Você está na página 1de 16

UNIVERSIDADE FEDERAL DE ALAGOAS – UFAL

CENTRO DE TECNOLOGIA – CTEC


CURSO DE ENGENHARIA QUÍMICA

RAFAEL DE FIGUEIREDO

MODELAGEM EMPÍRICA ATRAVÉS DE REDES NEURAIS ARTIFICIAIS DO


SISTEMA DE SAL DE UM EVAPORADOR TRÍPLICE EFEITO DA INDÚSTRIA DE
CLORO-SODA

MACEIÓ
2018
RAFAEL DE FIGUEIREDO

MODELAGEM EMPÍRICA ATRAVÉS DE REDES NEURAIS ARTIFICIAIS DO


SISTEMA DE SAL DE UM EVAPORADOR TRÍPLICE EFEITO DA INDÚSTRIA DE
CLORO-SODA

Plano do Trabalho de Conclusão de Curso


sobre o tema citado acima, como parte dos
requisitos para obtenção do título de
Engenheiro Químico, sob orientação do
Professor Dr. Frede de Oliveira Carvalho.

MACEIÓ
2018
2

RESUMO

O cloreto de sódio é a principal matéria prima em indústrias de cloro-soda, sendo extraído pela
injeção de água a alta pressão, formando uma solução salina denominada salmoura. Esta é
posteriormente enviada para a eletrólise, onde são formados os produtos primários: Cloro,
hidrogênio e licor. O licor é uma solução de aproximadamente 15% de cloreto de sódio e 13%
de soda cáustica, que é encaminhado para a área de evaporação, onde irá atingir as
especificações da soda produto, que contém apenas 1% de cloreto de sódio em sua composição.
O restante do cloreto de sódio que entra na área, tem o seu fluxo em sentido inverso ao de
produção de soda no evaporador, com densidades estabelecidas em projeto para operação em
cada um dos efeitos da evaporação para posteriormente ser reaproveitado em um ressaturador
de salmoura aquecida. A vazão de retirada de sal nos evaporadores é controlada por uma válvula
macho, que trabalha em ciclos de abertura e fechamento de 120 segundos, cuja proporção é
estipulada pela heurística e intuição do operador de painel, que está passível de erro, fazendo
com que a área opere fora das condições estabelecidas em projetos durante grande parte do
tempo. Com os iminentes avanços de tecnologia e a popularização dos termos de indústria 4.0
e big data, a utilização de redes neurais se torna cada vez mais recorrente em indústrias
químicas, que tendem a acompanhar as evoluções do mercado mundial. Devido à
disponibilidade de um vasto banco de dados compilados durante anos de operação correta e
incorreta da planta de cloro soda local e a dificuldade de se estabelecer correlações aparentes
entre as variáveis de processo, uma alternativa a se investigar para a diminuição de falhas
operacionais de modo a atender as especificações de projeto seria a implementação de uma rede
neural artificial, devido ao seu baixo custo e fácil implementação. Para a execução desse
trabalho será necessário o estudo do funcionamento da área, para mapear as variáveis que mais
impactam no processo de recuperação de sal. A rede neural será então treinada a partir da coleta
de dados históricos dessas variáveis, bem como os dados de abertura e fechamento da válvula,
de modo a criar um modelo empírico de inferência dos parâmetros de operação de retirada de
sal.

Palavras-chaves: Rede neural, evaporação, cristalização.


