As inferências têm diversas aplicações na indústria de processos químicos, sendo essenciais no sucesso de projetos de controle avançado. O desempenho do controle será sempre ligado ao desempenho da inferência, sendo importante a manutenção da sua qualidade ao longo do tempo. Neste trabalho, uma nova metodologia é sugerida para o desenvolvimento de inferências baseadas em dados seguindo uma abordagem segmentada com o objetivo de facilitar a sua manutenção. A nova proposta consiste em modelar a parte estacionária separada da parte dinâmica, diferentemente do que é feito na metodologia tradicional, onde o modelo dinâmico é gerado diretamente dos dados de processo. O modelo estacionário é obtido através de uma regressão PLS (Partial Least Squares), enquanto as dinâmicas são inseridas posteriormente utilizando-se um algoritmo de otimização. A técnica é aplicada a uma coluna de destilação e o resultado obtido é semelhante ao de inferências dinâmicas e estáticas desenvolvidas com métodos tradicionais. Outras etapas do desenvolvimento de inferências também são investigadas. Na seleção de variáveis, métodos estatísticos são comparados com a busca exaustiva e se conclui este último deve ser usado como padrão, visto que custo computacional não é mais um problema. Também são apresentadas boas práticas no pré-tratamento de dados, remoção do tempo morto do cromatógrafo modelado e detecção de estados estacionários. / Soft-sensors have several applications in the chemical processes industry and are essential for the success of advanced control projects. Its performance will always be linked to the performance of the soft-sensor, so it is important to maintain its quality over time. In this paper, a new methodology is suggested for the development of data-based soft-sensors following a segmented approach in order to facilitate its maintenance. The new proposal is to model the stationary part separated from the dynamic, unlike the traditional methodology where the dynamic model is generated directly from process data. The stationary model is obtained by a PLS (Partial Least Squares) regression, while the dynamics are inserted using an optimization algorithm. The technique is applied to a distillation column and its performance is similar to dynamic and static soft-sensors developed using traditional methods. Other steps in the development of soft-sensors are also investigated. In variable selection issue, statistical methods are compared with the testing of all possibilities; the latter should be used as default, since computational cost is no longer a problem. We also present best practices in data pre-processing, gas chromatograph dead-time removal and steady state detection.

As inferências têm diversas aplicações na indústria de processos químicos, sendo essenciais no sucesso de projetos de controle avançado. O desempenho do controle será sempre ligado ao desempenho da inferência, sendo importante a manutenção da sua qualidade ao longo do tempo. Neste trabalho, uma nova metodologia é sugerida para o desenvolvimento de inferências baseadas em dados seguindo uma abordagem segmentada com o objetivo de facilitar a sua manutenção. A nova proposta consiste em modelar a parte estacionária separada da parte dinâmica, diferentemente do que é feito na metodologia tradicional, onde o modelo dinâmico é gerado diretamente dos dados de processo. O modelo estacionário é obtido através de uma regressão PLS (Partial Least Squares), enquanto as dinâmicas são inseridas posteriormente utilizando-se um algoritmo de otimização. A técnica é aplicada a uma coluna de destilação e o resultado obtido é semelhante ao de inferências dinâmicas e estáticas desenvolvidas com métodos tradicionais. Outras etapas do desenvolvimento de inferências também são investigadas. Na seleção de variáveis, métodos estatísticos são comparados com a busca exaustiva e se conclui este último deve ser usado como padrão, visto que custo computacional não é mais um problema. Também são apresentadas boas práticas no pré-tratamento de dados, remoção do tempo morto do cromatógrafo modelado e detecção de estados estacionários. / Soft-sensors have several applications in the chemical processes industry and are essential for the success of advanced control projects. Its performance will always be linked to the performance of the soft-sensor, so it is important to maintain its quality over time. In this paper, a new methodology is suggested for the development of data-based soft-sensors following a segmented approach in order to facilitate its maintenance. The new proposal is to model the stationary part separated from the dynamic, unlike the traditional methodology where the dynamic model is generated directly from process data. The stationary model is obtained by a PLS (Partial Least Squares) regression, while the dynamics are inserted using an optimization algorithm. The technique is applied to a distillation column and its performance is similar to dynamic and static soft-sensors developed using traditional methods. Other steps in the development of soft-sensors are also investigated. In variable selection issue, statistical methods are compared with the testing of all possibilities; the latter should be used as default, since computational cost is no longer a problem. We also present best practices in data pre-processing, gas chromatograph dead-time removal and steady state detection.

