será gerado,

(18)

po-CAPÍTULO 1. INTRODUÇÃO 6

dendo até levar o sistema a um percentual de erro não aceitável para o que se propõe a fazer. Ou seja, pode inviabilizar sua utilização para estimação do GLP e, consequen-temente, para avaliar a qualidade do produto ou realizar controle. Para minimizar esse problema, propõe-se um sistema de correção do soft sensor a partir de medições periódi-cas realizadas em laboratório ou cromatógrafos. Assim, tenta-se corrigir a realimentação, diminuindo o erro acumulado uma vez que valores reais das variáveis primárias é que realimentarão os sensores virtuais em instantes periódicos.

Descrevendo o que será apresentando, no próximo capítulo introduz-se o processo si-mulado a ser utilizado no decorrer deste trabalho. Descreve-se com maiores detalhes a operação das colunas deetanizadora e debutanizadora. No Capítulo 3, descreve-se a fun-damentação teórica dos conceitos que embasam o desenvolvimento do trabalho. Por sua vez, o Capítulo 4 expõe o modelo proposto de soft sensor com as estruturas adotadas e que serão analisadas. Nele, é também descrito o sistema de correção do sensor virtual e a metodologia aplicada ao trabalho. No Capítulo 5, mostra-se as estatísticas de treina-mento e validação e indica-se o melhor soft sensor implementado. Também mostra-se os resultados do soft sensor escolhido, aplicado a planta, em tempo real, para inferência de componentes, com ou sem módulo de correção. Por último, no Capítulo 6, faz-se as considerações finais, analisando o desempenho do trabalho.

(19)

Capítulo 2

Processamento de gás natural

Neste capítulo, aprofunda-se o conhecimento no processamento de gás natural. Pri-meiramente, citam-se algumas características do gás natural e da sua indústria. Após isso, explana-se um pouco mais sobre as UPGNs e o sistema simulado utilizado por este trabalho.

2.1 Gás Natural

O gás natural é um combustível fóssil encontrado no subsolo terrestre e marítimo. Composto por uma mistura de hidrocarbonetos (átomos de carbono e hidrogênio), é ori-ginado pela decomposição de material orgânico fossilizado ao longo de muitos anos.

Sua composição depende de diversos fatores, dentre eles estão: se condicionado ao petróleo ou não, geologia do solo do reservatório de extração, matéria orgânica que o formou, condicionamento, transporte e entre outros. No geral, é composto em sua grande maioria por metano (80%-85%), com frações de etano, propano, butano, pentano e assim por diante, até frações desprezíveis de cadeias com elevado número de carbonos. Além dos hidrocarbonetos, a composição do gás natural apresenta também nitrogênio, sulfeto de hidrogênio e dióxido de carbono.

2.2 Indústria do Gás Natural

O gás natural vem sendo utilizado cada vez mais ao longo dos anos. Em 2009, a Agência Internacional de Energia (IEA) estimou a fração da utilização do gás natural como fonte de energia ao redor do mundo em 20.9% e com estimativa de aumento para 23% até 2030.

Em 2012, conforme dados do BP Statistical Review of World Energy 2012, a fração do gás natural na matriz energética mundial já atingia 24%. A secretaria de Planejamento e Desenvolvimento Energético do Ministério de Minas e Energia (MME) informou em 2015 que a porcentagem de gás natural como fonte de energia, no Brasil, se aproximava de 21,6%.

Em 2015, a ANP (Agência Nacional de Petróleo) estimou que há 0,42 trilhões de metros cúbicos de gás natural em reservas provadas no Brasil. No mesmo ano, também

(20)

CAPÍTULO 2. PROCESSAMENTO DE GÁS NATURAL 8

informou que o Brasil é o 30ono ranking mundial dos produtores de gás natural, com um produção de 22,9 bilhões de metros cúbicos.

2.3 Unidade de Processamento do Gás Natural

Nesse trabalho estuda-se um complexo de processamento de gás natural que é com-posto por um grupo de três UPGNs que se encontram na unidade de tratamento de proces-samento de fluidos (UTPF) da Petrobrás no município de Guamaré-RN. Essas unidades de tratamento recebem o gás natural e o petróleo vindos de campos de extração terrestres (onshore) e marítimos (offshore), e os transforma em produtos de mercado.

O gás natural que é recebido por uma UTPF é direcionado para uma estação de com-pressores. O gás natural formará a carga a ser processada nas UPGNs depois da sua compressão (Araújo Jr., 2007).

Em geral, em uma UPGN, primeiramente o gás natural passa por um processo no qual removem-se elementos oxidantes e água contidos. A partir desse ponto, o gás natural é di-rigido até uma coluna de destilação fracionada. Nessa coluna, o gás natural é decomposto em produtos como o gás liquefeito de petróleo que é o nosso objeto de estudo.

2.3.1 Coluna de Destilação

A destilação é um processo de separação de misturas em componentes. Na sua apli-cação, se fornece ou se retira calor do composto, uma vez que seus componentes apre-sentam temperaturas de ebulição distintas. Na indústria petroquímica, a sua aplicação é normalmente realizada em torres ou colunas de destilação fracionada: grandes estruturas cilíndricas verticais.