3

SUMÁRIO

1. INTRODUÇÃO ...................................................................................................................... 4

1.1 Definição do sistema ............................................................................................................ 4

1.2 Definição do problema ......................................................................................................... 5

2. OBJETIVOS ........................................................................................................................... 6

2.1 Objetivo Geral ...................................................................................................................... 6

2.2 Objetivos Específicos ........................................................................................................... 6

3. REVISÃO BIBLIOGRÁFICA ............................................................................................... 7

3.1 Evaporação de múltiplos efeitos ........................................................................................... 7

3.2 Rede neural artificial ............................................................................................................ 8

4. METODOLOGIA ................................................................................................................. 12

5. RESULTADOS PRETENDIDOS ........................................................................................ 13

6. CRONOGRAMA DE ATIVIDADES .................................................................................. 14

REFERÊNCIAS ....................................................................................................................... 15
4

1. INTRODUÇÃO

A indústria de cloro-soda realiza uma das maiores operações eletroquímicas do mundo,


sendo seus principais produtos cloro e hidróxido de sódio, que são gerados simultaneamente
pela eletrólise de soluções de cloreto de sódio. Produtos estes que estão entre os dez compostos
químicos mais produzidos mundialmente e estão envolvidos na manufatura de diversos
produtos de usos diversos, como fármacos, detergentes, plásticos, colas e pesticidas (O'BRIEN;
BOMMARAJU; HINE, 2005).
O cloreto de sódio é a principal matéria prima em indústrias de cloro-soda, sendo
extraído pela injeção de água a alta pressão em minas de sal, formando uma solução salina
denominada salmoura. Esta é posteriormente enviada para a eletrólise, onde são formados os
produtos primários: Cloro, hidrogênio e licor.
O licor é uma solução de aproximadamente 15% de cloreto de sódio e 13% de soda
cáustica, que é encaminhada para a área de evaporação, onde irá atingir as especificações da
soda produto, que contém apenas 1% de cloreto de sódio em sua composição. O restante do
cloreto de sódio corresponde então a 98% da vazão de sal que entra na área de evaporação, foco
deste trabalho, demonstrando a importância do reaproveitamento deste material.

1.1 Definição do sistema

A planta de cloro-soda em estudo possui uma área de evaporação, composta por um


sistema tríplice-efeito de alimentação de fluxo reverso, com entrada de vapor vivo no primeiro
efeito e entrada de licor de células no terceiro efeito. O sistema conta com um efeito flash
adicional, responsável por resfriar a soda concentrada que será enviada para o sistema de
resfriamento. O sal segue o mesmo sentido do fluxo de vapor, saindo do primeiro efeito,
passando pelos efeitos subsequentes, para posteriormente ser estocado em um tanque de peso,
responsável por alimentar as centrífugas de sal, onde ocorre a sua purificação. O sistema pode
ser representado pela Figura 1, com a indicação apenas do fluxo de sal.
5

Figura 1 - Representação do sistema de evaporação, com indicação do fluxo de sal.

Fonte: Autor, 2018.

1.2 Definição do problema

A vazão de retirada de sal nos evaporadores é controlada por uma válvula macho,
situada na linha de saída da perna de decantação do terceiro efeito, que trabalha em ciclos de
abertura e fechamento de 120 segundos, cuja proporção é estipulada pela heurística e intuição
do operador de painel, que está passível de erro, fazendo com que a área opere fora das
condições estabelecidas em projeto durante grande parte do tempo. Desta forma, busca-se por
uma ferramenta de tomada de decisão, que possa substituir o método atual.
Com os recentes avanços de tecnologia e a popularização dos termos de indústria 4.0 e
big data, a utilização de inteligências artificiais para reconhecimento de padrões e detecções de
falhas, a partir da análise de grandes massas de dados se torna cada vez mais recorrente em
indústrias químicas, que tendem a acompanhar as evoluções do mercado mundial. Devido à
disponibilidade de um vasto banco de dados compilados durante anos de operação da planta de
cloro soda local e a dificuldade de se estabelecer correlações aparentes entre as variáveis de
processo, uma alternativa a se investigar para a diminuição de falhas operacionais de modo a
atender as especificações de projeto seria a implementação de uma rede neural artificial, devido
ao seu baixo custo e fácil implementação. Para a execução desse trabalho será necessário o
estudo do funcionamento da área, para mapear as variáveis que mais impactam no processo de
recuperação de sal. A rede neural será então treinada a partir da coleta de dados históricos dessas
variáveis escolhidas, bem como os dados de abertura e fechamento da válvula (decisão
operacional), de modo a criar um modelo empírico de inferência dos parâmetros de operação
de retirada de sal.
6

