Made available in DSpace on 2016-06-02T19:55:31Z (GMT). No. of bitstreams: 1
3949.pdf: 14912363 bytes, checksum: 74603ee22b1b95849f34a28e1a73f179 (MD5)
Previous issue date: 2011-06-30 / Currently, the amount of contaminants (such as sulfur, nitrogen and aromatics) in diesel oil is strictly controlled, due to their impact on pollutant emissions. The most important process used to meet fuel specifications regarding contaminants is the catalytic hydrogenation, specifically hydrotreatment (HDT). Optimization of the HDT process can benefit from reliable kinetic models of the hydrodesulfurization (HDS) and hydrodenitrogenation (HDN) reactions, among others. Modeling the HDS and HDN reactions is a complex task, as these occur in triphasic media and it is difficult to determine the composition of diesel oil. Fenomenological models demand a huge experimental effort on generation of data to estimate transport parameters or the utilization of empirical correlations, frequently developed under conditions dissimilar to those of an HDT process. Additionally, utilization of detailed kinetic models is unfeasible, due to the complexity of the reactional mixture. Consequently, pseudo-homogeneous models are largely employed, as they are simpler than heterogeneous models. The equations used to described HDS and HDN kinetics are based on power-law or Langmuir-Hinshelwood terms, Lumping of sulfur or nitrogen compounds into a single pseudo-component does not allow for extrapolation of a model adjusted to a given feed to other feeds, independently of the type of model (homo- or heterogeneous) and equation of reaction rate (power-law or Langmuir-Hinshelwood) employed. However, it is interesting to use a single heteroatomic pseudo-component in the models, as a reduced demand for experimental data enhances the potential for application of the models, given that the model-feed specificity is overcome. In the present work, generalization of pseudo-homogeneous models employing power-law based kinetic rates was accomplished through the inference of apparent kinetics parameters using seven macro-properties of the feeds, which were: density at 20oC; viscosity at 20oC; total sulfur concentration; total and basic nitrogen concentrations; total aromatics content; and temperature of 90% vaporization of the simulated distillation curve. Conventional artificial neural networks (feedforward multilayer perceptrons) performed the inference. Experimental data are scarce, mainly due to the high cost of experimentation, inducing the development of a methodology for dataset enlargement, based on statistical variability of the kinetic parameters and macro-properties. Dataset enlargement made possible the development of independent neural networks for prediction of each kinetic parameter, correctly capturing correlations among macroproperties and the parameters. Two different groups of neural networks were developed, one with higher complexity networks (expressed by a larger number of hidden neurons) and another with simpler ones (possessing fewer hidden neurons). Both were capable of capturing the aforementioned correlations, even though the simpler networks filter out the majority of the disturbances applied to the inputs. / Atualmente, a presença de contaminantes como enxofre, nitrogênio e aromáticos no óleo diesel é severamente controlada, devido ao impacto destes contaminantes nas emissões de poluentes. O processo mais importante para atender às especificações relacionadas a esses contaminantes é a hidrogenação catalítica, especificamente o hidrotratamento (HDT). A otimização do processo de HDT pode se beneficiar de modelos cinéticos confiáveis das reações de hidrodessulfurização (HDS) e hidrodesnitrogenação (HDN), entre outras. A modelagem das reações de HDS e HDN é complexa, pois o processo ocorre em meio trifásico e devido à dificuldade da determinação da composição do óleo diesel. Modelos fenomenológicos demandam grande esforço experimental na geração de dados para estimação dos parâmetros de transporte ou a utilização de correlações empíricas nem sempre obtidas em condições semelhantes ao HDT. Além disso, a complexidade da mistura reacional torna inviável a utilização de modelos cinéticos detalhados. Em consequência, modelos pseudo-homogêneos, por sua simplicidade em comparação aos modelos heterogêneos, têm sido largamente empregados. As equações usadas para descrever a cinética das reações de HDS e HDN são do tipo lei de potências ou Langmuir-Hinshelwood. Seja na modelagem heterogênea ou homogênea, utilizando a cinética tipo lei de potências ou Langmuir-Hinshelwood, a caracterização dos compostos de enxofre ou nitrogênio por um único pseudo-componente não possibilita a extrapolação de modelos ajustados a uma carga a outras diferentes. A utilização de um único pseudo-componente heteroatômico, entretanto, é interessante, pois a carga analítica reduzida potencializa a sua aplicação, desde que seja superada a especificidade carga-modelo. Neste trabalho, a generalização de modelos pseudo-homogêneos com cinética do tipo lei de potências foi conseguida através da inferência de seus parâmetros de cinética aparente a partir de sete macro-propriedades das cargas. As macro-propriedades utilizadas foram: densidade a 20C, viscosidade a 20C, concentração de enxofre total, concentrações de nitrogênio total e básico, aromáticos totais e temperatura 90% da destilação simulada. Redes neurais artificiais convencionais (feedforward multilayer perceptrons) foram aplicadas para inferência. Devido ao alto custo do levantamento de dados experimentais, estes são escassos, o que motivou o desenvolvimento de uma metodologia para ampliação das informações, com base nas variabilidades estatísticas dos parâmetros cinéticos e das macro-propriedades. Após a ampliação dos dados, foi possível construir redes neurais independentes para cada parâmetro, que identificaram corretamente as correlações entre as macro-propriedades e os parâmetros cinéticos da reação de HDS. Dois grupos de redes foram construídos, um com maior complexidade, expressa no maior número de neurônios, e outro mais simples, com menos neurônios. Ambos foram capazes de identificar as correlações, porém as redes menos complexas filtram grande parte das perturbações impostas nas variáveis de entrada.
Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufscar.br:ufscar/3906 |
Date | 30 June 2011 |
Creators | Ferreira, Adriana de Souza |
Contributors | Giordano, Roberto de Campos |
Publisher | Universidade Federal de São Carlos, Programa de Pós-graduação em Engenharia Química, UFSCar, BR |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
Format | application/pdf |
Source | reponame:Repositório Institucional da UFSCAR, instname:Universidade Federal de São Carlos, instacron:UFSCAR |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0019 seconds