Muito provavelmente, as colunas de destilação representam um dos processos mais importantes e comuns na área de processos químicos (Luyben., 1990). Há grande inte-resse em realizar pesquisas relacionadas a essas colunas, mesmo com sua aplicação sendo estudada de forma exaustiva durante anos. A justificativa é que a destilação é a técnica de separação mais comumente empregada pelas indústrias químicas e petroquímicas.

A Figura 2.1, mostra o esquema da destilação fracionada. Basicamente, esses sistemas são constituídos por três partes principais: A coluna de destilação, o condensador e o refervedor. No interior da coluna, têm-se pratos perfurados, também ditos estágios.

O condensador resfria os componentes mais leves que chegam até o topo da coluna, em forma de vapor. Para esse resfriamento, o condensador usa troca de calor entre os vapores e alguma substância, normalmente água fria ou ar. Após o resfriamento, são armazenados no vaso de condensado e o líquido agora presente, origina dois fluxos: parte desse líquido, com os componentes mais leves, é subtraído do sistema como produto de topo da coluna, e a outra parte é o refluxo que volta para a coluna.

O refervedor (reboiler), também através da troca de calor, vaporiza o líquido de fundo da coluna. A partir dessa operação também têm-se dois fluxos: A parte líquida é retirada do sistema como produto de fundo da coluna, composto pelas frações mais pesadas da alimentação, e a outra parte, na forma de vapor, retorna à coluna.

(21)

Figura 2.1: Esquemático de sistema de destilação fracionada.

Os vapores originados pela vaporização causada pelo refervedor fluem de forma as-cendente no interior da coluna de destilação. Á medida que esses vapores vão avançando através dos estágios da coluna, tornam-se mais ricos em componentes leves quando en-tram em contato com o líquido em direção contrária, vindo do vaso de condensado. Logo, o refluxo vai se tornando, ao passar pelos pratos, mais rico com componentes pesados. Esse fenômenos ocorrem devido ao equilíbrio líquido-vapor (Lima et. al 2001).

A estrutura de uma UPGN varia de acordo com as características do gás natural e das metas de produção da unidade específica. Colunas como a deetanizadora, debutanizadora e depropanizadora são alguns exemplos de colunas de destilação que podem constituir uma unidade de processamento de gás natural. A unidade de processamento base para esse trabalho, a UPGN-II GMR, é formada por uma coluna deetanizadora em série com uma coluna debutanizadora, e uma coluna depropanizadora. As duas colunas de interesse desse trabalho, deetanizadora e debutanizadora, foram simuladas no software de proces-sos químicos HYSYS.

2.3.2 Coluna Deetanizadora

Na coluna deetanizadora, espera-se o gás residual e o líquido de gás natural (LGN) como produtos de topo e fundo, respectivamente. Essa coluna representa o primeiro passo da destilação do sistema simulado neste trabalho.

A Figura 2.2 mostra o diagrama esquemático da coluna deetanizadora simulada no software HYSYS que é utilizada por este trabalho. Além disso, mostra-se também os controladores PID e outros instrumentos presentes na simulação. Vale dizer que a coluna deetanizadora tem mais de um ponto de alimentação. As linhas 10, 15, 27 e 28 fornecem ao processo um gás de hidrocarbonetos variados (C1+).

Como esperado, os componentes mais leves do gás de carga, em forma de vapor estão no topo da coluna. Logo após o processo de troca de calor com o LNG-100, condensa

(22)

Figura 2.2: Esquemático da coluna de destilação deetanizadora simulada.

e é depositado no vaso de condensado V-100. O refluxo é regulado pelos controladores de vazão FIC-100 e de nível LIC-101 que formam um controlador em cascata mestre-escravo, respectivamente. O fator determinante para liberação do gás residual do vaso de condensado para comercialização, é a pressão no topo da coluna. O controlador de pressão PIC-100, de acordo com o valor medido de pressão, atua ajustando a válvula VLV-103 que delimita a quantidade de gás residual liberado.

Os componentes mais pesados do gás de carga se encontram na forma líquida no fundo da coluna. Eles são encaminhados para aquecimento no refervedor E-100, que utiliza óleo térmico para efetuar essa troca. É o controlador de vazão FIC-102 que controla a abertura da válvula VLV-101 que, por sua vez, regula a vazão do óleo térmico. Como resultado desse aquecimento, tem-se parte dos componentes, na forma de vapor, que retornam a coluna de destilação. O LGN, a outra parte dos produtos de fundo, é encaminhada a coluna debutanizadora. O nível de líquido presente no fundo da coluna deetanizadora é o que determina a vazão de LGN que flui para próximo estágio de destilação. Essa vazão pode ser ajustada pelo controladores de nível LIC-100 e de vazão FIC-101, que formam um controle em cascata, mestre-escravo, respectivamente. O LGN é composto, em sua maioria, por C3+ e C2 que não vaporizou.

2.3.3 Coluna de Debutanizadora

O sistema simulado da UPGN-II GMR dispõe de uma coluna debutanizadora no úl-timo estágio da destilação. Têm-se como produto de topo o GLP e o como produto de fundo o C5+.

A Figura 2.3 apresenta o esquemático do sistema de destilação simulado. Nota-se a presença da coluna debutanizadora, controladores PID e outros instrumentos. Obtido na

(23)

Figura 2.3: Esquemático de sistema de destilação simulado - coluna debutanizadora.

etapa anterior, o LGN alimenta a coluna. As tags estão de acordo com a planta real em Guamaré-RN.