As inferências têm diversas aplicações na indústria de processos químicos, sendo essenciais no sucesso de projetos de controle avançado. O desempenho do controle será sempre ligado ao desempenho da inferência, sendo importante a manutenção da sua qualidade ao longo do tempo. Neste trabalho, uma nova metodologia é sugerida para o desenvolvimento de inferências baseadas em dados seguindo uma abordagem segmentada com o objetivo de facilitar a sua manutenção. A nova proposta consiste em modelar a parte estacionária separada da parte dinâmica, diferentemente do que é feito na metodologia tradicional, onde o modelo dinâmico é gerado diretamente dos dados de processo. O modelo estacionário é obtido através de uma regressão PLS (Partial Least Squares), enquanto as dinâmicas são inseridas posteriormente utilizando-se um algoritmo de otimização. A técnica é aplicada a uma coluna de destilação e o resultado obtido é semelhante ao de inferências dinâmicas e estáticas desenvolvidas com métodos tradicionais. Outras etapas do desenvolvimento de inferências também são investigadas. Na seleção de variáveis, métodos estatísticos são comparados com a busca exaustiva e se conclui este último deve ser usado como padrão, visto que custo computacional não é mais um problema. Também são apresentadas boas práticas no pré-tratamento de dados, remoção do tempo morto do cromatógrafo modelado e detecção de estados estacionários. / Soft-sensors have several applications in the chemical processes industry and are essential for the success of advanced control projects. Its performance will always be linked to the performance of the soft-sensor, so it is important to maintain its quality over time. In this paper, a new methodology is suggested for the development of data-based soft-sensors following a segmented approach in order to facilitate its maintenance. The new proposal is to model the stationary part separated from the dynamic, unlike the traditional methodology where the dynamic model is generated directly from process data. The stationary model is obtained by a PLS (Partial Least Squares) regression, while the dynamics are inserted using an optimization algorithm. The technique is applied to a distillation column and its performance is similar to dynamic and static soft-sensors developed using traditional methods. Other steps in the development of soft-sensors are also investigated. In variable selection issue, statistical methods are compared with the testing of all possibilities; the latter should be used as default, since computational cost is no longer a problem. We also present best practices in data pre-processing, gas chromatograph dead-time removal and steady state detection.

Global climate change concerns help shape current environmental regulations, which increasingly seek to reduce or capture CO2 emissions. Methods for capturing CO2 emissions from energy processes have been the focus of numerous studies to provide support for those seeking to reduce the environmental impact of their processes. This research has (1) simulated a baseline case of energy-storing cryogenic carbon capture for implementation on a 550 MWe coal fired power plant, (2) presented a novel cryogenic carbon capture process for removing CO2 from natural gas down to arbitrary levels, (3) presented a natural gas liquefaction process that has the ability to be highly CO2 tolerant, and (4) developed theoretical models and their experimental validation of CO2 capture predictions for all aforementioned processes.

<p>The present work is focused on the synthesis of small-scale (modular processes) to produce olefins from light alkane resources in shale gas.</p> <p>Olefins, which are widely used to produce important chemicals and everyday consumer products, can be produced from light alkanes - ethane, propane, butanes etc. Shale gas is comprised of light alkanes in significant proportion; and is available in abundance. Meanwhile, shale gas wells are small sized in nature and are distributed over many different areas or regions. In this regard, using shale gas as raw material for olefin production would require expensive transportation infrastructure to move the gas from the wells or local gas gathering stations to large central processing facilities. This is because existing technologies for natural gas conversions are particularly suited for large-scale processing. One possible way to take advantage of the abundance of shale resource for olefins production is to place small-sized or modular processing plants at the well sites or local gas gathering stations.</p> <p>In this work, new process concepts are synthesized and studied towards developing simple technologies for on-site and modular processing of light alkane resources in shale gas for olefin production. Replacing steam with methane as diluent in conventional thermal cracking processes is proposed to eliminate front-end separation of methane from the shale gas processing scheme. Results from modeling studies showed that this is a promising approach. To eliminate the huge firebox volume associated with thermal cracking furnaces and allow for a compact cracking reactor system, the use of electricity to supply heat to the cracking reactor is considered. Synthesis efforts led to the development of two electrically powered reactor configurations that have improved energy efficiency and reduced carbon footprints over and compare to conventional thermal cracking furnace configurations.</p> <p>The ideas and results in the present work are radical in nature and could lead to a transformation in the utilization of light alkanes, natural gas and shale resources for the commercial production of fuels and chemicals.</p>