Orientador: Rubens Maciel Filho / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Quimica / Made available in DSpace on 2018-08-04T00:14:02Z (GMT). No. of bitstreams: 1
Souza_EduardoThomazInglezde_D.pdf: 8130248 bytes, checksum: a68c3d77428869ae4d5d04c15a99a4c6 (MD5)
Previous issue date: 2004 / Resumo: Esta Tese de Doutorado está comprometida com a aplicação de técnicas computacionais que permitam auxiliar a integração de processos químicos contínuos em tempo real. Para tal faz-se necessário um estudo de caso, que para este trabalho foi adotado um fomo rotativo para incineradores de resíduos sólidos, cujas características são simuladas por meio de um modelo matemático. O objetivo principal é estudar o comportamento do processo em camadas, uma de controle avançado e outra para otimização. Sendo que a de otimização dividi-se em duas: processo e produção. Os controladores utilizados foram os tradicionais DMC (dynamic matrix control) e GPC (generalized predictive control), mais duas versões não lineares baseadas nestes. O primeiro destes controladores não lineares usa a estrutura do DMC, entretanto o modelo preditivo da dinâmica do processo dá-se por uma rede neural, a qual incorporou o comportamento não linear do modelo matemático do processo. O outro controlador não linear usa uma rede neural para predizer os parâmetros de um modelo de primeira ordem com tempo morto. Uma vez que estes parâmetros são atualizados tem-se um modelo dinâmico preditivo não linear. Com a finalidade de comparar a performance destes controladores avançados, um controlador PID é usado como referência, já que é o padrão para este tipo de processo. As leis de controle, que são problemas de otimização linear e não linear, são resolvidas com um algoritmo S.Q.P. A otimização da produção refere-se ao planejamento e controle, sendo que a modelagem obtida resulta em um problema linear com restrições também deste tipo. Sua resolução dá-se por meio de um algoritmo SIMPLEX. Quanto ao processo tem-se um problema de otimização não linear, cuja meta é calcular as vazões de combustível e ar secundário a partir de variações na vazão de alimentação do resíduo sólido, e seu respectivo poder calorífico. O otimizador visa minimizar o consumo do combustível auxiliar, respeitando restrições ambientais e operacionais, explicitadas na temperatura da câmara de combustão. Esta camada hierárquica faz uso do mesmo algoritmo S.Q.P mencionado acima e uma alternativa baseada em programação genética, para se obter os resultados desejados. O otimizador tem duas possibilidades para simular o processo: um modelo determinístico e uma rede neural baseada neste modelo. Os resultados mostraram que os controladores lineares (DMC e GPC) são robustos, estáveis e com tempo de processamento numérico mais que suficientes para integra-los em tempo real. Os controladores não lineares ficam restritos a processos cujas dinâmicas não sejam muito rápidas, na ordem de 30 segundos, após perturbação. Estas afirmações estão baseadas em controladores monovariados. A otimização da produção por ser linear, não apresentou problemas de convergência, tão pouco no tempo de processamento computacional. A otimização do processo também não foi problemática, excesso quando se usava o algoritmo genético com o modelo determinístico para a otimização. A integração das partes envolvidas funcionou com muita robustez, fornecendo uma ferramenta valiosa para o desenvolvimento de processos químicos contínuos em tempo real / Abstract: This Ph.D. Thesis has been committed in applying computational techniques that allow helping continuous chemical processes integration on-line. Thus, a case study has been necessary and for this work rotary kiln incineration process was selected, which characteristics are simulated by a mathematical model. The main goal is to understand the behavior of the process in layers, one for advanced control strategies and other for optimization. Being the optimization layer divided in two: process and production planning. The applied controllers have been the traditional DMC (dynamic matrix control) and GPC (generalized predictive control), plus two extra nonlinear versions based on those. The former nonlinear controller uses the DMC framework, however the predictive model has been obtained by means of neural network, which has incorporated the nonlinear behavior of the numerical model. The latter nonlinear controller uses a neural network to predict the parameters of a first order mo de! with time delay. Since these parameters are updated online one has a nonlinear dynamic predictive model. In order to compare the performance of these advanced controllers, a PID is used as a reference, because it has been the industrial standard for this kind of process. The control laws, that can be linear and nonlinear optimization problems, have been solved with a S.Q.P (sequential quadratic programming) algorithm. The production optimization is referred to the production planning of the unit, being the resulting model a linear problem, as well as its constraints. Its resolution has been carried out by a SIMPLEX algorithm. Concerning the process one has a nonlinear optimization problem, which goal is to compute fuel and air flow rates starting from solid residue inlet flow rate and its calorific power. The optimizer seeks to minimize the fuel consumption, respecting environmental and operational constraints, expressed by the combustion chamber temperature. This layer makes use of the same aforementioned S.Q.P, and a second strategy based on genetic algorithms. The optimizer has two possibilities to simulate the process: a deterministic and a neural network model. The results have shown that the linear controllers (DMC and GPC) are robust, stables and with processing time fast enough to be used online. The nonlinear controllers are restricted to process with dynamics not to quick, because a few seconds are sometimes necessary to complete then numerical computations. Such statements have been based on monovariate controllers. Since the production optimization has a linear framework, it has not presented convergence difficulties, as well as long numerical processing time. The process optimization has not shown problems, except when the genetic algorithm was applied with the deterministic model to optimize the process. The integration has worked robust1y, supplying a precious tool to continuos chemical process development online and in real time / Doutorado / Desenvolvimento de Processos Químicos / Doutor em Engenharia Química
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.unicamp.br:REPOSIP/267687 |
| Date | 16 July 2004 |
| Creators | Souza, Eduardo Thomaz Inglez de |
| Contributors | UNIVERSIDADE ESTADUAL DE CAMPINAS, Maciel Filho, Rubens, 1958-, Tomaz, Edson, Toledo, Eduardo Coselli Vasco de, Almeida, Paulo Ignacio Fonseca de, Guardani, Roberto |
| Publisher | [s.n.], Universidade Estadual de Campinas. Faculdade de Engenharia Quimica |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Format | 321p. : il., application/pdf |
| Source | reponame:Repositório Institucional da Unicamp, instname:Universidade Estadual de Campinas, instacron:UNICAMP |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0029 seconds