ANÁLISE TRANSIENTE E ESTIMATIVA DE VARIÁVEIS CRÍTICAS EM UMA COLUNA INDUSTRIAL DE ALTA PUREZA UTILIZANDO REDES NEURAIS ARTIFICIAIS

Transcrição

1 ANÁLISE TRANSIENTE E ESTIMATIVA DE VARIÁVEIS CRÍTICAS EM UMA COLUNA INDUSTRIAL DE ALTA PUREZA UTILIZANDO REDES NEURAIS ARTIFICIAIS Aroston Araújo de Moras Júnor Jéssca Olvera de Brto Lra aaj@ct.ufpb.br jesscalra3@hotal.co Unversdade Federal da Paraíba, Centro Tecnologa, Capus Unverstáro I, , João Pessoa, Paraíba, Brasl Roldo Perera Brto brto.roldo@outlook.co Unversdade Federal de Capna Grande Av. Aprígo Veloso, 88, , Paraíba, Capna Grande, Brasl Abstract. Colunas de destlação de alta pureza apresenta dversas característcas nerentes, dentre as quas se destaca as não lneardades, o longo tepo de resposta e a presença de dstúrbos não dretaente ensuráves. Para superar essas e outras dfculdades, nesse trabalho é proposta u estudo ssteátco sobre o coportaento transente de ua coluna de destlação ndustral de alta pureza (processo do,-dcloroetano), propondo elhoras desde a construção do odelo ateátco e terodnâco, valdação (sulação) e estudo sobre os efetos das prncpas varáves do processo. Esse estudo é a base para construção de odelos de nferênca, sensores vrtuas baseados e redes neuras artfcas (RNA), para estatva dos teores de copostos consderados crítcos no processo, concentrações do Tetracloreto de Carbono (CCl 4 ) e Clorofóro (CHCl 3 ), abos na corrente de base da coluna. Nesse conteto é utlzado u algorto de seleção de varáves, baseado e estatístca ultvarável, através de regressão lnear últpla (MLR) e análse de coponentes prncpas (PCA). Os resultados obtdos nos traze dversas conclusões, tanto do ponto de vsta do controle e colunas de alta purezas quanto da seleção de varáves (regressores), alé das avalações sobre as estatvas do odelo de nferênca gerado pelas redes neuras artfcas. CILAMCE 06 Proceedngs of the XXXVII Iberan Latn-Aercan Congress on Coputatonal Methods n Engneerng Suzana Morera Ávla (Edtor), ABMEC, Brasíla, DF, Brazl, Noveber 6-9, 06

2 Análse transente e estatva de varáves crítcas e ua coluna ndustral de alta pureza utlzando redes neuras artfcas Keywords: Coluna de destlação, Copostos crítcos, Alta pureza, Rede neuras artfcas. INTRODUÇÃO E processos de destlação, be coo e dversos outros processos quícos, as ndustras odfca e elhora suas tecnologas quando são requerdas e auentar sua produção, condções efetvas de segurança, seus índces de efcênca e a qualdade fnal do produto. Nesse conteto, a portânca de u acopanhaento para u grande conjunto de varáves crítcas de processos utlzando dspostvos de edção adequados é evdente. Co esse e outros objetvos são efetuadas edções de varáves físcas, garantdas de anera satsfatóra co o uso de núeros sensores físcos, coo eeplos, destaca-se os terôetros e teropares na edção de teperatura, o tubo de Bourdon na letura de pressão, a placa de orfíco e rotâetros para edção de vazão, sensores de pressão dferencas e flutuantes para edção nível, dentre outros. Por outro lado, quando se deseja edr e tepo real varáves quícas e boquícas não faclente ensuráves, tas coo teor ou coposção de produtos, boassa e ph, então surge o problea de coo fazer tas edções. Segundo Fortuna et al. (007), para resolver essa e outras dfculdades fo que surgra então o soft sensor, tabé conhecdo coo Sensor Vrtual (SV) ou Modelo Inferencal (MI). A gaa de tarefas a sere cuprdas pelos sensores vrtuas é apla, onde a sua área orgnal de aplcação e, anda, a as donante é, co certeza, a predção de varáves de processos, que pode ser deternadas a u bao tepo/período de aostrage ou soente através de análses off-lne. Nestes casos, o SV pode ser ua boa alternatva e relação às edções tradconas, desde que as varáves de entradas (secundáras) possa ser fornecdas/eddas se probleas e quando a sulação é utlzada para gerar os dados à construção do sensor, geralente pleentada e u software, seja capaz de fornecer a varável desejada de fora precsa. U dos produtos de aor valor agregado da cadea produtva do Polcloreto de Vnla (PVC) é o, Dcloroetano (,-DCE), atéra-pra básca para a produção do Monocloreto de Vnla (MVC). O,-DCE para ser convertdo no MVC, através do craqueaento térco, deve estar seco e lvre de purezas e, por sso, passa por u processo de destlação co o ntut de reover as purezas. Contrbuções co a análse transente e a estatva dessas purezas, produtos de base no processo de destlação do,-dcloroetano, se ostra adequadas para construção de ua etodologa de desenvolvento de sensores vrtuas, haja vsta que os valores das concentrações essas varáves (purezas) são altaente crítcos no processo e obtdos apenas por edções off-lne (análses de laboratóro). As Redes Neuras Artfcas (RNA), nserdas na área de ssteas ntelgentes ou ntelgênca artfcal, são bastante atraentes para construção de sensores vrtuas, haja vsta que sepre que se deseja odelar processos copleos, se a necessdade do conhecento fenoenológco do processo, co grandes conjuntos de dados de entrada-saída e para substtur odelos que são deasadaente coplcados para resolver e tepo real, ela deostra ter dversas habldades (Haykn, 00). O presente trabalho te coo objetvo desenvolver ua etodologa de construção de sensores vrtuas para o processo de destlação do,-dcloetano (,-DCE). As dfculdades de estatvas e tepo real e controle das purezas de base, que são as coposções do CILAMCE 06 Proceedngs of the XXXVII Iberan Latn-Aercan Congress on Coputatonal Methods n Engneerng Suzana Morera Ávla (Edtor), ABMEC, Brasíla, DF, Brazl, Noveber 6-9, 06

