Made available in DSpace on 2014-06-12T18:04:02Z (GMT). No. of bitstreams: 2
arquivo210_1.pdf: 1599999 bytes, checksum: 6aa611c4066290949ffd21408dce9a3f (MD5)
license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5)
Previous issue date: 2010 / Agência Nacional do Petróleo, Gás Natural e Biocombustíveis / Hoje em dia há uma tendência global de refino de óleos pesados e tecnologias
capazes de converter esses óleos em frações mais leves e com um maior valor
agregado tornam-se indispensáveis. Este fato tem evidenciado os processos
térmicos, como o coqueamento retardado. Uma unidade de coqueamento é
geralmente composta de por três equipamentos fundamentais: a torre fracionadora,
o forno de coqueamento e no mínimo dois tambores de coqueamento que trabalham
em alternância devido à remoção dos sólidos produzidos no processo. A torre
fracionadora tem como objetivo principal o fracionamento dos efluentes oriundos dos
tambores de coque e da corrente de alimentação que pode ser oriunda das torres a
vácuo ou atmosférica, da integração energética de diversas correntes do processo,
bem como do amortecimento dos distúrbios gerados quando há o switch entre os
tambores que mantém a coluna sobre os valores desejados. Para simulação
dinâmica da torre fracionadora partiu-se do modelo, em estado estacionário,
desenvolvido por KAES em ambiente Hysys® utilizando a abordagem por
pseudocomponentes para representação composicional de todas as correntes. O
modelo adaptado foi utilizado para gerar dois diferentes bancos de dados para o
treinamento de redes neurais, as quais foram utilizadas para inferenciar a
composição dos gasóleos de coque leve e pesado. Para construção do estimador
neural, em ambiente Matlab®, foi realizada uma análise de sensibilidade utilizando a
decomposição em valores singulares (SVD) a fim de se selecionar as melhores
variáveis como entradas para o modelo. Na definição da topologia da rede neural,
fez-se uso de um software de busca de topologia, AV Analisador Virtual, para
determinar a melhor topologia possível baseando-se em dois diferentes parâmetros
de escolha, o primeiro com base no erro, e o segundo com base no erro e no
número de neurônios. Avaliaram-se as redes para ambos os bancos de dados
gerados escolhendo-se as melhores redes através do erro médio quadrático. As
composições estimadas foram utilizadas na elaboração de um controle inferencial e
comparados a estruturas de controle baseadas na temperatura de topo e num prato
escolhido
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/6309 |
| Date | 31 January 2010 |
| Creators | Glauco De Melo, Rony |
| Contributors | Lucena, Sérgio |
| Publisher | Universidade Federal de Pernambuco |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.1925 seconds