Parte dos componentes mais pesados do LGN que estão no fundo da coluna, devem ser direcionados para o refervedor P-24011-2, que também utiliza óleo térmico para troca de calor. A vazão desse óleo é regulada pela válvula VLV-103-3, que por sua vez, tem sua abertura regulada pela temperatura interna da coluna através do controlador TIC-102-2. Desse aquecimento, obtêm-se componentes do estado de vapor, que retorna a coluna de destilação. A outra parte dos produtos de fundo, a gasolina natural, têm seu fluxo regulado pelo controlador de vazão LIC-102-2. Além de ser composta, quase em sua totalidade, por C5+, contém pequena quantidade de C4 que não foi vaporizado.

No topo da coluna, o produto é conduzido ao vaso de condensado V-24014-2. Para isso, há dois caminhos: pode passar ou não pelo condensador de ar (air cooler) P-24010. A partir do vaso de condensado, parte do GLP obtido pode ser extraído pela saída marcada como: GLP-Saída-2. O refluxo que retorna a coluna é regulado pela válvula VLV-101-3 que, por sua vez, é controlada pelo controlador de vazão FIC-101-2. Vale dizer que, caso a pressão interna do vaso de condensado aumente em demasia, a medida de segurança tomada é queimar parte do GLP no flare através da linha Gas_Saída-2.

O GLP obtido no GLP-Saída-2 é constituído principalmente por propano e butano, contendo em sua composição contaminantes como o etano e o pentano, que serão as 4 variáveis inferidas nesse trabalho. A fração molar do pentano inferido é feita sobre valores do i-pentano. Vale ressaltar também que tanto i-pentano como n-pentano, apresentam mesma dinâmica de acordo com a carga do processo. Ademais, a porcentagem do i-pentano no GLP é significativamente maior que a do n-i-pentano.

É importante dizer também que as frações molares dos contaminantes citados devem ser mantidas entre pequenas faixas da composição total do GLP. Para tornar eficiente quaisquer estratégias de controle da qualidade do GLP, é preciso obter em pequeno

(24)

inter-CAPÍTULO 2. PROCESSAMENTO DE GÁS NATURAL 12

(25)

Capítulo 3

Fundamentação Teórica

Neste capítulo, abordam-se todos os fundamentos teóricos necessários para compre-ensão e elaboração deste trabalho. Primeiramente, descrevem-se os principais conceitos de uma rede neural artificial. Após defini-la, explanam-se as propriedade que habilitam as RNAs serem frequentemente usadas em sistemas de inferência. Como neste trabalho é utilizada a rede neural chamada perceptron, também é introduzida neste capítulo.

Ademais, aborda-se a identificação dos sistemas dinâmicos. Uma vez que utilizou-se a metodologia de identificação caixa preta neste trabalho, descreve-utilizou-se utilizou-seus principais passos. É através dessa metodologia que consegue-se identificar a dinâmica do processo e, consequentemente, implementar um soft sensor capaz de inferir as frações molares dos componentes do GLP utilizando as variáveis secundárias. Assim, torna o monitoramento da qualidade do GLP em tempo real implementável. Por fim, relatam-se os modelos neurais de inferência utilizado.

3.1 Redes Neurais Artificiais

De acordo com Haykin (2001), uma rede neural artificial pode ser definida como uma estrutura maciçamente paralela, distribuída e formada em sua totalidade por unidades simples de processamento: os neurônios (Figura 3.1). Um rede neural artificial simula o comportamento do cérebro humano, isto é, a rede de neurônios em nossas mentes são capazes de aprender a partir do ambiente através de uma processo de aprendizagem e esse conhecimento é armazenado pela força de conexão entre os neurônios. Da mesma forma, assemelha-se a rede neural artificial: é capaz de adquirir conhecimento através de deter-minado processo de aprendizagem a partir do ambiente, e disponibiliza tal conhecimento adquirido para uso.

A Figura 3.1 na página 14, mostra a estrutura básica de um neurônio de uma rede neural artificial. O somatório é responsável por constituir a combinação linear das m entradas x e seus respectivos kp pesos w. A função de ativação por sua vez restringe a amplitude de saída do neurônio que é normalmente normalizada entre 0 e 1 ou -1 e 1.

(26)

CAPÍTULO 3. FUNDAMENTAÇÃO TEÓRICA 14

Figura 3.1: Estrutura básica de um neurônio de uma rede neural artificial.

Ainda de acordo com Haykin (2001), as principais propriedades de uma rede neu-ral artificial são: capacidade de geneneu-ralização, adaptabilidade, robustez, não-linearidade intrínseca, mapeamento entrada-saída. A partir dessas características, justifica-se a apli-cabilidade das redes neurais artificiais nas mais variadas aplicações e problemas. Por exemplo, cita-se: processamento de imagens, classificação de padrões, identificação de sistemas dinâmicos.