3 A. A. Moras Jr, J. O. B. Lra, T. C. L. Olvera, R. P. Brto, tetracloreto de carbono, CCl 4, (antdo e torno de 3000 pp) e do clorofóro, CHCl 3, (antdo abao de 400 pp), otvara e o tornara o processo coo estudo de caso nesse trabalho. Raríssos trabalhos, durante o desenvolvento desse artgo, fora encontrados sobre qual crtéro deve ser utlzado na seleção de varáves para copor as entradas de u sensor vrtual soft sensor e colunas de alta pureza, se realente as teperaturas e pressões co baas varações deve ser ncluídas no odelo de nferênca e, prncpalente, não fo encontrado nenhu trabalho que tnha coo objetvo estar copostos contanantes (dluídos) e processos de alta pureza. Alé dsso, a aora dos trabalhos encontrados na lteratura fora aplcados e processos bnáros, co ltações terodnâcas enores do que e processos ultcoponentes.. Sensores Vrtuas (Soft Sensors) O desenvolvento acelerado de étodos odernos e aspectos de ontoraento e no controle autoátco de processos proporcona dversos benefícos às plantas ndustras. Novos desafos estão constanteente focados no desenvolvento da teora de controle, étodos de dentfcação, atuadores odernos, sensores ntelgentes e na possbldade de se aplcar étodos avançados. Ao eso tepo, espera-se que as plantas ndustras apresente aor efcênca e obedeça as les que estabelece ltes fres de qualdade dos produtos e de essões de poluentes. Coo resultado, u núero aor de varáves de processos necessta ser supervsonada co nstruentos de edções adequados. Entretanto, quando se deseja edr varáves quícas e boquícas, não faclente ensuráves, tas coo coposção de produtos, boassa, ph, dentre outras, a dsponbldade desses sensores específcos co edções e tepo real é uto escassa ou até nestente. Outro problea está assocado à prevsão de falhas e edções efetuadas por sensores físcos coo, por eeplo, de teperatura, pressão, vazão e nível, seja pela sua quebra ou retrada teporára para anutenção e calbração (Zaprogna et al.; 005) Segundo Fortuna et al. (007), para resolver essas e outras dfculdades fo então que surgu a tecnologa dos Soft Sensors, neste trabalho será utlzada a noenclatura de Sensor Vrtual (SV). Concetualente u sensor vrtual é u odelo ateátco, pleentado e software, utlzado para estar varáves de nteresse e função de varáves de entrada, dtas secundáras, de fácl edção, esta alternatva surge de ua dfculdade operaconal ou do alto custo na obtenção da varável desejada (Moras JR, 0). As característcas requerdas para os dados a sere utlzados na geração da nferênca confunde-se co a natureza e as característcas deste odelo ou algorto, e tabé das varáves ntegrantes do eso. A coleta dos dados dessas varáves secundáras é a ua das fases as portantes na obtenção da nferênca, pos se os dados fore runs, os sensores vrtuas tabé serão runs. Nesse trabalho os dados obtdos para construção do sensor vrtual são provenentes da odelage ateátca e sulação nos reges estaconáro e dnâco do processo, sendo o processo ajustado e valdado co dados reas de ua planta de ua ndústra petroquíca. Quando a sulação do odelo do processo é utlzada para geração dos dados do sensor vrtual, cujas entradas para este odelo são outras varáves de controle eddas, saídas da planta e dstúrbos ensuráves, ua confguração representatva é ostrada de acordo co a Fgura. CILAMCE 06 Proceedngs of the XXXVII Iberan Latn-Aercan Congress on Coputatonal Methods n Engneerng Suzana Morera Ávla (Edtor), ABMEC, Brasíla, DF, Brazl, Noveber 6-9, 06

4 Análse transente e estatva de varáves crítcas e ua coluna ndustral de alta pureza utlzando redes neuras artfcas Fgura. Sensor vrtual co entradas fornecdas por u odelo ateátco do processo. Fo ncluído no trabalho u estudo sobre seleção de varáves co técncas de análse estatístca ultvarável, haja vsta que a seleção de varáves a sere efetvaente utlzadas no odelo não pode ser feta apenas baseada e aspectos teórcos.. Objeto de Estudo (Processo de purfcação do,-dce) A conversão do,-dce para produção do Monôero Cloreto de Vnla (MVC) através do craqueaento térco, ege que o,-edc deva estar seco (teor água enor que 0 pp), a f de evtar a corrosão ecessva dos equpaentos. Alé dsso, essa corrente dever ua alta pureza, tpcaente aor que 99,5 % (peso/peso), haja vsta que o processo de craqueaento é altaente suscetível à nbção e deposção por traços de purezas. Segundo MCpherson et al. (979), a presença de contanantes nesse processo pode acarretar dversos efetos, dentre os quas se destaca: A reação pode ser nbda parcalente, proporconando ua redução da conversão e nstabldade do processo à jusante; Acelera a foração de coque sobre as paredes do tubo das fornalhas de craqueaento, o que causa a parada preatura do equpaento para a reoção do coque por odação. No processo e estudo, a purfcação do,-edc é realzada e u conjunto de três torres de destlação, confore fluograa da Fgura 3, co o objetvo de reover água e copostos orgâncos (ou Orgâncos Clorados - OC) de alto e bao ponto de ebulção e relação ao,-edc. A alentação da torre (tabé chaada de coluna de secage), da sequênca de três torres, é coposta por 98 a 99% de,-edc saturado e água (H O), alé de outras substâncas orgâncas cloradas. Apesar de ser enos volátl do que os copostos orgâncos clorados consderados, a H O sa pelo topo da coluna de secage devdo à nversão da volatldade relatva, prncpalente, na regão aca da prera alentação da coluna (F ). A corrente de base da coluna de secage, torre, segue para a torre (coluna de destlação propraente dta), a qual tabé é alentada pela corrente de base de outra coluna de destlação orunda da recuperação do,-dce do craqueaento e pela corrente de topo da torre 3 (coluna a vácuo). A torre 3 te coo objetvo produzr ua corrente de topo senta de coponentes pesados para alentar as fornalhas de craqueaento. CILAMCE 06 Proceedngs of the XXXVII Iberan Latn-Aercan Congress on Coputatonal Methods n Engneerng Suzana Morera Ávla (Edtor), ABMEC, Brasíla, DF, Brazl, Noveber 6-9, 06

