Contribuições a análise e modelagem de operações transientes de colunas de destilação

Abstract

A modelagem dinâmica é hoje uma ferramenta importante na análise de processos. De posse de um modelo dinâmico é possível determinar e avaliar o comportamento de determinadas variáveis de interesse. O modelo disponibiliza tanto variáveis internas do processo, que dificilmente seriam medidas, como variáveis facilmente mensuráveis. É também possível realizar pertubações que dificilmente seriam realizadas em uma unidade industrial ou piloto, tanto devido a fatores economicos como de segurança. A partida de colunas de destilação é uma das operações mais difíceis na indústria química. O procedimento de partida, devido ao seu elevado período de tempo, possui tanto problemas de produtos fora de especificação quanto elevado gasto de energia. De posse de um modelo dinâmico diferentes condições e ações podem ser testadas e o procedimento pode ser otimizado. Entretanto, os modelos de colunas de destilação são representados por um sistema de equações algébrico-diferenciais de índice superior, e são escritos de forma a serem resolvidos sequencialmente. Este trabalho de tese implementa um modelo dinâmico de uma coluna de destilação para representar sua partida e operação. São analisados os resultados do estado estacionário, da dinâmica do processo quando submetido a perturbações e os perfis obtidos no procedimento de partida. O trabalho também apresenta uma forma diferenciada de escrever o modelo, forma simultânea e, utiliza um pacote de integração (PSIDE), até então não empregado em colunas de destilação. Este resolve o sistema de equações sem redução de índice. Como um trabalho complementar, foi proposta a utilização de uma rede neural wavelet para ser utilizada como sensor por software. A proposta basea-se no fato de que em problemas de grande porte pode não ser viável utilizar um modelo fenomenológico. Comuns são os problemas de inicializar todas as variáveis desejadas pois, pode não haver disponibilidade destes valores e o tempo de resolução do modelo pode ser elevado devido ao grande conjunto de equações algébrico-diferenciais. A rede neural, uma vez bem treinada, é capaz de fornecer os resultados sem os problemas citados acima.