Como dito no parágrafo anterior, uma das aplicações interessantes das redes neurais artificiais é a identificação de sistemas dinâmicos. Esse tipo de aplicação é interessante, uma vez que muitos sistemas físicos reais são complexos e não lineares, como por exem-plo colunas de destilação. Modelos matemáticos que descrevam de forma eficiente dinâ-micas de tais processos são de difícil obtenção, tornando a abordagem por esses tipos de modelos não muito prática. Linhares et al., (2008) afirma que através de características como a capacidade de aproximação universal e aprendizagem, uma rede neural artificial pode representar a dinâmica de um sistema complexo de forma relativamente simples. Reforça-se, assim, o conceito de utilização de redes neurais em aplicações de comporta-mento dinâmico. Essa capacidade das redes é vital a este trabalho, já que se deseja inferir o comportamento de um sistema complexo.

Há diversas arquiteturas de redes neurais artificiais. A forma como os neurônios da rede estão estruturados é intrinsecamente ligada ao algoritmo de aprendizado utilizado no treinamento da rede. Uma vez que apresentou resultados satisfatórios em sistemas de inferências, como de Fortuna et al. (2005), a arquitetura utilizada neste trabalho será a perceptron de múltiplas camadas (PMC). Ver exemplo na Figura 3.2, página 15.

(27)

Figura 3.2: PMC interconectada de duas camadas com dois neurônios.

Uma rede PMC, também chamada de feedforward, é constituída basicamente por uma camada de entrada, uma ou mais camadas ocultas nas quais os nerônios estão interconec-tados e uma camada de saída. Nesse esquema, cada neurônio recebe o sinal da camada imediatamente anterior ou das entradas. Este tipo de rede é totalmente interconectada, ou seja, todas as entradas e neurônios de uma camada estão conectados com todos os neurônios da camada seguinte. É possível sintetizar o funcionamento de uma rede PMC matematicamente através da seguinte equação:

δi(t) = gi(ϕ, θ) = Fi "_n h

∑

i=1 Wi, jfi( nϕ

∑

l=1 w_j,lϕl+ wj,0) +Wi,0 # (3.1)

Sendo θ um vetor dos parâmetros ajustáveis: biases e pesos sinápticos (Wi, j, wj,0). nh

e nϕsão respectivamente o número de neurônios na camada oculta e o número de entradas

da rede. Por fim, tem-se fie Fique são as funções de ativação dos neurônios nas camadas

oculta e de saída, respectivamente. Comumente, as funções de ativação utilizadas são a linear, sigmóide e a tangente hiperbólica e, estão representadas abaixo, respectivamente.

f_l(x) = x (3.2) f_s(x) = 1 1 + e−x (3.3) ft(x) = tanh(x) = 1 − e−x 1 + e−x (3.4)

Não há resultados precisamente conclusivos sobre a quantidades de neurônios que de-vem ser utilizados em uma camada oculta. De acordo com Cybenko (1989), é possível aproximar qualquer que seja a função contínua por uma rede PMC com apenas uma ca-mada oculta, com neurônios de funções de ativação sigmoidais, ou tangentes hiperbólicas,

(28)

e uma camada de saída formada por neurônios com funções de ativação lineares. Porém, no seu trabalho, não é explicado quantos neurônios devem ser incluídos na única camada oculta. Não é possível concluir que é necessário apenas utilizar uma camada oculta e/ou uma mescla de tipos de funções de ativação. Quando a complexidade do mapeamento é elevada, a utilização de estruturas mais sofisticadas se adequa melhor.

3.1.1 Aprendizagem

De acordo com Haykin (2001), uma das mais importantes propriedades de uma rede neural artificial, talvez a mais importante, é sua capacidade de aprender a partir de de-terminado ambiente e consequentemente melhorar sua performance com aprendizagem. Esse aprendizado deve-se aos ajustes dos parâmetros biases e pesos sinápticos a cada ite-ração do processo de aprendizagem. Dentre os variados métodos de aprendizagem, cita-se: por reforço, competitiva, hebbiana, não-supervisionado e supervisionado. Sendo este último o utilizado neste trabalho para o processo de aprendizagem da rede implementada. O processo de aprendizagem supervisionado, ou aprendizagem com professor, é o principal método de aprendizagem aplicado à redes PMC. A principal característica desse método é quando há disponibilidade de dados do sistema ou ambiente na forma de padrões de entrada-saída. Isto é, para uma certa entrada, a saída da rede neural é comparada com a saída correspondente do conjunto de treinamento. Assim, baseados no sinal de erro e nos padrões de treinamento, os parâmetros livres da rede podem ser ajustados. Esse processo é ilustrado pela Figura 3.3 (Haykin, 2001) na página 16:

Figura 3.3: Diagrama de blocos da aprendizagem superviosionada.

Da Figura 3.3, pode-se dizer que o professor tem o conhecimento do ambiente, isto é, um conjunto de entradas e suas respectivas saídas. O bloco ’Sistema de aprendizagem’

(29)

representa a rede neural que não conhece sobre o ambiente. Caso ambos sejam submeti-dos ao um conjunto de treinamento (amostras) do ambiente, o professor sabe qual a saída, já que tem conhecimento prévio. A resposta correta vinda do professor é subtraída da resposta estimada pela rede, gerando assim um sinal de erro. Ocorre o ajuste iterativo das biases e pesos sinápticos da rede para que o erro seja mitigado e, assim, habilitando a rede aprender o conhecimento do professor e lidar com o ambiente sozinha.