5 A. A. Moras Jr, J. O. B. Lra, T. C. L. Olvera, R. P. Brto, Fgura 3. Fluograa esqueátco do processo de purfcação do,-edc. Devdo ao seu efeto catalítco no processo de craqueaento, a presença do Tetracloreto de Carbono (CCl 4 ) nua deternada concentração, quando be controlada, é desejável. Já a presença de CHCl 3 não é desejável, haja vsta que o eso é u prootor de coqueaento (coque). Este coponente é ndesejável e concentrações aores que 400 pp na base da Torre, se enconar que a aor parte da coposção do produto de topo da esa coluna é coposta por esse coponente. Vale salentar que todo CHCl 3 e CCl 4 que alenta a Torre sae na corrente de topo, de odo que a defnção quanto á quantdades desses coponentes deve ser toada antes da Torre, ou seja, na base da torre. Logo, u controle óto e ua estatva e tepo real das concentrações desses coponentes na saída da torre trará dversos benefícos ao processo, haja vsta que atualente técncas tradconas de edção coo croatografa gasosa e analsador e lnha não atende de fora satsfatóra ao objetvo de estar e controlar e tepo real a coposção dessas varáves. FUNDAMENTAÇÃO TEÓRICA. Modelage Mateátca de Processos de Separação por Estágos Ua vez que o odelo fenoenológco do processo é ajustado para o objetvo e questão, construção do sensor vrtual, seus resultados tende a ser confáves eso quando se faz etrapolações. Aqu são apresentadas as prncpas equações do odelo ateátco e terodnâco, utlzadas para as sulações do rege estaconáro e dnâco da coluna de destlação do processo de purfcação do,-dcloroetano; onde o cálculo precso de ua coluna de destlação ultcoponente requer a deternação rgorosa da teperatura, das vazões, coposções das correntes e da taa de transferênca de calor e cada estágo. Esta deternação é alcançada através da resolução do balanço ateral, do balanço de energa e das relações de equlíbro para cada estágo. CILAMCE 06 Proceedngs of the XXXVII Iberan Latn-Aercan Congress on Coputatonal Methods n Engneerng Suzana Morera Ávla (Edtor), ABMEC, Brasíla, DF, Brazl, Noveber 6-9, 06

6 Análse transente e estatva de varáves crítcas e ua coluna ndustral de alta pureza utlzando redes neuras artfcas Consderando ua coluna de destlação co N estágos, enuerados de ca para bao, o esquea representatvo de u prato j é ostrado confore a Fgura. A alentação entrando no estágo j pode ser u líqudo, u vapor ou ua stura de líqudo e vapor. O snal da carga térca Q será negatvo se o calor estver sendo retrado do prato e postvo caso contráro. Nesse odelo ateátco entra no estágo ua alentação co ua ou duas fases de fluo olar, co coposção global de u coponente, teperatura, pressão, e entalpa olar global. Assue-se que a pressão da alentação é gual ou aor do que a pressão do estágo. A dferença de pressão pode ser reduzda à zero através de ua válvula F. a) b) Fgura. a) Representação de u estágo de equlíbro e estado estaconáro. b) Esquea e cascata de separação por estágos. Calor é transferdo a ua taa Q, para sular no estágo nterresfradores, nteraquecedores, condensadores e refervedores. Assocado a cada estágo teórco teos a segunte relação de equações epressas e teros do conjunto de varáves da Fgura 3. Estas equações são conhecdas coo equações MESH e são: M Balanço ateral para cada coponente, C equações para cada estágo, Equação (): E Equações de Equlíbro, C equações para cada estágo, Equação (): () Onde é a razão das constantes de equlíbro de fases. S Soatóro das frações olares dos coponentes, fase vapor e líquda, respectvaente, ua para cada estágo, dada pelas Equações (3) e (4): () (3) (4) CILAMCE 06 Proceedngs of the XXXVII Iberan Latn-Aercan Congress on Coputatonal Methods n Engneerng Suzana Morera Ávla (Edtor), ABMEC, Brasíla, DF, Brazl, Noveber 6-9, 06

7 A. A. Moras Jr, J. O. B. Lra, T. C. L. Olvera, R. P. Brto, H Balanço de Energa para cada estágo (dado pela Equação (5)): As energas cnétcas e potencas são desprezadas. Ua equação de balanço ateral geral pode ser usada no lugar das Equações (3) e (4),, soando co a Equação () para todos os coponentes e estágos aca do através de j, te-se então a Equação (6): E geral,, e. Se estas relações não são contadas coo equações e estas três propredades não são contadas coo varáves, cada estágo de equlíbro é defndo uncaente por C + 3, C = Copostos, equações MESH. Na resolução estaconára do odelo o tero de acúulo das Equações (), () e (6) são gualdas a zero, resultando e u conjunto de equações algébrcas não lneares. Ass, os suladores necessta de ua técnca teratva para encontrar o valor da varável dependente co o objetvo de satsfazer o valor desejado para a varável especfcada. O sulador Aspen Plus TM, aqu epregado, utlza a técnca nsde-out para proover essa convergênca das Equações MESH. Ao sere consderados os teros de acúulos de assa e energa e cada prato nas equações MESH, teos então o odelo dnâco de estágo de equlíbro da coluna de destlação ultcoponente. O étodo de ntegração utlzado para solução nuérca no sulador Aspen Dynacs TM é o de Euler plícto co passo varável, o qual cobna a vantage de velocdade convergênca desse étodo co a robustez de ntegradores de passos varáves.. Redes Neuras Artfcas para Estatva de Varáves e Processsos Quícos Mutas das técncas, para a construção de sensores vrtuas, estão aplaente dsponíves e a seleção de étodos adequados é dependente do coportaento dnâco do processo específco e adequação prátca ao odelo de aplcação. Esses odelos pode ser forulados pelas teoras das equações dos prncípos de conservações, chaadas de odelage caa branca (whte-bo) ou de preros prncípos (FPM), pelas abordagens epírcas através de dentfcação caa preta (odelos black-bo), ou anda, utlzando os odelos por analoga caa cnza (green-bo). As dversas característcas postvas quando se utlza Redes Neuras Artfcas (RNA) e processos não lneares, por eeplo, a adaptação por eperênca, a capacdade de aprendzado, a habldade de generalzação, organzação dos dados, tolerânca a falhas, arazenaento dstrbuído, dentre outras; otvara o eprego dessa técnca nesse trabalho. Ua rede neural artfcal consste e u conjunto de neurônos artfcas nterlgados por coneões snáptcas, ela está nserda dentro de ua área conhecda coo ssteas ntelgentes (coneonstas) ou ntelgênca coputaconal (Helblau, 008). Dversos tpos de função de atvação, dferencáves e não dferencáves, são testadas neo estudo, que te coo prncpal objetvo ltar a saída do neurôno dentro de u ntervalo de valores razoáves a sere assudos pela sua própra age funconal. CILAMCE 06 Proceedngs of the XXXVII Iberan Latn-Aercan Congress on Coputatonal Methods n Engneerng Suzana Morera Ávla (Edtor), ABMEC, Brasíla, DF, Brazl, Noveber 6-9, 06 (5) (6)

