Orientador: Ana Maria Frattini Fileti / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Quimica / Made available in DSpace on 2018-08-13T14:31:54Z (GMT). No. of bitstreams: 1 Lopreato_LuizGuilhermeRoquette_M.pdf: 1170459 bytes, checksum: af98261941e40b4030182bcc609c0fa6 (MD5) Previous issue date: 2009 / Resumo: A aplicação de redes neurais artificiais (RNA) na solução de problemas de equilíbrio líquido-vapor de misturas multicomponentes apresenta resultados consistentes com valores experimentais observados. Sua principal vantagem, frente às abordagens tradicionais, reside na capacidade de modelar o sistema em equilíbrio sem a necessidade da definição prévia de um modelo específico, tarefa muitas vezes árdua. No presente trabalho utilizam-se dados de três sistemas binários para o treinamento de modelo neural com o objetivo de predizer o equilíbrio de sistema ternário em condições isobáricas. O algoritmo de treinamento utilizado foi o de Levenberg-Marquardt com Regularização Bayesiana, implementado por meio do software MATLAB. A estrutura de rede que apresentou os melhores resultados contém as frações molares dos três componentes na fase líquida, como parâmetros de entrada, e as frações molares dos três componentes na fase vapor e a temperatura como parâmetros de saída. O escalonamento dos dados foi realizado entre 0 e 1, sendo utilizada a função de ativação sigmoidal na camada oculta da rede e a função linear na camada de saída. O desempenho dos modelos foi analisado a partir dos coeficientes de correlação, coeficientes regressão linear, resíduos entre os valores experimentais e preditos, além da raiz dos desvios quadráticos médios (RMSD). O principal sistema estudado foi Acetona-Metanol-Água, sendo os conceitos desenvolvidos extrapolados para os sistemas polares Metanol-Etanol-Água, Metanol-2-Propanol-Água e para o sistema apolar Benzeno-Ciclohexano-Hexano. Os resultados obtidos indicam que a predição de equilíbrio através do modelo neural se mostra consistente com os dados experimentais e as predições realizadas via modelo UNIQUAC. Destaca-se que a construção do modelo neural baseia-se no uso de dados de sistemas binários para a predição de sistemas ternários, enquanto que o modelo UNIQUAC utiliza parâmetros regredidos a partir de dados experimentais para o equilíbrio ternário. Dessa forma, os conceitos utilizados nas duas modelagens são bastante distinto sendo, à priori, favoráveis ao modelo termodinâmico, fato não condizente com os resultados obtidos no presente estudo. / Abstract: Modeling multicomponent vapor-liquid equilibrium (VLE) by means of Artificial Neural Networks (ANN) showed to be able to successfully reproduce observed experimental points. The main advantage of this approach, regards to the traditional approaches, resides in the capacity to modeling the equilibrium condition without the necessity of the prior definition of a specific model, which is a task very often strenuous. In the present work data of three binary systems were used to training a neural network model with the objective to predict the equilibrium of a ternary system at isobaric conditions. The training algorithm used was Levenberg-Marquardt with Bayesian Regularization, implemented through the software MATLAB. The best network structure contains the molar fractions of three components in the liquid phase, as input parameters, and the molar fractions of three components at vapor phase besides the temperature as the output parameters. The data normalization was carried out in the interval between 0 and 1. The sigmoid activation function was used in the hidden layer and linear function was used in the calculations of the exit layer. The performance of the models was analyzed from the coefficients of correlation, linear regression coefficients, residues between the experimental and predicted values, besides the root of the quadratic middle diversions (RMSD). The principal system studied was Methanol-Acetone-Water, being the developed concepts extrapolated to the polar systems Ethanol-Methanol-Water, Methanol-2-propanol-Water and to the nonpolar system Benzene-Cyclohexane-Hexane. Results presented indicate that vapor-liquid equilibrium prediction through neural network is consistent with experimental data and UNIQUAC model predictions. Moreover, when comparing the ANN model with the thermodynamic model it is important to notice that the first model uses binary systems to predict ternary system equilibrium, whereas the thermodynamic model uses parameters obtained from experimental ternary data regressions. Thus, the concepts used in both models are quite different, being favorable to the thermodynamic model. Even so the ANN model showed to be very reliable, in the present study. / Mestrado / Sistemas de Processos Quimicos e Informatica / Mestre em Engenharia Química