As regras estabelecidas para lidar com esse problema de aprendizagem, isto é, o ajuste iterativo citado acima, é denominado algoritmo de aprendizagem ou de treinamento. Há diversos algoritmos de treinamentos de redes neurais, e a diferenciação entre eles se dá pela forma como os parâmetros adaptáveis (biases e pesos sinápticos) de uma rede são ajustados. O algoritmo que apresenta-se como o mais usual no processo de aprendizagem supervisionado de redes PMC é o de retropropagação de erros ou, do inglês, backpro-pagation. O algoritmo utilizado para treinamento da rede proposta neste trabalho é o algoritmo de retropropagação de erro.

3.1.2 Projetos de Redes Neurais

Na implementação de projetos que utilizem redes PMC para solução de problemas, é preciso seguir alguns passos básicos. A coleta de dados, a configuração dos parâmetros da rede, o treinamento, a validação e por fim aplicação/testes são os passos básicos essenciais a qualquer implementação de rede PMC.

O primeiro passo do projeto, a coleta de dados sobre o problema que se deseja solu-cionar é essencial. A partir desses dados torna-se possível o treinamento e a validação da rede. De acordo com Linhares et al., (2010), os dados da coleta devem cobrir todo o escopo do problema e, talvez, seja preciso realizar o pré-processamento desses dados, normalizando-os.

Em seguida vem a configuração dos parâmetros da rede, que pode ser resumida a escolha do número de camadas ocultas e o número de neurônios em cada uma delas, caso haja mais de uma. Essa etapa torna-se difícil uma vez que não há regras precisas e/ou definidas sobre como definir tais valores. Normalmente, essa etapa é definida de forma empírica, através de testes, tentativas e erros, prevalecendo a configuração que apresenta o melhor resultado.

Com os dados coletados e com a rede configurada, inicia-se a etapa de treinamento. Nesta etapa o algoritmo de treinamento escolhido ajustará, a cada iteração, os parâmetros adaptáveis da rede. Dessa forma, a rede obterá o conhecimento fornecido pelos dados sobre o comportamento de algo. O treinamento será interrompido quando o erro for minimizado ao valor desejado e a capacidade de generalização da rede seja satisfatória.

Por fim, a etapa de validação. Um novo conjunto de dados é coletado, preferencial-mente dados que não foram utilizados na etapa de treinamento. Esses dados serão pas-sados a redes para validar seu aprendizado e generalização. Caso os resultados obtidos a partir da rede sejam próximos o suficiente dos esperados, a rede generalizou e é capaz de fornecer uma solução para um problema proposto.

(30)

3.2 Identificação de Sistemas

Inferir o comportamento de um sistema, é representar a dinâmica do mesmo de forma satisfatória por alguma técnica. De acordo com Aguirre (2004), há várias técnicas de modelar a dinâmica de um sistema, identificando-o. Basicamente, deve-se considerar o conhecimento que se tem sobre o sistema que se deseja inferir. Assim, classificam-se a técnicas em: caixa branca, caixa preta e caixa cinza.

Se a identificação baseia-se nas leis da física que regem o sistema e um modelo mate-mático é modelado a partir dessas leis para representar a dinâmica do sistema, afirma-se que o método de identificação utilizado foi o chamado caixa branca. Caso a identificação baseie-se apenas em dados coletados do sistema e assumindo que nenhum ou pouquís-simo conhecimento sobre o sistema é usado, a técnica de modelagem é dita caixa preta. O modelo caixa cinza é definido como um híbrido entre caixa preta e branca. Nele, é feita a combinação de alguns conhecimentos sobre o sistema com o comportamento a partir dos dados (AGUIRRE, 2004).

A identificação de sistemas complexos tem sido feita por RNAs uma vez que as mes-mas conseguem representar a dinâmica do sistema de forma satisfatória e relativamente simples. Aplicar RNAs para identificação é adotar a técnica de modelagem caixa preta, já que são utilizados dados coletados do sistema para identificação.

Neste trabalho, utiliza-se a modelagem caixa preta. Coletam-se dados experimentais do sistema simulado formado pelas colunas de destilação deetanizadora e debutanizadora com o objetivo de obter um sensor virtual baseado em um modelo neural capaz de repre-sentar as dinâmicas entre as variáveis primárias e secundárias do sistema. Uma vez que a rede consegue representar essas dinâmicas de forma satisfatória, o monitoramento da qualidade da produção pode ser melhorado, atráves da identificação do sistema.

A Figura 3.4, página 19, tem-se o esquema dos passos básicos para identificação de sistema no método caixa preta:

(31)

Figura 3.4: Identificação de sistema caixa preta.

Na primeira etapa, a coleta de dados, é preciso obter um conjunto que represente de forma satisfatória o comportamento do sistema em torno do seu ponto de operação. Para que isso seja possível, é preciso gerar pertubações no sistema, isto é, variar as entradas, para analisar a influência dessas variações na saída do sistema. Os variados dados de entrada e suas respectivas saídas constituem, basicamente, o conjunto de dados que é utilizado para inferir o comportamento do sistema. Em alguns casos, para intervir no processo e coletar os dados necessários, aplicam-se sinais de entrada ricos em frequência. Os sinais PRS (Pseudo Random Signal) e PRBS (Pseudo Random Binary Signal), por mostrarem essa característica, são bastante utilizados.