8 Análse transente e estatva de varáves crítcas e ua coluna ndustral de alta pureza utlzando redes neuras artfcas As arquteturas de RNA alentadas adante co últplas caadas (Multlayer Feedforward Networks) são aplcadas nesse trabalho na estatva de concentrações; Elas são couente chaadas de MLP ou MPC (Multlayer Perceptron) são as as dfunddas na lteratura, prncpalente para o objetvo de nferênca de varáves, sua arqutetura pode ser vsta na Fgura 3. Fgura 3. Rede MLP ultcaadas. As prncpas característcas das RNA fora defndas e avaladas para construção dos sensores vrtuas, estatva das concentrações das purezas na base da torre. Esses aspectos vão desde a arqutetura de rede, funções de atvação, processo de aprendzage, algorto de trenaento e defnção dos crtéros de parada durante o trenaento e sulação da RNA. Esses fatores são de sua portânca para o desenvolvento do trabalho, haja vsta que o não conhecento desses aspectos acarreta e dversos probleas, tanto no aspecto do conhecento prátco da dentfcação quanto na possbldade de elhora dos resultados. Durante o processo de aprendzage da rede de últplas caadas costua-se dvdr os dados dsponíves e dos conjuntos: u conjunto de trenaento, co u total de 60 a 90% dos dados, e u conjunto para teste, que conté u total de 0 a 40% dos dados, outros percentuas são denonados para esses fns. Neste trabalho, os dados fora dvddos e 3 (três) conjuntos: u conjunto de dados de trenaento, co u total de 70% dos dados, u conjunto para teste e outro para valdação, cada u contendo u total de 5% dos dados. Outros percentuas fora avalados para tas fns. Alguns algortos para o trenaento de ua rede feedforward ultcaada estão dsponíves na lteratura; Entre os étodos deternístcos se destaca: o do gradente descendente co e se oentu, quase-newton (que nclu o étodo de Levenberg- Marquardt) e do gradente conjugado. Todos esses algortos utlza, para o cálculo das dervadas parcas das varáves de saída e função dos parâetros de ajuste (pesos snáptcos), o algorto de retropropagação do erro (do nglês error back-propagaton ) (Haykn, 00). Ua das dfculdades ao utlzar redes neuras consste e dentfcar o elhor ponto de parada de trenaento, pos o erro de trenaento nca coo u alto valor decrescendo rapdaente, e contnua dnundo lentaente, tendendo a atngr u íno local na superfíce de erro (Haykn, 00). Aqu é utlzado o crtéro de por valdação cruzada, onde o trenaento é nterropdo a cada C cclos e é realzada ua estatva do erro da rede co base no conjunto de dados de teste. A partr do oento e que o erro eddo no conjunto de teste apresentar crescento, o trenaento é encerrado. O que se deseja co esta técnca é descobrr o oento eato e que a rede coeça a perder generalzação. CILAMCE 06 Proceedngs of the XXXVII Iberan Latn-Aercan Congress on Coputatonal Methods n Engneerng Suzana Morera Ávla (Edtor), ABMEC, Brasíla, DF, Brazl, Noveber 6-9, 06

9 A. A. Moras Jr, J. O. B. Lra, T. C. L. Olvera, R. P. Brto,.3 Técncas de Pré-Processaento de Dados e Seleção de Varáves U dos grandes desafos à construção de odelos de nferênca, coo é o caso do sensor vrtual neural (SVN), é a correlação entre as varáves de entrada e saída. Na prátca, a retrada de alguas varáves forando odelos enores é ua abordage popular, entretanto, sso dnu o desepenho de prevsão do odelo. Por outro lado, nclur todas as varáves e u odelo auentará sua copledade, coo consequênca ocorrera probleas de sobreajuste (Pang, 005). Fo ncluído no trabalho u estudo sobre seleção de varáves co técncas de análse estatístca ultvarável, haja vsta que a seleção de varáves a sere efetvaente utlzadas no odelo não pode ser feta apenas baseada e aspectos teórcos. A nfluênca de certas varáves pode ser apenas parcalente ndependente de outras, ou pode varar co a regão operaconal do processo, então para se obter o grupo de varáves ndependentes (entradas) que rão copor o odelo, elnando nfluêncas abíguas, aqu serão utlzadas técncas de estatístca ultvarada, co auílo de predção por eo de regressão lnear últplas (MLR) e da Análse de Coponentes Prncpas (PCA), onde fora desenvolvdas as rotnas e códgo Matlab. Os seguntes étodos estatístcos de seleção de varáves pode ser utlzados: todas as Regressões Possíves (All Possble Regressons), Adção sequencal (do Inglês Forward Selecton (FS)), Seleção por Elnação (do Inglês Backward Elnaton (BE)), Regressão Por Etapas (do Inglês Stepwse Regresson (SR)) e a Regressão por Etapas nas Predções do Modelo (do Inglês Stepwse Regresson on Model Predctons, (SRMP)). Algorto da Seleção de Entradas através da Regressão por etapas. O prero étodo proposto para seleção de regressores é co base e ua análse de u odelo de regressão ultvarável, co o ntuto de dreconar u deternado conjunto de dados co u deternado núero de varáves. E tal stuação estaos nteressados e fltrar as varáves canddatas para obter, por eeplo, u odelo de regressão que contenha o elhor subconjunto de varáves para copor as entradas fnas do sensor vrtual. Obvaente, que a eperênca préva do processo e as consderações teórcas do odelo ateátco nos aulara quas são essas varáves canddatas. Vaos supor u odelo de últplas entradas e únca saída (MISO), onde esta K varáves canddatas,,,..., k, e ua únca varável a ser nferda y. Todos os odelos deve nclur o tero de nterseção 0, de tal anera que o odelo co todas as varáves ncluídas tenha K+ teros. Alé dsso, segundo Montgoery e Runger (04), a fora funconal de cada varável canddata, por eeplo, = /, =ln(), dentre outras, é consderada correta. A construção do algorto se tornar novadora no sentdo de que ao se ajustar o odelo e ua MLR, é possível utlzar qualquer u dos étodos estatístcos aqu ctados e os resultados pode ser avalados por u ou as crtéro de desepenho. Esse algorto fo pleentado no software Matlab e suas prncpas etapas são descrtas no algorto narratvo epresso abao:. Entre co o Núero de eleentos da aostra (N) e co o núero de varáves (NV);. Defna o tpo de técnca de seleção de varáves (TRP, FS, BE e SR), aqu fo utlzada a etodologa da TRP. A defnção de qual procedento será utlzado é portante porque váras atrzes X serão foradas, dependendo das cobnações das varáves. Por eeplo, se tveros 0 varáves canddatas, serão foradas 04 atrzes de entradas que darão orge a 04 odelos de regressão a sere avalados; CILAMCE 06 Proceedngs of the XXXVII Iberan Latn-Aercan Congress on Coputatonal Methods n Engneerng Suzana Morera Ávla (Edtor), ABMEC, Brasíla, DF, Brazl, Noveber 6-9, 06