Orientador: Ana Maria Frattini Fileti / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Química / Made available in DSpace on 2018-08-18T19:16:53Z (GMT). No. of bitstreams: 1 Santos_BrunnoFerreirados_M.pdf: 1390100 bytes, checksum: 6d2b1c02098b1bb57ec404e3263f61a6 (MD5) Previous issue date: 2011 / Resumo: Indústrias de polimerização, em geral, utilizam diferentes sistemas reacionais para obter polímeros com diferentes características. Os processos de polimerização de estireno em batelada podem a apresentar um perfil de temperatura transiente, por causa de efeitos de viscosidade no meio reacional, são chamados de efeitos difusionais. Com a finalidade de controlar a temperatura destes tipos de sistema, engenheiros têm se voltado à busca de modelos que descrevam com fidelidade os processos nãolineares. Controle preditivo baseado em um modelo (MPC) de Redes Neurais Artificiais (RNAs) é uma opção para estes casos. Neste trabalho foram implementadas as equações algébricas e os parâmetros ajustados no treinamento de um modelo neural em uma planilha do Microsoft Excel. A atualização das variáveis do modelo se deu através da comunicação entre o Indusoft Web Studio (IWS) e a planilha via driver DDE (Dynamics Data Exchange). O treinamento do modelo neural aconteceu com algoritmo de Levenberg-Marquardt com regularização bayesiana utilizando o toolbox do MATLAB (comando trainbr). A validação do modelo foi realizada online, para garantir o uso do mesmo. Num primeiro momento, foram estudadas as condições para aplicação de controle fixando a proporção da mistura reacional em 50-50% em volume para monômero e solvente (estireno e tolueno, respectivamente) e a modelagem com RNA mostrou bons resultados. Em outro momento, realizou-se um controle em cascata da temperatura do reator manipulando a potência da resistência (variável manipulada) através da passagem de um fluido pela camisa do reator. Foi utilizado o simulink do MATLAB para fazer a malha de controle em cascata, através de um diagrama de blocos e sua atualização aconteceu via protocolo OPC (OLE for Process Control) de dados do Indusoft. Em paralelo, um modelo fenomenológico validado para processos poliméricos, envolvendo equações e parâmetros relacionados à polimerização de estireno, foi utilizado para estimar valores de conversão, massa molar média numérica (Mn) e massa molar média ponderal (Mw). Observou-se o sucesso da aplicação da estratégia de controle cascata adotada para a planta real, permitindo assim estabelecer uma comparação com as predições do modelo. Para o funcionamento do MPC, foram enviadas, a cada 5 segundos, as informações das variáveis de entrada (temperatura do reator, temperatura do fluido e a variação de potência) para o modelo neural na planilha, calculando automaticamente a temperatura do reator em um instante de amostragem à frente usando-a na função-objetivo do Solver no Excel (minimizar erro quadrático). O valor do Solver foi, então, mandado para o processo através de uma programação em VBA (Visual Basic Applications). Foram analisados os desempenhos dos controladores através do oveshoot, tempo de acomodação, IAE e ITAE. E realizou-se a utilização do controlador Híbrido (controle em cascata e MPC) o que melhorou a performance do sistema / Abstract: Chemical processes are included in several types of industries and demand precise control to reach the final product with quality. Because of the viscosity effects of reactor bulk (diffusional effects), the batch styrene polymerization processes present transient temperature behavior. Aiming at controlling the temperature of these systems, rigorous first principles models that describe nonlinearities precisely have been developed by engineers. The model predictive control (MPC) based on neural network modeling is one of the most approppriate techniques for these processes. In this work, the algebraic equations of a neural network and its adjusted parameters from the training step were implemented in an electronic worksheet (Excel software). The communication from the supervisory software (Indusoft Web Studio - IWS) and the worksheet were done through driver DDE (Dynamics Data Exchange), allowing the update of measured variables. The Bayesian Regularization Levenberg-Marquardt algorithm (trainbr function in the software MATLAB) was employed in network training. The model validation was on line performed in order to prove its suitability to the actual process. Initially, a 50/50 % volume ratio of solvent (Toluene) and monomer (styrene) was used for the control application studies, obtaining precise results using the neural network. Afterwards, a temperature cascade control loop was implemented by manipulating the resistance power inverter of the heating thermal fluid tank. This fluid circulates at the reactor jacket. The cascade control diagram was developed in the Simulink/MATLAB software. Updating measurements occurred by means of the OLE for Process Control protocol (OPC). A validated first principles model, using parameters related to the polymerization of styrene, was used to estimate conversion rates, number average molecular weight (Mn) and weight average molecular weight (Mw). The successful application of the control strategy allowed the comparison to the rigorous model predictions. The neural model input variables (reactor temperature, thermal fluid temperature and power inverter position) were captured from sensors every 5 seconds. At this time, the model in the worksheet calculated automatically the one-step-ahead temperature value, using this prediction in the objective function (squared error minimization) implemented in the solver of the Excel software. Using VBA (Visual Basic Applications) programming, the manipulated variable action was calculated and then sent to the process. The overshoot, settling time, IAE and ITAE were used as controller performance indexes. A hybrid controller (cascade feedback and MPC) was also tested, improving the performance of the system / Mestrado / Sistemas de Processos Quimicos e Informatica / Mestre em Engenharia Química