Vale ressaltar alguns cuidados na etapa da coleta, uma vez que tratando-se de siste-mas, as variáveis de entrada e saída envolvidas no processo normalmente possuem gran-dezas e unidades de medidas diferentes. Em casos como esse, é preciso realizar um pré-processamento dos dados, isto é, uma normalização. Caso não seja feita, o processo de identificação pode ser errôneo, já que variáveis de maior valor podem tornar-se domi-nantes sobre as de menor valor.

É importante considerar que os dados coletados podem conter algumas amostras não consistentes se comparadas as características dinâmicas e/ou estatísticas da maioria dos dados. A detecção dessas amostras, ditas outliers, é necessária para qualquer análise preliminar dos conjuntos de dados, uma vez que podem influenciar de forma indesejável na qualidade do modelo que se deseja encontrar.

A segunda etapa dos passos básicos para identificar um sistema utilizando a metodo-logia caixa preta é a escolha da estrutura de modelagem. Há diversas estruturas e suas vantagens e desvantagens estão de forma intrínseca relacionadas ao problema. Norgaard (2001), considera que a seleção de uma estrutura de modelagem deve ser feita em duas etapas: Primeiramente deve-se selecionar um grupo ou "família"de estruturas que sejam

(32)

apropriadas para modelar o sistema proposto, por exemplo, redes PMC, em caso de sis-tema não linear. Em seguida, escolher um subgrupo do grupo selecionado anteriormente como a estrutura de modelagem.

A terceira etapa é conhecida com estimativa do modelo ou estimação. Aqui, após a seleção do estrutura de modelagem, deve-se escolher um modelo específico da estrutura selecionada de acordo com algum critério, como o EMQ - erro médio quadrático - que melhor possa simular o sistema. Quando utilizam-se modelos neurais de identificação, o processo de estimação nada mais é que a etapa de treinamento ou aprendizado. É nessa etapa que utilizam-se os conjuntos de dados obtidos na etapa inicial do processo de identificação. Com os dados experimentais e o algoritmo de treinamento, os parâmetros livres de uma rede podem ser ajustados de forma a representar a dinâmica do sistema identificado.

Por fim, depois dessa etapa de estimação ou treinamento, no caso de modelos neurais, o modelo deve ser avaliado. Essa etapa tem por objetivo avaliar se o modelo representa satisfatoriamente o sistema. Em caso positivo, está apto a ser utilizado para seu propósito, por exemplo, como sensor. Caso contrário, segue-se o fluxograma da Figura 3.4, ou seja, volta-se a etapas anteriores para melhorar o modelo.

3.2.1 Indentificação Utilizando Modelos Neurais

Sabendo-se que uma rede neural devidamente treinada pode representar de forma sa-tisfatória a relação dinâmica entre variáveis primárias e secundárias de um processo, in-ferir o comportamento de um sistema utilizando RNAs pode ser tido como um problema de identificação. A partir de sua capacidade de aprender e generalizar características não lineares de sistemas, tem-se grande vantagem em utilizar uma modelo neural para identi-ficação.

De acordo com Aguirre (2004), pode-se considerar os sistemas dinâmicos encontrados em processos práticos como não lineares. Entretanto, em alguns casos as aproximações lineares são suficientes em aplicações práticas. Em alguns situações, os modelos linea-res mostram-se insatisfatórios e modelos não linealinea-res deverão ser utilizados. Porém, a utilização de modelos não lineares implica em aumento da complexidade dos algoritmos utilizados.

Basicamente, as estruturas de modelagem com base em RNAs com características para identificar sistemas não lineares, são generalizações das que apresentam modelagem linear. São exemplos de estruturas de modelagem linear: modelo ARX (AutoRegressive eXogenous input), ARMAX (AutoRegressivo, Moving Avegare, eXogenous input), OE (Output Error). Esses modelos são caracterizados por um vetor que armazena valores passados das variáveis utilizadas na estimativa da saída. Esse vetor chama-se vetor de regressão e, de acordo com a escolha desse vetor, diferentes estruturas de modelos neurais podem ser obtidos. Por exemplo, se o vetor de regressão escolhido é equivalente ao utilizado no modelo ARX, a estrutura de modelo neural é chamada NNARX (Neural Network ARX).

Cada estrutura de modelagem neural pode ser descrita de forma sucinta de acordo com o vetor de regressão utilizado na mesma. No modelo NNARX, o vetor de regressão, além

(33)

de armazenar os valores passados das variáveis utilizadas na estimativa da saída, também guarda os valores passados das variáveis de saída do processo. De acordo com Norgaard (2001), esse modelo é estável uma vez que apresenta relações puramente algébricas entre suas variáveis. Devido a isso, a estrutura de modelagem neural escolhida como base a ser utilizada no sensor virtual aqui proposto é o modelo NNARX ilustrada na Figura 3.5 na página 21.

Figura 3.5: Estrutura de modelagem NNARX.

A Figura 3.5 apresenta o diagrama esquemático de uma estrutura de modelagem NNARX. Na estrutura, bY é a saída da rede, isto é, a estimativa da saída da planta. O termo a é o atraso de transporte da planta, n é a ordem de entrada do modelo, m é a ordem de saída do modelo, Y é a saída do sistema e u a entrada. Também é possível observar regressores. Sabendo-se que o projeto da estrutura é feito para identificar a dinâmica de um sistema físico, a utilização de regressores é intrínseca, uma vez que os mesmos fa-zem com que a saída da rede neural esteja diretamente relacionada com valores anteriores tanto de entrada como de saída do sistema.