2. OBJETIVOS

2.1 Objetivo Geral

Desenvolvimento e utilização das redes neurais artificiais na modelagem empírica de


um evaporador tríplice efeito para servir de apoio nas tomadas de decisões em estratégias
operacionais, buscando a minimização de incidência de erros associados às tomadas de decisões
no controle das densidades de sal aparente na área de evaporação da indústria de cloro-soda.

2.2 Objetivos Específicos

• Levantamento de variáveis importantes ao processo de recuperação de sal na área


de evaporação de uma indústria típica de cloro-soda;
• Extração e mineração dos dados armazenados nos bancos de dados da indústria;
• Tratamento e estudo estatístico dos dados extraídos;
• Treinamento e validação do modelo empírico, baseado em rede neural artificial em
ambiente MATLAB®;
• Desenvolvimento de estratégia para implementação do modelo matemático;
• Implementação e acompanhamento do desempenho da Rede Neural Artificial.
• Validação do método, por comparação estatística entre os períodos pré e pós
implementação da solução.
7

3. REVISÃO BIBLIOGRÁFICA

Para um melhor desenvolvimento deste trabalho será necessário um levantamento dos


principais tópicos e assuntos fundamentais ao estudo do tema proposto. Os assuntos relevantes
escolhidos para discutir esse tema foram: evaporação de múltiplos efeitos e rede neural
artificial.

3.1 Evaporação de múltiplos efeitos

A evaporação é uma operação unitária de separação de fases pela diferença de


volatilidade entre uma ou mais espécies, ocorrendo pelo contato indireto entre a solução a ser
concentrada e o “vapor vivo”, nome dado ao vapor saturado proveniente da queima de gás
natural e hidrogênio em caldeiras. Esta operação unitária não deve ser confundida com a
secagem, visto que a evaporação tem como produto um fluido concentrado, ao passo que na
secagem se tem a obtenção de um sólido seco (WESTPHALEN, 1999).
A alta carga de vapor demandada pela evaporação, devido ao alto valor do calor latente
de vaporização da água justifica o elevado número de estudos encontrados na literatura acerca
do aproveitamento energético e exergético do sistema de evaporação. Os estudos geralmente
buscam estabelecer a melhor configuração para aproveitamento energético de um sistema de
evaporação, através da análise do número de evaporadores e da configuração de sentidos dos
fluxos.
Quanto ao fluxo de alimentação, os sistemas de evaporação múltiplos efeitos podem ser
do tipo fluxo reverso, onde a alimentação de vapor e da solução a ser concentrada são inseridas
em efeitos diferentes, ou do tipo fluxo direto, onde o vapor e a solução são inseridos em um
mesmo efeito. Os dois tipos de alimentação estão representados na figura 2 abaixo.

Figura 2 - Comparativo dos tipos de alimentação em sistema tríplice-efeito de evaporação.

Fonte: Autor, 2018.


8

Em um sistema de evaporação de soda cáustica, o licor de células do tipo diafragma