10 Análse transente e estatva de varáves crítcas e ua coluna ndustral de alta pureza utlzando redes neuras artfcas CILAMCE 06 Proceedngs of the XXXVII Iberan Latn-Aercan Congress on Coputatonal Methods n Engneerng Suzana Morera Ávla (Edtor), ABMEC, Brasíla, DF, Brazl, Noveber 6-9, Entrada dos valores das atrzes X e Y (Equação (7)): (7) 4. Calcular o produto entre as atrzes X T X (Equação (8)): (8) 5. Obter a atrz nversa (X T X) - ; 6. Efetuar a ultplcação X T Y (Equação (9)): (9) 7. Encontrar os N coefcentes da regressão lnear últpla N (Equação (0)): (0) 8. Obter os valores fornecdos pelo odelo de regressão lnear últpla, MLR, (Equação ()): () 9. Verfcar através de u índce de desepenho, qual o elhor ou os elhores odelos de nferênca. O crtéro utlzado aqu é função da soa quadrátca do erro, SQE, coo edda do desvo dos dados orgnas (y ) e os fornecdos pelo odelo ( ŷ ), dado pela Equação (); que é o erro édo quadrátco ou éda quadrátca do erro (MQE), para p varáves contdas no odelo e n núero de aostras testadas, fornecdo pela Equação (3). () (3) Vale ressaltar que alé desse algorto para seleção de varáves, tabé fo utlzada a técnca de Análse Coponentes Prncpas (PCA), descrta na próa sessão. Sendo ass, a PCA é epregada nesse trabalho co os objetvos de: ser ua alternatva útl à análse de N 3N 3 3 N N X 3 y y y y Y N N N N N N N T X X T N T y y y y Y X T N 0 T - T Y.X X) (X,, para ; ŷ N N 0 N ) ˆ ( y y SQE ) ( SQE p n MQE

11 A. A. Moras Jr, J. O. B. Lra, T. C. L. Olvera, R. P. Brto, regressão na seleção das varáves secundáras; e obter o pré-processaento do conjunto de dados ncas gerados pelas sulações..4 Reoção de Erros Espúros (Outlers) Segundo Fortuna et al.(007), dados coletados e ua planta ou orundos de u odelo ateátco pode estar corropdos pela presença de erros espúros outlers, sto é, observações não consstentes co a aora dos dados e nclue pontos nestentes, falhas de leturas, probleas de transssão etc. A aora das outras técncas estentes utlza estatístca ultvarada, sendo a aora delas baseadas na análse dos coponentes prncpas, PCA (Jollffe, 00). Análse de Coponentes Prncpas (PCA). A análse de Coponente Prncpas (PCA) talvez seja a técnca as antga e as conhecda de análse ultvarada. A PCA transfora u conjunto de dados orgnas e u novo conjunto de dados, esse novo conjunto de dados é chaado de coponentes prncpas (PC, co =,,..., N coponentes). Consdere ua atrz A que possu três eleentos [,, 3 ], esses eleentos pode ser dspostos e u gráfco trdensonal, confore lustra a Fgura 4. Fgura 4. Coponentes Prncpas. Partndo do prncípo que a atrz de dados orgnas A fo defnda, ua análse de PCA coeça co dados de varáves para ndvíduos, cujos coponentes prncpas estão representados no gráfco da Fgura 5. Os coponentes prncpas (PC ) são obtdos a partr das cobnações lneares das varáves da atrz A, que possu eleentos, [X, X,, X ], fornecdo pela Equação (4): z c E partcular, a varânca de Z é gual ao Autovalor dos eleentos da Matrz A, Var(Z ) = λ, e as constantes c, c,, c são os eleentos do correspondente Autovetores, escalonado de odo que a Equação (5) seja satsfeta: c c,...,c (5) c... c Ua propredade portante dos autovalores é que a soa deles é gual à soa dos eleentos da dagonal da atrz COV. Logo, confore ostra a Equação (6): (4) CILAMCE 06 Proceedngs of the XXXVII Iberan Latn-Aercan Congress on Coputatonal Methods n Engneerng Suzana Morera Ávla (Edtor), ABMEC, Brasíla, DF, Brazl, Noveber 6-9, 06

12 Análse transente e estatva de varáves crítcas e ua coluna ndustral de alta pureza utlzando redes neuras artfcas λ + λ + + λ = c + c + c (6) Portanto, para a deternação das coponentes prncpas, é necessáro calcular a atrz de varânca-covarânca, encontrar os Autovalores e os Autovetores e, por f, escrever as cobnações lneares, que serão as novas varáves, denonadas de coponentes prncpas, (REGAZZI, 00). A Fgura 5 lustra o procedento para se efetuar o cálculo análse de coponentes prncpas. Fgura 5. Cálculo da análse de coponentes prncpas. Fonte: Adaptada de SOUZA (005). Geralente, a PCA é aqu utlzada co dos propóstos: seleção de varáves e eclusão de outlers. Alé de sua aplcação aqu à seleção de varáves, o pré-processaento de dados é ua tarefa uto portante para o futuro do desepenho de u odelo de dentfcação coo a rede neural artfcal, odelo o qual serão construídos os sensores vrtuas para nferênca de concentração. Análse Resdual de erros espúros (Outlers). O resíduo (erro) de u odelo e ua regressão últpla (lnear ou não lnear) é apresentado confore a na Equação (7). e y (Real) y (Modelo) O resíduo de u odelo de regressão últpla de fato representa u portante papel no julgaento sobre a adequação geral da estatva (Montgoery e Runger, 04). Város tpos de análses gráfcas de erros são frequenteente útes, haja vsta que padrões de coportaento nesses gráfcos ndca que o odelo pode conter ou não aostras espúras. Montgoery e Runger. (04) descreve város étodos de detecção dessas observações nfluentes (possíves outlers). E nesses étodos, ao nvés de se verfcar o erro resdual de u odelo são calculados outros tpos de resíduos escalonados. Dentre os quas se destaca os erros padronzados resduas (d), Equação (8). y d (real) y MQE (od elo) 3 RESULTADOS E DISCUSSÕES Aqu são apresentados os prncpas resultados obtdos co a etodologa proposta para o trabalho; o fluograa da Fgura 7 resue as etapas realzadas durante o desenvolvento do trabalho. Os resultados que serão aqu apresentados segura a etodologa de construção da Fgura 6, cada ua das etapas serão descrtas e seus respectvos resultados fornecdos a partr do próo tópco. (7) (8) CILAMCE 06 Proceedngs of the XXXVII Iberan Latn-Aercan Congress on Coputatonal Methods n Engneerng Suzana Morera Ávla (Edtor), ABMEC, Brasíla, DF, Brazl, Noveber 6-9, 06