O modelo NNARX exposto será utilizado para treinamento do soft sensor aqui pro-posto. Entretanto, como descrito acima, nas suas entradas, também estarão presentes as saídas passadas do sistema, ou seja, variáveis primárias de difícil medição. Sendo assim, o sistema de inferência não seria capaz de reduzir o tempo de medição dos cromatógra-fos, já que seriam necessárias informações das medições dos mesmos. Para contornar isso, após treinamento, utilizaremos como entrada os valores passados estimados pelo próprio modelo. Cria-se então uma realimentação a partir de saídas estimadas. Portanto, o modelo de treinamento é o modelo NNARX propriamente dito, regido pela a equação abaixo:

ˆ

y(t) = f (y(t − 1), ..., y(t − m), u(t − d), ..., u(t − d − n)) (3.5) onde ˆyé a saída estimada pela rede, f a função não-linear que representa o mapea-mento realizado pela rede, d o atraso de transporte, m a ordem das saídas e, por fim, n representa a ordem das entradas.

(34)

No momento de validação e testes do sensor virtual, a realimentação é feita pelas próprias estimativas do soft sensor, garantindo assim que não seja necessária a informação das saídas reais a todo instante. Assim, a equação que rege o sensor implementado no momento de validação ou teste está descrita abaixo:

ˆ

y(t) = f ( ˆy(t − 1), ..., ˆy(t − m), u(t − d), ..., u(t − d − n)) (3.6) onde ˆy é a saída da planta estimada pela rede, f a função não-linear que representa o mapeamento realizado pela rede, d o atraso de transporte, m a ordem das saídas e, por fim, n representa a ordem das entradas. Perceba que agora, a saída que realimenta a rede é a sua própria inferência.

(35)

Capítulo 4

Soft Sensor proposto

Incontáveis processos na indústria petroquímica e química apresentam dificuldades na mensuração de suas variáveis primárias e/ou os intervalos de medição das mesmas são consideravelmente longos. A medição de tais variáveis associa-se diretamente à qualidade do produto final. Por exemplo, em colunas de destilação, as variáveis primárias são as frações molares dos seus componentes e as mesmas são medidas através de cromatógrafos a gás ou em laboratório. Esses cromatógrafos são de difícil calibração e manutenção, além de apresentarem longo intervalo de medição. Além disso, quando um cromatógrafo de linha é utilizado para medir a composição de mais de uma linha de produção, o intervalo de medição é maior ainda. Assim, impossibilita-se que o monitoramento em tempo real da qualidade do GLP seja feito, ou até que uma estratégia eficiente de controle avançado seja aplicada. Em situações como essa, a abordagem de inferir as variáveis primárias utilizando variáveis secundárias que são de fácil medição, é válida.

No capítulo 4 apresenta-se o sensor virtual que é proposto neste trabalho. Descrevem-se os dois módulos que o compõem, são eles: o módulo RNA e o de correção. Como principal objetivo do soft sensor, tem-se a inferência, a partir de variáveis secundárias, das frações molares dos principais componentes do GLP: propano (C3) e butano (C4), assim como seus principais contaminantes: etano (C2) e pentano (C5), em uma UPGN simulada. Para tal, utiliza-se uma técnica de inteligência artificial: as redes neurais PMC (MLP - Multi-layer Perceptron). Projeta-se o sistema para gerar estimativas das variáveis primárias minuto a minuto. A ideia é que o soft sensor seja capaz de operar de forma satisfatória até que as informações vindas dos cromatógrafos estejam disponíveis para realização da correção pelo módulo de correção. Assim, corrigem-se os valores inferidos pelo sistema, minimizando o erro que foi acumulado durante as estimativas sucessivas.

4.1 Módulo RNA

O módulo RNA é, sem dúvidas, a parte central deste trabalho. Nesse módulo, faz-se a implementação da rede neural artificial que mapeará a relação entre variáveis secundárias e primárias. Para que isso seja possível, a escolha das variáveis que irão compor a saída e a entrada da rede é intrínseca à obtenção de um sensor virtual satisfatório. Além disso, faz-se necessária também a definição adequada da estrutura do modelo neural para infe-rência. Portanto, esse módulo é o cerne do soft sensor, uma vez que o mesmo habilitará

(36)

CAPÍTULO 4. SOFT SENSOR PROPOSTO 24

a estimação das frações molares dos componentes do GLP a partir das variáveis de fácil medição.

4.1.1 Saídas

A inferência de variáveis primárias de difícil medição a partir de variáveis secundárias de fácil medição para monitoramento da qualidade do produto e sua melhoria é o sistema proposto por este trabalho. Por isso, adota-se a fração molar dos principais componentes GLP como variáveis primárias, uma vez que a medição das mesmas através de cromató-grafos a gás é lenta. Sendo assim, as saídas do modelo neural proposto são ilustradas na Tabela 4.1:

Tabela 4.1: Variáveis primárias do processo.

p Variável Primária (V P_i)

1 Fração Molar do Propano (C3) 2 Fração Molar do Butano (C4) 3 Fração Molar do Etano (C2) 4 Fração Molar do Pentano (C5)

4.1.2 Entradas

A seleção das entradas, ou variáveis secundárias, é importante uma vez que a quan-tidade dessas variáveis influencia no grau de qualidade e na complexidade do sistema de inferência. De acordo com Linhares (2010), em sistemas de coluna de destilação, comu-mente, variáveis secundárias são as temperaturas dos diferentes pratos perfurados, vazão de refluxo, pressão de coluna e temperatura do refervedor e condensador.

