Este trabalho descreve a aplicação de redes neurais \"feed-forward\" com três camadas em diferentes áreas da Engenharia Química. O objetivo principal do projeto é a modelagem, simulação e posterior otimização do processo de produção de isopreno empregando técnicas de redes neurais em substituição as equações de modelagem fenomenológica. A planta industrial testada é a unidade de produção de isopreno da BRASKEM (antiga COPENE). O sistema consiste essencialmente de um reator de dimerização e uma série de colunas de destilação. Uma vez que redes neurais são capazes de aprender eficientemente o processo a partir de informações extraídas diretamente de dados da planta, para este trabalho o modelo de rede neural gerado foi construído a partir de dados históricos operacionais coletados a cada 15 minutos durante o período de 1 ano. Em uma primeira etapa é realizada a análise dos dados operacionais de modo a detectar e eliminar erros grosseiros e sistemáticos. Em seguida, a modelagem e simulação do processo são realizadas. O modelo de redes neurais gerado é, então, empregado na otimização qualitativa/quantitativa do processo, construindo um \"grid\" de busca detalhado da região de interesse, através um mapeamento completo da função objetivo no espaço das variáveis de decisão. A segunda etapa diz respeito à predição de azeótropos, visando um melhor entendimento do comportamento do sistema da seção de extração de isopreno. Nas duas etapas, a grande vantagem em utilizar modelos de redes neurais, além de ajustar dados, é a capacidade que estes apresentam em representar eficientemente sistemas multivariáveis, complexos e não lineares, aprendendo o sistema, sem o conhecimento das leis físicas e químicas que o regem. Comparações entre a predição dos modelos propostos e os dados experimentais foram executadas e resultados muito bons foram conseguidos do ponto de vista industrial. ) Esta metodologia fornece informações interessantes e de maior compreensão para a análise dos engenheiros de processo do que os procedimentos convencionais correspondentes. Além disso, este trabalho mostra que a metodologia de redes neurais é promissora para varias aplicações indústrias, tais como análise de dados, modelagem, simulação e otimização de processos, bem como predição de propriedades termodinâmicas. / This work describes the application of a three-layer feed-forward neural network (NN) in different areas of chemical engineering. The main objective of this study is to model, simulate and optimize a real industrial plant, using NN by replacing phenomenological models. The industrial process studied is the isoprene production unit from BRASKEM. The chemical process consists basically of a dimerization reactor and a separation column train. Since NNs are able to extract information from plant data in an efficient manner, for this work, the neural network model was built directly from historical plant data, which were collected every 15 minutes during a period of one year. These data were carefully analyzed in order to identify and eliminate gross error data and non-steady state operation data. The modeling using NN was carried out by parts in order to get information on intermediate streams. Then, the global model was built, by interconnecting each individual model, and used to simulate and optimize the process. The optimization procedure carries on a detailed grid search of the region of interest, by a full mapping of the objective function on the space of decision variables. The second stage of this work deals with the azeotropic prediction using also the neural network approach. The objective of this step was to obtain a better understanding of the system behavior in the isoprene extraction section. Since all the cases studied are non-linear, complex andmultivariable systems, NN approach appears as a technique of interest due to its capability of learning the system without knowledge of the physical and chemical laws that govern it. Comparisons between the model\'s prediction and the experimental data were performed and reasonable results were achieved from an industrial point of view. ) Using neural network approach provides more comprehensive information for an engineer\'s analysis than the conventional procedure. This work shows that the use of NN methodology is promising for several industrial applications, such as data analysis, modeling, simulation and optimization process, as well as thermodynamics properties prediction. However, success in obtaining a reliable and robust NN depends strongly on the choice of the variables involved, as well as the quality of available data set and the domain used for training purposes.