13 A. A. Moras Jr, J. O. B. Lra, T. C. L. Olvera, R. P. Brto, 3. Sulação do Processo A sulação do processo e rege estaconáro fo desenvolvda nesse trabalho no software Aspen Plus TM, é de sua portânca, haja vsta que é nesse tpo de sulação que todos os equpaentos e acessóros são nstalados: coluna, refervedor, condensador, vaso de refluo, dvsor de corrente, válvulas de controle e bobas. Os resultados obtdos e rege estaconáro deostrara a portânca dessa sulação e, sobretudo, os efetos produzdos nas concentrações de nteresse edante as odfcações nas dversas varáves de processos (análse de sensbldade). Esses resultados nos aula tanto na sulação e rege transente e no controle, quanto na etapa de seleção das varáves para a construção dos sensores vrtuas. MODELAGEM E SIMULAÇÃO (ESTACIONÁRIO E DINÂMICA) Processo/Planta (Objeto de Estudo): Coluna do,-dce (Dados Reas); Ajuste do Modelo; Análse de Resultados. COLETA E ANÁLISE DE DADOS (Dados Incas): Escolha do snal ectação (PRBS); Análse dos resultados; Seleção de varáves Canddatas. DETECÇÃO E REMOÇÃO DE OUTLIERS (Detecção de outlers): Método da PCA; Análse Resdual. SELEÇÃO DE VARIÁVEIS (Redução de densonaldade) ESTRUTURAÇÃO DO MODELO DOS SENSORES VIRTUAIS (SVN) (Redução de densonaldade): Método da PCA; Método Forward/Backward/TRP. (Redes neuras Artfcas): Perceptron Multcaadas (MLP); VALIDAÇÃO DOS SENSORES VIRTUAIS Fgura 6. Metodologa desenvolvda para construção dos sensores vrtuas. 3. Análse Transente e seus Efetos nas Concentrações das Ipurezas Durante o desenvolvento do trabalho optou-se por se utlzar os dados no rege transente do processo para construção dos sensores vrtuas, através da sulação no software Aspen Dynacs. A Fgura 8 apresenta o fluograa, da coluna de destlação e estudo, e rege transente utlzado durante as sulações nesse estado. Onde, no fluograa da Fgura 7: F - Vazão do, DCE provenente de u processo de ocloração; F - Vazão do, DCE provenente de u processo de cloração dreta; F 3 - Vazão de Destlado/Vazão de Hdrocarbonetos Clorados údos; F 4 -Vazão de base/vazão de base do,-dce; F_ INCOND - Vazão de ncondensáves do vaso de refluo; F_ ÁGUA - Vazão de água na saída do vaso de refluo; R- Vazão de Refluo; RR-Razão de refluo; P VR - Pressão do vaso de refluo; H H0 - Nível de água do vaso de refluo; H org - Nível de orgâncos clorados do vaso de refluo; e H referv - Nível do refervedor/base da coluna. CILAMCE 06 Proceedngs of the XXXVII Iberan Latn-Aercan Congress on Coputatonal Methods n Engneerng Suzana Morera Ávla (Edtor), ABMEC, Brasíla, DF, Brazl, Noveber 6-9, 06

14 CCl 4 (pp) CCl 4 (pp) XCHCl 3 (pp) F (Kg/h) F (Kg/h) F (Kg/h) Análse transente e estatva de varáves crítcas e ua coluna ndustral de alta pureza utlzando redes neuras artfcas PC_0 CONDENSADOR PCV_0 LC_0 F-INCOND FC_0 LC_0 VASO_DE_REFLUXO 7 LCV_0 F-AGUA F FC_0 FCV_0 3 R LCV_0 6 9 SPLITER F FCV_0 4 TORREDCE 8 FC_03 P-30 LC_03 FCV_03 F3 0 LCV_03 F4 Fgura 7. Fluograa de processo e rege transente pleentado no Aspen Dynacs TM. O conjunto de dados gerados é dscutdo edante as perturbações efetuadas e sua concepção e análses sobre o efeto das esas nas coposções dos prncpas coponentes da base da coluna (CHCl 3, CCl 4 ). Dnâca das Vazões de alentação. As vazões de alentação, F e F, soente são anpuladas ou tê seus valores de referênca (setpont) alterados quando ocorre stuações anoras no processo coo, por eeplo, partda ou parada da planta. Os gráfcos das Fguras 8 a), b) e c) ostra, respectvaente, o efeto da vazão F, valor de referênca F =000 kg/h, sobre a concentração do coposto tetacloretoreto de carbono (XCCl 4 ) e do clorofóro (XCHCl 3 ) a) F F Setpont.5 04 a) 0 4 a) F.. F. F Setpont F Setpont Tepo. (h) b) (b) Tepo (h) (c) Tepo (h) b) b) Tepo (h) Tepo (h) Tepo (h) Fgura 8. a) Varação degrau de ±5% sobre a vazão F ; b) Efeto da perturbação e F sobre a concentração XCCl 4 ; e c) Efeto da perturbação e F sobre a concentração XCHCl 3. O gráfco da Fgura 8 a) ostra que o controlador de fluo da corrente F atua para corrgr a perturbação efetuada e trazê-la de volta para o seu valor desejado (setpont) e, de CILAMCE 06 Proceedngs of the XXXVII Iberan Latn-Aercan Congress on Coputatonal Methods n Engneerng Suzana Morera Ávla (Edtor), ABMEC, Brasíla, DF, Brazl, Noveber 6-9, 06

15 A. A. Moras Jr, J. O. B. Lra, T. C. L. Olvera, R. P. Brto, acordo co os gráfcos da Fguras 8 b) e c), as concentrações do copostos CCl 4 e CHCl 3 sofre u auento dretaente proporconal ao auento da vazão F, no nstante de tepo de 0 h, e ua dnução proporconal a redução de F no tepo de 0 horas de operação da coluna. É portante ctar que tabé fora avalados os efetos dnâcos das seguntes varáves:vazão de destlado (F 3 ), carga térca do refervedor (Q R ), concentrações das correntes de alentação e das 7 teperaturas dos estágos da coluna. No entanto, fora seleconadas apenas u total de 7 (sete) varáves secundáras (canddatas) para copor os sensores vrtuas de estatva de cada ua das saídas a sere nferdas, que são: F, F, F 3, Q R, CCl 4 (F ), CCl 4 (F ), e T 7. E F, F, F 3, Q R, CHl 3 (F ), CHl 3 (F ), e T 7, respectvaente, para as saídas XCCl 4 e XCHl Conjunto de Dados dos Sensores Vrtuas Dnâcos O teste de coleta dos dados para o trenaento dos sensores vrtuas consstu: perturbar, co u snal aleatóro, todas as varáves canddatas seleconadas no estudo transente; eceto as vazões F e F que tvera suas respectvas ações de controle reovdas. O objetvo desse teste é avalar ua stuação crítca na planta a qual representara a perda do controle dessas varáves, ou seja, o processo estara funconando e alha aberta para as vazões de alentação e co dstúrbo sobre as deas varáves. Ass, durante tepo total de 00 horas de sulação e u tepo de aostrage de, nutos os conjuntos de Dados e fora arazenados, representando: ua atrz co (5007) das entradas e ua atrz (500) para cada ua das saídas; ou seja, u total de dados referentes às 7 (sete) entradas e 500 dados para cada ua das saídas. 3.4 Etapa de Seleção de Varáves Seleção utlzando a Técnca de Todas as Cobnações Possíves (TRP). Nessa etapa fo utlzado o algorto da Seção 3.3. Essa abordage pode encontrar o elhor odelo, dos 54 gerados aqu (7 para cada ua das saídas) para nferênca relatvaente ao crtéro íno MQE, enquanto outros étodos tpo etapas não oferece tal segurança, alé dsso eles pode ser dstorcdos pelas dependêncas entre os regressores. Nessa etodologa fora avaladas as seguntes entradas frente às respectvas saídas, y e y, confore ostra a Tabela. Tabela. Varáves canddatas a sere utlzadas e u odelo de nferênca. SAÍDAS ESTIMADAS ENTRADAS (VARIÁVEIS CANDIDATAS) y (XCCl 4 ) u u u 3 u 4 u 5 u 6 u 7 F F F 3 Q R CCl 4 (F ) CCl 4 (F ) T 7 y (XCHCl 3 ) u u u 3 u 4 u 5 u 6 u 7 F F F 3 Q R CHCl 3 (F ) CHCl 3 (F ) T 7 Co a fnaldade de coparar os dferentes odelos desenvolvdos, observando o crtéro de desepenho do MQE, são representados os 5 odelos que apresentara o enor MQE, e orde decrescente, para a saída y e y, respectvaente, Fguras 9 a) e b). CILAMCE 06 Proceedngs of the XXXVII Iberan Latn-Aercan Congress on Coputatonal Methods n Engneerng Suzana Morera Ávla (Edtor), ABMEC, Brasíla, DF, Brazl, Noveber 6-9, 06