No sistema simulado, têm-se limitações quanto a instrumentação como por exemplo: apresenta poucos sensores de temperatura. Como a simulação busca manter característi-cas reais da planta UPGN-II GMR, apenas levam-se em consideração os valores de tem-peratura que podem ser obtidos através de sensores físicos reais. A motivação é que deve ser proposto um sensor virtual eficiente sem que haja necessidade de instalar novos instru-mentos na planta. Sendo assim, deve-se levar em consideração que variáveis secundárias podem ser estimadas a partir de sensores reais na planta. Analisando-se a instrumentação empregada nas colunas deetanizadora e debutanizadora descritas e ilustradas no Capítulo 2, as possíveis variáveis secundárias estão limitadas às variáveis de processo dos contro-ladores do processo simulado. A Tabela 4.2, ilustra essas variáveis e seus respectivos controladores:

Observa-se que nem todos os controladores PID presentes no sistema simulado des-crito no Capítulo 2 tiveram suas variáveis de processo listadas na Tabela 4.2. A explicação para esse fato é que uma das estratégias de controle aplicadas à planta é a cascata, tendo controlador PID mestre e um escravo. Como são correlacionados, apenas um deles foi escolhido. Na coluna deetanizadora, na qual essa estratégia de controle se faz presente,

(37)

Tabela 4.2: Variáveis secundárias do processo.

p Variável Secundária (V Sp) Controlador Coluna de Destilação

1 Temperatura do estágio 40 TIC-100 Deetanizadora 2 Volume de Condensado LIC-101 Deetanizadora 3 Pressão de topo PIC-100 Deetanizadora 4 Vazão de LGN FIC-101 Deetanizadora 5 Temperatura do estágio 16 TIC-102-2 Debutanizadora 6 Vazão de Refluxo FIC-101-2 Debutanizadora 7 Volume Líquido estágio 28 LIC-102-2 Debutanizadora 8 Nível de Condensado LIC-100-2 Debutanizadora

tem-se: LIC-100 (mestre) e FIC-101 (escravo) e TIC-100 (mestre) e FIC-102(escravo). No primeiro, apesar da predominância da dinâmica do controlador LIC-100, selecinou-se a variável de processo do controlador FIC-101 que é a vazão de LGN, uma vez que esta variável é de grande importância na inferência das variáveis primárias da coluna debu-tanizadora, já que alimenta-a. No segundo controle cascata, a dinâmica predominante é a do TIC-100, por isso optou-se pela sua PV, a temperatura do estágio 40 da coluna deetanizadora.

As 8 variáveis secundárias listadas na Tabela 4.2 serão utilizadas como entrada no modelo neural. Vale lembrar que as saídas descritas na seção anterior, também compõem o vetor de regressão da entrada do modelo.

4.1.3 Estrutra do modelo

Mapear as relações dinâmicas entre variáveis primárias e variáveis secundárias do processo em estudo é o objetivo da rede neural para construção do sensor virtual proposto. Para que isso seja alcançado, é preciso escolher uma estrutura adequada para o modelo. A arquitetura a ser utilizada é a perceptron de múltiplas camadas. A estrutura de modelagem utilizada é a NNARX. Isto significa que a rede será realimentada pelos valores de saída da planta durante o treinamento. Para a validação a posteriori e testes da rede neural do sistema, realimenta-se o modelo com suas próprias estimativas dos valores das frações molares do C3, C4, C2 e C5.

(38)

Figura 4.1: Diagrama esquemático da estrutura NNARX proposta.

A Figura 4.1, ilustra o modelo RNA adotado para treinamento. O vetor u representa cada uma das variáveis secundárias, utilizadas nesse trabalho, seguidas de seus respec-tivos valores atrasados. C3, C4, C2, e C5 representam o vetor de regressão constituído pelas variáveis primárias. São valores coletados do próprio sistema simulado. Já cC3, cC4, c

C2 e cC5 são as variáveis primárias inferidas no treinamento da rede. O termo n junto a um índice de acordo com a respectiva variável secundária representa a ordem do vetor de regressão. Da mesma forma, o termo m é a ordem de regressão do vetor constituí-dos pelas variáveis primárias que alimentam o modelo. O termo d é o atraso de cada uma das realimentações. Lembrando que o esquemático da estrutura NNARX é utilizado para treinamento do modelo. Para validações a posteriori e testes, utiliza-se as próprias estimativas da rede, como dito anteriormente.

4.2 Módulo de Correção

Com o passar do tempo, existe a possibilidade das estimativas obtidas pelo soft sensor divergirem acentuadamente dos valores esperados, isto é, os da simulação. Isso se deve ao acúmulo do erro propagado a cada nova estimativa, já que variáveis primárias estimadas são utilizadas como entrada, realimentando o sensor virtual com seus valores passados. Por essa razão, é proposto também um módulo de correção do sistema com o objetivo de tratar o problema descrito acima.