Universidade do Estado do Rio de Janeiro / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Azeotropia é um fenômeno termodinâmico onde um líquido em ebulição produz um vapor com composição idêntica. Esta situação é um desafio para a Engenharia de Separação, já que os processos de destilação exploram as diferenças entre as volatilidades relativas e, portanto, um azeótropo pode ser uma barreira para a separação. Em misturas binárias, o cálculo da azeotropia é caracterizado por um sistema não-linear do tipo 2 × 2. Um interessante e raro caso é o denominado azeotropia dupla, que pode ser verificado quando este sistema não-linear tem duas soluções, correspondendo a dois azeótropos distintos. Diferentes métodos tem sido utilizados na resolução de problemas desta natureza, como métodos estocásticos de otimização e as técnicas intervalares (do tipo Newton intervalar/bisseção generalizada). Nesta tese apresentamos a formulação do problema de azeotropia dupla e uma nova e robusta abordagem para a resolução dos sistemas não-lineares do tipo 2 × 2, que é a inversão de funções do plano no plano (MALTA; SALDANHA; TOMEI, 1996). No método proposto, as soluções são obtidas através de um conjunto de ações: obtenção de curvas críticas e de pré-imagens de pontos arbritários, inversão da função e por fim, as soluções esperadas para o problema de azeotropia. Esta metodologia foi desenvolvida para resolver sistemas não-lineares do tipo 2 × 2, tendo como objetivo dar uma visão global da função que modela o fenômeno em questão, além, é claro, de gerar as soluções esperadas. Serão apresentados resultados numéricos para o cálculo dos azeótropos no sistema benzeno + hexafluorobenzeno a baixas pressões por este método de inversão. Como ferramentas auxiliares, serão também apresentados aspectos numéricos usando aproximações clássicas, tais como métodos de Newton com técnicas de globalização e o algorítmo de otimização não-linear C-GRASP, para efeito de comparação. / Azeotropy is a thermodynamic phenomenon where a boiling liquid produces a vapor phase with identical composition. This situation is a challenge for Separation Engineering, since distillation processes explore differences between relative volatilities and, then, an azeotrope can be a barrier for the separation. In binary mixtures, the azeotrope calculation is represented by a 2×2 nonlinear algebraic system. An interesting and rare case is known as double azeotropy, that occurs when this nonlinear system exhibits two solutions, corresponding to two distinct azeotropes. Several numerical methods have been used in the solutions of this kind of problem, as stochastic optimization approaches and interval techniques (as interval Newton/generalized bisection methods). In this work, we present the formulation of the double azeotrope problem solved by a new and robust framework for 2 × 2 nonlinear systems, called the inversion of functions from the plane to the plane (MALTA; SALDANHA; TOMEI, 1996). In this method, the solutions were obtained by a set of procedures: generation of critical curves and pre-images of arbitrary points, construction of paths in the image and the corresponding ones in the domain and, finally, the expected solutions for the azeotropy problem. We present numerical results for the calculation of azeotropes in the benzene + hexafluorobenzene system at low pressures using this technique. As auxiliary tools, we also present extensive numerical results using Newton methods with globalization techniques and using the metaheuristic Continuous-GRASP (CGRASP).

Universidade do Estado do Rio de Janeiro / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Azeotropia é um fenômeno termodinâmico onde um líquido em ebulição produz um vapor com composição idêntica. Esta situação é um desafio para a Engenharia de Separação, já que os processos de destilação exploram as diferenças entre as volatilidades relativas e, portanto, um azeótropo pode ser uma barreira para a separação. Em misturas binárias, o cálculo da azeotropia é caracterizado por um sistema não-linear do tipo 2 × 2. Um interessante e raro caso é o denominado azeotropia dupla, que pode ser verificado quando este sistema não-linear tem duas soluções, correspondendo a dois azeótropos distintos. Diferentes métodos tem sido utilizados na resolução de problemas desta natureza, como métodos estocásticos de otimização e as técnicas intervalares (do tipo Newton intervalar/bisseção generalizada). Nesta tese apresentamos a formulação do problema de azeotropia dupla e uma nova e robusta abordagem para a resolução dos sistemas não-lineares do tipo 2 × 2, que é a inversão de funções do plano no plano (MALTA; SALDANHA; TOMEI, 1996). No método proposto, as soluções são obtidas através de um conjunto de ações: obtenção de curvas críticas e de pré-imagens de pontos arbritários, inversão da função e por fim, as soluções esperadas para o problema de azeotropia. Esta metodologia foi desenvolvida para resolver sistemas não-lineares do tipo 2 × 2, tendo como objetivo dar uma visão global da função que modela o fenômeno em questão, além, é claro, de gerar as soluções esperadas. Serão apresentados resultados numéricos para o cálculo dos azeótropos no sistema benzeno + hexafluorobenzeno a baixas pressões por este método de inversão. Como ferramentas auxiliares, serão também apresentados aspectos numéricos usando aproximações clássicas, tais como métodos de Newton com técnicas de globalização e o algorítmo de otimização não-linear C-GRASP, para efeito de comparação. / Azeotropy is a thermodynamic phenomenon where a boiling liquid produces a vapor phase with identical composition. This situation is a challenge for Separation Engineering, since distillation processes explore differences between relative volatilities and, then, an azeotrope can be a barrier for the separation. In binary mixtures, the azeotrope calculation is represented by a 2×2 nonlinear algebraic system. An interesting and rare case is known as double azeotropy, that occurs when this nonlinear system exhibits two solutions, corresponding to two distinct azeotropes. Several numerical methods have been used in the solutions of this kind of problem, as stochastic optimization approaches and interval techniques (as interval Newton/generalized bisection methods). In this work, we present the formulation of the double azeotrope problem solved by a new and robust framework for 2 × 2 nonlinear systems, called the inversion of functions from the plane to the plane (MALTA; SALDANHA; TOMEI, 1996). In this method, the solutions were obtained by a set of procedures: generation of critical curves and pre-images of arbitrary points, construction of paths in the image and the corresponding ones in the domain and, finally, the expected solutions for the azeotropy problem. We present numerical results for the calculation of azeotropes in the benzene + hexafluorobenzene system at low pressures using this technique. As auxiliary tools, we also present extensive numerical results using Newton methods with globalization techniques and using the metaheuristic Continuous-GRASP (CGRASP).