apresenta um alto teor de sal, o que implica em um aumento progressivo do ponto de ebulição
da solução em relação à concentração de cloreto de sódio em conjunto com o aumento já
esperado relacionado à concentração de hidróxido de sódio (O'BRIEN; BOMMARAJU; HINE,
2005). Com isso, para esse tipo de sistemas, convém a utilização do fluxo reverso de
alimentação, para maior aproveitamento energético com múltiplos efeitos, visto que a solução
mais concentrada de hidróxido de sódio, que apresenta maior elevação do ponto de ebulição
estará em contato com a solução com maior poder calorífico, além de ser importante a utilização
de refluxos para retorno do sal decantado, fazendo com que a concentração de sal em cada
efeito seja reduzida.
Gautami (2012) fala da complexidade dos modelos matemáticos para evaporadores de
múltiplo efeito, devido ao conjunto de equações lineares e não lineares, sendo utilizados
algoritmos em cascata para estabelecer diferentes condições de operação para cada efeito. E
apesar da robustez destes modelos, estes ainda esbarram em problemas de estabilidade e
convergência, devido à complexidade causada pela deposição de fibras e sais, o que justifica o
número escasso de trabalhos relacionados à evaporação em sistemas de soda cáustica.
São ainda mais raros trabalhos concretos relacionados às quantificações das taxas de
cristalização, massa de cristais e distribuição de partículas para avaliação da cristalização em
evaporadores, como constatado por Nunes (2005).
O laboratório de sistemas inteligentes aplicados (LABSIA), realizou estudos de
modelagem matemática de um sistema tríplice-efeito de evaporação (SARAIVA, 2016), o que
irá auxiliar no desenvolvimento de uma estratégia de solução para o problema apresentado.
Dada a dificuldade em se estabelecer um modelo matemático coerente para o sistema
em estudo, e visando diminuir os impactos gerados pela operação fora das condições projetadas,
a utilização de um método de inferência se torna uma alternativa viável.

3.2 Rede neural artificial

O cérebro humano é uma coleção de mais de 10 bilhões de neurônios interconectados,


cada um formando uma célula que utiliza reações bioquímicas para receber, processar e
transmitir informações. Como visto na Figura 3 abaixo, a estrutura de uma célula nervosa é
formada principalmente por:
9

• Dendritos – Fibras responsáveis pela conversão química da informação recebida


em sinais elétricos.
• Axônios – Fibra responsável pela transferência dos sinais elétricos.
• Soma – Corpo da célula, onde ocorre os processos metabólicos para sua
sobrevivência.
Figura 3 - Estrutura de uma célula nervosa

Fonte: Adaptado de AIM (Artificial Intelligence Magazine)

A rede neural artificial, representada pela Figura 4 abaixo, foi desenvolvida como um
modelo matemático simplificado, inspirados na estrutura neural de organismos inteligentes e
que adquire conhecimento através da experiência.

Figura 4 - Representação de uma rede neural artificial

Fonte: Autor, 2018.

A ideia de utilizar redes neurais artificiais para a solução de problemas que requerem
complexas análises de dados não é nova, e vem sendo utilizado de maneira significativa a mais
10

de 40 anos. Dentro da área da engenharia de processos, é muito utilizada para estimativas,


processos de detecções de falhas e diagnósticos de processamento de informações imprecisas
ou imprevisíveis (WILLIS, 1991).
Ao longo do tempo foram propostas as mais variadas topologias de redes neurais, que
diferem pelo número de nodos, conexões, procedimento de treinamento da rede e na
discretização ou não dos valores de entrada e saída (HOSKINS; HIMMELBLAU, 1988). A
topologia mais utilizada é a de multicamadas do tipo feed forward, como demonstrada pela
Figura 5 abaixo.

Figura 5 – Estrutura de uma rede neural artificial do tipo feed forward

Fonte: Autor, 2018.

O funcionamento da rede neural pode ser dividido em quatro partes, como descrito
abaixo:

1) Camada de entrada: É aplicada uma normalização tipo “máximo-mínimo” em três


etapas, onde primeiro se realiza uma subtração pelo offset das variáveis de entrada, seguido
por uma multiplicação pelo ganho de cada variável e por fim uma soma pelo valor mínimo de
entrada.
2) Primeira camada oculta: É realizada uma multiplicação matricial, entre a saída da
camada anterior e os pesos dos neurônios (W) da primeira camada oculta, para posteriormente
ser somada a uma matriz contendo os bias (b) de cada neurônio da camada. Essa resposta (xp1)
é então submetida a uma função transferência, para linearização do modelo. A função mais
usual é a do tipo tangente hiperbólica sigmoidal (tansig), que é representada pela equação 1
abaixo.
2
𝑡𝑎𝑛𝑠𝑖𝑔(𝑥𝑝1) = 1+𝑒 −2∗𝑥𝑝1 − 1 (1)
11