16 Análse transente e estatva de varáves crítcas e ua coluna ndustral de alta pureza utlzando redes neuras artfcas a) b) Fgura 9: a) Cnco últos elhores odelos dos 7 avalados co relação a saída XCCl 4 ; e a) Cnco últos elhores odelos dos 7 avalados co relação a saída XCHCl 3. Logo, o odelo fnal escolhdo para nferênca da concentração XCCl 4 é aquele que possu o enor MQE = 79,5504; e o odelo fnal escolhdo para nferênca da concentração XCHCl 3 é aquele que possu o enor MQE = 90,486. Dessa fora, os 7 (sete) regressores ou todas as varáves defndas coo canddatas na etapa ncal são seleconadas para copor o odelo fnal dos sensores vrtuas. Seleção de Varáves utlzando a PCA. Incalente a PCA fo aplcada para reduzr a densão do conjunto de dados de entrada da RNA, através da seleção das coponentes prncpas (PC). Ela fo utlzada aqu coo ua técnca alternatva ao étodo da TRP, sendo as ndcada quando o núero de regressores ncalente seleconados for uto grande, ndcando qual sera o elhor deles. Os autovalores (scores) são as projeções das aostras na dreção das coponentes prncpas, suas coordenadas são obtdas pelo produto da atrz de dados e a atrz de CILAMCE 06 Proceedngs of the XXXVII Iberan Latn-Aercan Congress on Coputatonal Methods n Engneerng Suzana Morera Ávla (Edtor), ABMEC, Brasíla, DF, Brazl, Noveber 6-9, 06

17 A. A. Moras Jr, J. O. B. Lra, T. C. L. Olvera, R. P. Brto, autovetores. De acordo co Jollffe (00) as prncpas PC, aquelas co varânca aor que 0,7, corresponde: as cnco preras PC da Tabela, para o caso da saída XCCl 4. Tabela : a) Autovalores (scores) das PC seleconadas co relação Àsaída XCCl 4. Coponentes Prncpas Varânca (Autovalores) Varânca Eplcada (%) Varânca Acuulada (%) PC,9896 8,4 8,4 PC,6006,87 5,9 PC3,58 6,45 67,74 PC4 0,937 3,0 80,94 PC5 0,8798,57 93,5 PC6 0,395 5,6 99, PC7 0,069 0,88 00,00 Logo, confore apresentado na Tabela, as sete varáves orgnas dos conjuntos de dados pode ser analsadas a partr das cnco PC seleconadas, as quas epressa, 93,89% da varânca eplcada. Através das coponentes seleconadas são etraídas as prncpas varáves orgnas pelo valor absoluto dos autovetores loadngs. Sendo ass, a Tabela 3 apresenta os loadngs das varáves orgnas para as cnco PC para a saída XCCl 4. Indcando dessa fora, quas varáves deve está contdas no odelo fnal. Tabela 3: Autovetores (Loadngs) das PC seleconados co relação a saída XCCl 4. Coponentes F F F 3 Q R CCl 4 (F ) CCl 4 (F ) T 7 PC -0,5698 0,0049 0,459-0,0444-0, ,7686-0,4776 PC -0,09 0,6583-0,499-0,87-0, , ,08784 PC3-0,54 0,640 0,0973-0,34 0, ,0704 0,0054 PC4-0,5547-0,956-0,074-0,006 0, ,088 0,77034 PC5 0,57 0,398 0,098-0,055 0, , ,548 A seleção de varáves por eo da PCA ndca que deve ser utlzadas as cnco varáves ncalente canddatas, que são: F, F, CCl 4 (F ), CCl 4 (F ), e T 7 para construção do sensor vrtual na estatva de XCCl 4. De anera análoga, fora epressos os esos resultados para a saída XCHCl 3. De fato, os odelos fnas produzdos pela PCA não coprova os resultados da análse dnâca e o conhecento fenoenológco do processo, haja vsta que técnca descarta varáves de etrea relação co as coposções de base da torre coo, por eeplo, Q R e F 3. Alé dsso, e coparação co os resultados da seleção de varáves por todas TRP, CILAMCE 06 Proceedngs of the XXXVII Iberan Latn-Aercan Congress on Coputatonal Methods n Engneerng Suzana Morera Ávla (Edtor), ABMEC, Brasíla, DF, Brazl, Noveber 6-9, 06