Este trabalho descreve a aplicação de redes neurais \"feed-forward\" com três camadas em diferentes áreas da Engenharia Química. O objetivo principal do projeto é a modelagem, simulação e posterior otimização do processo de produção de isopreno empregando técnicas de redes neurais em substituição as equações de modelagem fenomenológica. A planta industrial testada é a unidade de produção de isopreno da BRASKEM (antiga COPENE). O sistema consiste essencialmente de um reator de dimerização e uma série de colunas de destilação. Uma vez que redes neurais são capazes de aprender eficientemente o processo a partir de informações extraídas diretamente de dados da planta, para este trabalho o modelo de rede neural gerado foi construído a partir de dados históricos operacionais coletados a cada 15 minutos durante o período de 1 ano. Em uma primeira etapa é realizada a análise dos dados operacionais de modo a detectar e eliminar erros grosseiros e sistemáticos. Em seguida, a modelagem e simulação do processo são realizadas. O modelo de redes neurais gerado é, então, empregado na otimização qualitativa/quantitativa do processo, construindo um \"grid\" de busca detalhado da região de interesse, através um mapeamento completo da função objetivo no espaço das variáveis de decisão. A segunda etapa diz respeito à predição de azeótropos, visando um melhor entendimento do comportamento do sistema da seção de extração de isopreno. Nas duas etapas, a grande vantagem em utilizar modelos de redes neurais, além de ajustar dados, é a capacidade que estes apresentam em representar eficientemente sistemas multivariáveis, complexos e não lineares, aprendendo o sistema, sem o conhecimento das leis físicas e químicas que o regem. Comparações entre a predição dos modelos propostos e os dados experimentais foram executadas e resultados muito bons foram conseguidos do ponto de vista industrial. ) Esta metodologia fornece informações interessantes e de maior compreensão para a análise dos engenheiros de processo do que os procedimentos convencionais correspondentes. Além disso, este trabalho mostra que a metodologia de redes neurais é promissora para varias aplicações indústrias, tais como análise de dados, modelagem, simulação e otimização de processos, bem como predição de propriedades termodinâmicas. / This work describes the application of a three-layer feed-forward neural network (NN) in different areas of chemical engineering. The main objective of this study is to model, simulate and optimize a real industrial plant, using NN by replacing phenomenological models. The industrial process studied is the isoprene production unit from BRASKEM. The chemical process consists basically of a dimerization reactor and a separation column train. Since NNs are able to extract information from plant data in an efficient manner, for this work, the neural network model was built directly from historical plant data, which were collected every 15 minutes during a period of one year. These data were carefully analyzed in order to identify and eliminate gross error data and non-steady state operation data. The modeling using NN was carried out by parts in order to get information on intermediate streams. Then, the global model was built, by interconnecting each individual model, and used to simulate and optimize the process. The optimization procedure carries on a detailed grid search of the region of interest, by a full mapping of the objective function on the space of decision variables. The second stage of this work deals with the azeotropic prediction using also the neural network approach. The objective of this step was to obtain a better understanding of the system behavior in the isoprene extraction section. Since all the cases studied are non-linear, complex andmultivariable systems, NN approach appears as a technique of interest due to its capability of learning the system without knowledge of the physical and chemical laws that govern it. Comparisons between the model\'s prediction and the experimental data were performed and reasonable results were achieved from an industrial point of view. ) Using neural network approach provides more comprehensive information for an engineer\'s analysis than the conventional procedure. This work shows that the use of NN methodology is promising for several industrial applications, such as data analysis, modeling, simulation and optimization process, as well as thermodynamics properties prediction. However, success in obtaining a reliable and robust NN depends strongly on the choice of the variables involved, as well as the quality of available data set and the domain used for training purposes.