3) Segunda camada oculta: É realizada uma multiplicação matricial, da saída da


camada anterior pelos pesos dos neurônios (W) da segunda camada oculta, gerando uma
resposta (xp2). Essa resposta será somada aos bias (b) desta camada.
4) Camada de saída: É aplicada uma normalização inversa à que foi utilizada na
camada de entrada, onde primeiro se realiza uma subtração pelo valor mínimo de saída,
seguido por uma multiplicação pelo seu ganho, para então ser realizada a soma pelo offset da
variável de saída.
Portanto, o funcionamento da rede neural se dá pela alimentação dos dados de entrada
a uma camada de neurônios, chamada de camada oculta, onde são adequados aos pesos (W)
correspondentes de cada uma das variáveis de entrada para cada um dos neurônios. Os valores
resultantes são somados aos valores de ativação residual interna (b), e então enviados para a
função de transferência, que realiza a linearização do modelo. Os resultados de cada neurônio
da camada oculta são enviados à camada de saída, onde são submetidos aos pesos (W) e valores
de ativação residual interna (b), de maneira similar ao que ocorre na camada oculta, passando
por uma nova função transferência e assim gerando o valor de saída.
A etapa de aprendizado é onde se estabelecem os valores adequados aos parâmetros de
pesos e bias, através da aquisição de experiência da rede pela leitura de uma série de dados, que
devem ter uma boa consistência. Os métodos de convergência são uma etapa vital para a
coerência de geração de dados de uma rede neural, sendo citados vários métodos na literatura
para a realização desta etapa, sendo os mais frequentes os métodos que utilizam a
retropropagação de erros. Durante este processo, os erros são enviados em fluxo inverso ao
fluxo normal de dados, adequando os valores dos parâmetros da rede conforme a distância do
valor encontrado em relação ao valor conhecido.
Dentre os métodos de retropropagação de erros, estão entre os mais citados na literatura
a regra do delta generalizado (JONES; HOSKINS, 1987), o método de gradiente conjugado
escalonado (MOLLER, 1993), o método de Levenberg-Marquadt (MARQUADT, 1963) e o
método modificado de Levenberg-Marquadt (HAGAN; MENTHAJ, 1994).
12

4. METODOLOGIA

A metodologia que será empregada nesse trabalho seguirá de acordo com o fluxograma
representado pela Figura 6 abaixo.

Figura 6 - Etapas da metodologia a ser empregada.

Fonte: Autor, 2018.

A revisão bibliográfica terá como enfoque o entendimento do processo e da utilização


de uma rede neural artificial como solução do problema em questão. O estudo da ferramenta
computacional se faz necessário para a criação do algoritmo da rede neural artificial, que
necessita do levantamento de dados históricos das variáveis de processo que impactam na
tomada de decisão do operador.
Após mapeadas as variáveis, é necessária uma análise de consistência dos dados, para
retirada de outliers, de forma a aproximar o máximo possível às condições de processo para
retirada de indicações falsas e seleção de dados condizentes com a operação da planta, além de
um tratamento estatístico dos dados. É feito então o treinamento da rede neural artificial, pela
inserção de dados consistentes e pela avaliação da quantidade correta de neurônios na camada
oculta, de forma a obter resultados satisfatórios. Posterior ao treinamento da rede neural, é
realizada uma etapa de validação da mesma, feita a partir das repostas da rede ao se inserir
dados que não foram utilizados em sua etapa de treinamento.
Feita a etapa de validação, será realizada a implementação do modelo matemático da
rede neural pós treinamento offline, com auxílio da equipe de automação para transcrição do
algoritmo para a linguagem do SDCD da planta, para ser posteriormente implementada no
painel de operação. Finalmente, será feito um acompanhamento das variáveis de processo, para
comparação entre o desempenho antes e pós implementação da rede neural.
13

