Desenvolvimento de um sensor virtual para predição das propriedades físico-quimica finais em reações de polimerização em suspensão

Abstract

A possibilidade de se utilizar sensores virtuais para predição e monitoramento de algumas variáveis físico-químicas, são interessantes quando se tratam de sistemas heterogêneos de polimerização, como nas reações de polimerização em emulsão e suspensão. Apesar de existirem alguns equipamentos e técnicas bem estabelecidas para tais medidas offline e on-line, o tempo de resposta é elevado para fins de controle de processos. Em outros casos, quando são utilizados sensores físicos in situ, estes podem influenciar nas condições operacionais ou então estarem sujeitos à formação de aglomerados em sua superfície resultando na degradação e confiabilidade da medida. Como exemplo típico, pode ser citado a aplicação de medidas de espectroscopia na região de infravermelho próximo (NIRS) em reações de polimerização em suspensão, em que as medidas iniciais são confiáveis devido à baixa viscosidade do meio reacional. Entretanto, a medida que o efeito gel se torna pronunciado, ocorre a formação de aglomerados na sonda o que pode degradar o sinal medido. Diante de tais dificuldades, associados ainda ao elevado custo na instalação, manutenção e operação da instrumentação, o uso de sensores virtuais têm se difundido na área de processos de polimerização. Neste trabalho foi desenvolvido um sensor virtual empregando técnicas baseadas em redes neurais artificiais (RNAs). O modelo gerado através de RNAs têm a vantagem de serem computacionalmente eficientes, de fácil construção e implementação e ainda capazes de incorporar as variações do processo que não são possíveis de serem incorporados num modelo fenomenológico convencional. As RNAs foram treinadas com um conjunto de dados obtidos de uma unidade industrial de produção de poliestireno expansível em ciclos de batelada. As variáveis de entradas selecionadas foram: as temperaturas do reator, as temperaturas da camisa do reator e as pressões ao longo do ciclo da reação, e as variáveis de saída foram: o teor de pentano, o monômero residual, a massa molar média viscosimétrica, e as frações granulométricas no final de cada. A RNA com o algoritmo de treinamento Levenberg-Marquardt mostrou-se mais eficientes que Backpropagation padrão, pois apresentou um erro quadrático médio menor, além de precisar de menos épocas da etapa de treinamento, Porém, apresentou-se com uma boa capacidade de generalização para o novo conjunto de dados na etapa de validação. Desta forma, conclui-se que os resultados foram satisfatórios. O sensor virtual conseguiu bons resultados na predição das variáveis de interesse no final de cada reação através da utilização das variáveis secundarias do processo.

The possibility of using soft-sensors for monitoring and prediction of physico-chemical variables, are useful when dealing with heterogeneous polymerization systems, such as emulsion and suspension polymerization reactions. Although, there are some techniques and equipment well stablished for such off-line and on-line measures, the response time is high for purposes of processes control. In other cases, where physical sensors are used "in situ", it can influenced on the operating conditions or be subject to the formation of agglomerates on the surface resulting in the degradation and reliability of the measures. As a typical example, may be mentioned the application of near infrared spectroscopy (NIRS) in polymerization reactions, where the initial measures are reliable due to low viscosity of the reaction medium. However, as the gel effect becomes pronounced, occurs the formation of agglomerates in the probe which can degrade the signal measured. Faced with such difficulties, even the high cost involved in installation, maintenance and operation of the instrumentation, the use of virtual sensors have been widely used in the polymerization reaction process. In this work was developed a softsensor employing techniques based on artificial neural networks (ANNs). The model generated by an ANNs have the advantage of being computationally efficient, easy construction and implementation and also be able to incorporate the changes of the process that are not possible to be incorporated into a conventional phenomenological model. The ANNs were trained with a dataset obtained from a plant for the production of expandable polystyrene in batch cycles. The input variables selected were: temperatures of the reactor, temperatures of the jacket and the reactor pressures during the reaction cycle, and the output variables were the percentage of pentane, residual monomer, average molar mass and the size fractions in the final of each reaction. The ANN with the evenberg-Marquardt algorithm was more efficient than the standard backpropagation algorithm; the Levenberg-Marquardt algorithm presented a lower mean square error, and need less time in the training step, however, showed a better generalization for the new dataset presented at the validation step. At this time, it is concluded that the results were satisfactory. The virtual sensor has good results predicting the variables of interest at the end of each reaction using secondary variables of the process.