18 Análse transente e estatva de varáves crítcas e ua coluna ndustral de alta pureza utlzando redes neuras artfcas esses odelos não estão contdos entre os 0 (vnte) elhores odelos seleconados na TRP, contdos apenas entre os cnquenta elhores. Por f, serão epregados os elhores odelos da técnca anteror. 3.5 Sensores Vrtuas Neuras (SVN) Dnâcos Quanto à topologa das RNA que forneça satsfatoraente as saídas do processo, Perceptron Multcaadas (MLP), fora utlzadas dversas arquteturas e alguns algortos de trenaento às RNA. Sendo testadas redes cujas as caadas nteredáras (ocultas) varara de a 3; e cujo núero de neurônos varara de 5 a 30 e cada ua das caadas. Aqu fo adotado coo elhor RNA a que produzu u enor Erro Quadrátco Médo (MQE), ou seja, a topologa dos sensores vrtuas neuras que produzu u enor MQE de predção e coparação co o valor gerado pelo odelo dnâco do processo (Aspen Plus Dynacs TM ). Das 3 redes neuras (56 para cada saída) do tpo MLP avaladas fora seleconadas as 3 (três) elhores redes de cada ua das 3 (três) topologas avaladas: co (ua), (duas) e 3 (três) caadas ocultas. Os resultados as satsfatóros fora alcançados ao se utlzar o algorto de trenaento Levenberg-Marquardt (LVM). As Tabelas 4 a) e b) apresenta as 9 (nove) redes neuras artfcas que apresentara elhor desepenho para estatva da coposção do tetracloreto de carbono (XCCl 4 ) e do Clorofóro (XCHCl 3 ). Tabela 4: a) Melhores RNA do tpo MLP obtdas para nferênca de coposção do XCCl 4 através do algorto de trenaento Levenberg-Marquardt. b) Melhores RNA do tpo MLP obtdas para nferênca de coposção do XCCl 4 através do algorto de trenaento Levenberg-Marquardt. a) Núero de Caadas Ocultas Núero de Neurônos da Caada Oculta Funções de Atvação (Oculta- Saída) Núero de Épocas MQE (TREIN) MQE (VAL) [0] logsg-logsg* 67 5,580E-05 5,0384E-05 [5] tansg-tansg**,7433e-04 8,6890E-05 [30] logsg-logsg* 73,0560E-04,4585E-04 [0 0] logsg-logsg* 97 6,778E-05 4,3598E-05 [0 5] logsg-logsg* 85 3,889E-05,8537E-05 [0 30] logsg-logsg* 3 6,34E-05 6,454E-05 3 [0 0 0] logsg-logsg* 4 7,5339E-05 5,986E-05 3 [0 0 5] logsg-logsg* 8 9,875E-05 8,89E-05 3 [0 0 0] logsg-logsg* 0 4,8447E-05 5,40E-05 CILAMCE 06 Proceedngs of the XXXVII Iberan Latn-Aercan Congress on Coputatonal Methods n Engneerng Suzana Morera Ávla (Edtor), ABMEC, Brasíla, DF, Brazl, Noveber 6-9, 06

19 A. A. Moras Jr, J. O. B. Lra, T. C. L. Olvera, R. P. Brto, b) Núero de Caadas Ocultas Núero de Neurônos da Caada Oculta Funções de Atvação (Oculta- Saída) Núero de Épocas MQE (TREIN) MQE (VAL) [0] logsg-logsg* 6,9695E-04 3,00E-04 [5] tansg-tansg** 57 3,058E-04 3,449E-04 [30] logsg-logsg* 8 7,784E-04 4,7598E-04 [5 5] logsg-logsg*,884e-04,8345e-04 [5 30] logsg-logsg*,3576e-04,653e-04 [0 5] logsg-logsg* 9,0E-04,6739E-04 3 [3 5 0] logsg-logsg* 6,875E-04,6875E-04 3 [5 5 30] logsg-logsg*,735e-04,7873e-04 3 [0 5 0] logsg-logsg*,5340e-04,9608e-04 As RNA fora avaladas por eo do erro édo quadrátco (MQE) das etapas de trenaento (70% dos dados totas), valdação e teste (cada ua co 5% dos dados totas). Os resultados obtdos à nferênca das coposções de base do XCCl 4 e do XCHCl 3 fo efetuada através dos sensores vrtuas, co u tepo total de sulação de 00 horas de operação da coluna do,-dce, coparado co os valores desejados (Aspen Dynacs TM ), são, respectvaente, apresentados nos gráfcos das Fguras 0 a) e b). De acordo co o gráfco da Fgura 0 a), o odelo desenvolvdo ostrou-se capaz de desepenhar a função de estador de XCCl 4 e sso ocorreu após 85 terações realzadas pelo sstea (RNA MLP [0 5]). O que de fato tabé fo apresentado para a estatva de XCHl3, Fgura 9 b), onde nesse caso a RNA tpo MLP [3 5 0] necesstou de terações para convergr. Fgura 0: a) Sensor Vrtual Neural dnâco (XCCl 4 ) versus a saída desejada (Sulador); e b) Sensor Vrtual Neural dnâco (XCHCl 3 ) versus a saída desejada (Sulador). CILAMCE 06 Proceedngs of the XXXVII Iberan Latn-Aercan Congress on Coputatonal Methods n Engneerng Suzana Morera Ávla (Edtor), ABMEC, Brasíla, DF, Brazl, Noveber 6-9, 06

20 Análse transente e estatva de varáves crítcas e ua coluna ndustral de alta pureza utlzando redes neuras artfcas Logo, os sensores vrtuas apresentara bons resultados para nferênca das concentrações copostos crítcos na base da torre do,-dce. É portante notar sobre a ocorrênca de dversas perturbações nas varáves de entrada, conjunto de Dados, o que auenta a robustez dos sensores e garante ua boa confabldade de estatva. 4 CONCLUSÕES Nesse trabalho fora apresentados os resultados referentes a etodologa proposta para construção de dos sensores vrtuas neuras, u para estatva da concentração do coposto tetracloreto de carbono e outro na estatva do coposto clorofóro, abos na correte de base da torre de destlação do,-dcloroetano. Abas as redes apresentara erros satsfatóros, ua boa análse de regressão e ua boa éda de MQE para o conjunto de dados totas; sendo que o sensor vrtual de coposção do tetracloreto de carbono apresentou u MQE u pouco enor (e torno de 0-5 ), enquanto o do clorofóro fo e torno de 0-4 e coparação co as saídas do odelo do sulador Aspen Dynacs TM. REFERÊNCIAS Fortuna, L.; Grazan, S.; Rzzo, A.; & Xbla, M.G., 007. Soft sensors for ontorng and control of ndustral processes. London, UK: Sprnger. Haykn, S., 00. Redes neuras: prncípos e prátca. ª Edção, Bookan. Helblau, D., 008. Accounts of Eperences n the Applcaton of Artfcal Neural Networks n Checal Engneerng. Industral & Engneerng Chestry Research, 47, Jollffe, I. T., 00. Prncpal coponent analyss. nd ed., Sprnger seres n statstc. Kadlec, P.; Gabrys, B.; Strandt, S., 009. Data-drven Soft Sensors n the process ndustry. Coputers and Checal Engneerng, pages Moras JR, A. A., 0. Elaboração de u Analsador Vrtual Utlzando Sstea Híbrdo Neuro-Fuzzy para Inferencar a Coposção e u Processo de Destlação. Dssertação de estrado, Unversdade Federal de Alagoas. Montgoery, D.C.; and Runger, G. C., 04. Appled Statstcs and Probablty for Engneers. Sth Edton, WILEY. CILAMCE 06 Proceedngs of the XXXVII Iberan Latn-Aercan Congress on Coputatonal Methods n Engneerng Suzana Morera Ávla (Edtor), ABMEC, Brasíla, DF, Brazl, Noveber 6-9, 06