5. RESULTADOS PRETENDIDOS

Para a realização deste trabalho, será necessário a utilização dos conhecimentos


adquiridos durante a graduação, principalmente nas áreas de operações unitárias, fenômenos de
transporte, estatística, métodos numéricos e inteligências artificiais.
Com a implementação da rede neural artificial, espera-se conseguir atingir um nível de
estabilidade das densidades de sal aparente entre os efeitos, de modo a adequar a operação aos
níveis estipulados no projeto original da planta, o que acarretaria em uma maior facilidade de
identificação de falhas nos equipamentos ao se estabilizar um parâmetro que atualmente
apresenta altas variações.
Além de diminuir o tempo reação de processo em relação ao operador, devido à maior
perceptibilidade da rede neural artificial para pequenas variações de processo, o fato de impor
a necessidade de inserir os valores de duas em duas horas para a tomada de decisão da rede
neural, faz com que as análises de sal sejam mais constantes, reduzindo a intermitência de
inserções de dados observada atualmente na planta de cloro-soda.
Desta forma, o objetivo final deste projeto é a aplicação real em planta de uma solução
de custo zero, visto que apenas será necessária a implementação de um algoritmo em um
sistema já existente e o treinamento dos operadores para a utilização da mesma, podendo ao
fim do projeto sugerir novas melhorias à partir dos ganhos gerados pela solução anterior.
14

6. CRONOGRAMA DE ATIVIDADES

Tabela 1. Cronograma de atividades.

Fonte: Autor, 2018.


15

REFERÊNCIAS

GAUTAMI, G.; KHANAM, S. Selection of optimum configuration for multiple effect


evaporator system. Desalination, Orissa, v. 288, p. 16-23, 2002.

HAGAN, M.; MENHAJ, M. Training feedforward networks with the Marquadt Algorithm.
IEEE Transactions on neural networks, v. 5, n. 6, p. 989-993, 1994.

HOSKINS, J.; HIMMELBLAU, D. Artificial neural networks models of knowledge


representation in chemical engineering. Computers & chemical engineering, v. 12, n. 9/10,
p. 881-890, 1988.

JONES, W.; HOSKINS, J.; Back-propagation, a generalized delta learning rule, BYTE:
Heuristic algorithms, New York, v. 12, n. 11, p. 155-162, 1987.

MARQUADT, D. An algorithm for least-squares estimation of nonlinear parameters. Journal


of the society for industrial and applied mathematics, v. 11, n. 2, p. 431-441, 1963.

MOLLER, M.; A scaled conjugate gradiente algorithm for fast supervised learning. Neural
networks, v. 6, p. 525-533, 1993.

NUNES, C. Modelagem e avaliação de evaporadores de tríplice efeito para concentração


de soda cáustica em estado estacionário. Dissertação (Mestrado em Engenharia Química) -
Universidade Federal de Campina Grande, Campina Grande, PE, 2006.

O'BRIEN, T.; BOMMARAJU, T.; HINE, F. Chlor-Alkali Technologies. In: Handbook of


Chlor-Alkali Technology. Springer, Boston, 2005.

SARAIVA, S. Modelagem fenomenológica de evaporadores de tríplice efeito para


concentração de soda cáustica, visando à aplicação da ferramenta computacional para
detecção de falhas. Relatório PIBIC, Universidade federal de alagoas, Maceió, AL, 2016.

WESTPHALEN, D. Modelagem, simulação e otimização de sistemas de evaporação. Tese


(Doutorado em Engenharia Química) - Universidade Federal de Campinas, Campinas, SP,
1999.

WILLIS, M.; MASSIMO, C.; MONTAGUE, G.; THAM, M.; MORRIS, A. Artificial neural
networks in process engineering. IEE Proceedings-d, v. 138, n. 3, p. 256-266, 1991.