Escolar Documentos
Profissional Documentos
Cultura Documentos
Coronel Fabriciano
2011
OLIVERT SOARES PINHEIRO
Coronel Fabriciano
2011
OLIVERT SOARES PINHEIRO
__________________________________
Dair José de Oliveira, Dr.
UNIFEI – Orientador
______________________________________
Roselito de Albuquerque Teixeira, Dr.
PPGE/Unileste-MG – Co-Orientador
__________________________________
Marcelo Vieira Corrêa, Dr.
PPGE/Unileste-MG
_____________________________________
Andréa Oliveira Souza da Costa, Dra.
UFES / Campus de Alegre
Dedico este trabalho a toda minha família e amigos.
AGRADECIMENTOS
(Horácio)
RESUMO
A chemical recovery boiler in a pulp mill has the function of recovering the inorganic material
from the cooking process, to produce steam to supply the demands of the mill and to feed the
generators for producing electricity in the industry. So, it has a strategic role, and it often
works in a non-optimized mode. The purpose of this study is to propose the optimization of
the main operating parameters of a chemical recovery boiler of a Kraft bleached pulp mill. A
model was developed using a multilayer perceptron artificial neural network, based on real
process data obtained during one year of operation. Data were obtained from the plant
information management system, stored in a spreadsheet and subsequently "read" by a neural
network. These data were obtained in normal operation conditions of the system in steady
state, excluding data of loading variation, start up and shut down. After obtaining the process
model, the optimization problem was formulated, which was the basis for the use of
ellipsoidal algorithm to seek the best combination of variables of boiler operation in order to
maximize the production of steam. Optimized input variables of neural network enable to
maximize the production of steam with respect to the fuel fed into the boiler. The choice of
variables included in the model was based on an operational search conducted in the process,
which considered the literature and knowledge of process engineers. The result of the
optimization strategy has presented an index of linear correlation between the predicted and
measured variables of 0.95. The proposal presented in this study was implemented in the
factory and has shown satisfactory results. For this study, operational search techniques,
modeling and nonlinear programming were used, combined with industrial automation and
production management systems.
1 INTRODUÇÃO
desenvolvidos para a indústria de celulose podem ser citados: Costa (2000), que desenvolveu
um simulador para o Sistema de Evaporação Múltiplo-Efeito de Licor Preto, baseado em
redes neurais e um modelo fenomenológico; Dayal (1994) que aplicou redes neurais e
métodos de mínimos quadrados para modelar o #Kappa em um digestor contínuo; Gerhard
(1998) que desenvolveu através de redes neurais parâmetros para limpeza dos efeitos de
evaporadores; Leiviska et al. (1999) que utilizaram uma combinação de redes neurais,
algoritmos genéticos e lógica fuzzy para otimização da produção de uma planta de
branqueamento de polpa; Martinelli (2000) que realizou estudos para a construção de um
sensor virtual, através da técnica de redes neurais, para predizer a concentração do licor preto
na planta de evaporação; Moczydlower (2002) que desenvolveu modelos para inferir variáveis
de controle do digestor, principalmente #Kappa; Rudd (1991) que desenvolveu uma rede para
estimar a consistência na manta de um filtro lavador na planta de Branqueamento; Schultz et
al. (1999) que desenvolveram redes neurais para predizer a espessura do cavacos em função
do tempo de estocagem e posição; Sorsa et al. (1992) que utilizaram redes neurais para
investigar quebras na folha em máquinas de celulose e papel; Vaughan et al. (1999) que
utilizaram redes neurais para modelar, em tempo real, a alvura da polpa após o estágio final
de branqueamento com dióxido de cloro; Zhu et al. (1997) que aplicaram redes neurais no
processo de branqueamento.
Atualmente as redes neurais artificiais estão sendo utilizadas nas mais diversas
aplicações no Brasil, nas quais se pode citar a recuperação de informação (FERNEDA, 2006),
processo de tratamento de água (MENEZES et al., 2009), modelagem de sistemas de
resfriamento (KLASSEN et al., 2009), estimação de volume de árvores (GORGENS 2009),
engenharia nuclear (LUCAS, 2009), predição de rugosidade do aço (PONTES, 2010).
Existem inúmeras razões para justificar o uso de redes neurais na área de
processos químicos e a primeira delas é que são bons aproximadores de funções não lineares
(HORNIK et al.; 1989 e CYBENKO, 1989). Uma segunda razão, conforme Qin (1997), é que
uma rede neural pode ser treinada utilizando dados históricos de um processo químico, pois
com a disponibilidade da imensa massa de dados provenientes dos sistemas digitais de
controle distribuídos (SDCD), a construção de um modelo baseado em redes neurais é
eficiente em termos de custo.
O algoritmo elipsoidal foi utilizado por possuir algumas características
interessantes, como: alta robustez, estrutura simples e as restrições podem ser trabalhadas
independente do algoritmo (SALDANHA, 1999; TAKAHASHI et al., 2003; CALAFIORE e
DABBENE, 2007).
15
1.1 Objetivos
1.3 Restrições
como base para o levantamento de dados e estudo do processo. Faz-se um estudo das redes
neurais artificiais, suas funções e aplicações na indústria de celulose e em caldeiras de
recuperação. Mostram-se as particularidades do algoritmo elipsoidal e suas principais
características. Na parte de modelagem estudou-se os tipos de modelos matemáticos, suas
definições e aplicações.
O Capítulo 3 é dedicado aos materiais e métodos. Este capítulo apresenta todo o
desenvolvimento do trabalho, evidenciando os materiais utilizados na pesquisa, informações
dos dados coletados, algoritmos e ferramentas necessárias para implementação da otimização
proposta e aplicação dos conhecimentos adquiridos.
O Capítulo 4 é dedicado aos resultados encontrados após implantação do
algoritmo na caldeira de recuperação. É analisada a resposta do algoritmo quanto à eficiência
na produção de vapor e a eficiência de redução de sulfato a sulfeto.
O Capítulo 5 é dedicado às considerações finais. Neste capítulo são apresentas as
conclusões da dissertação e sugestões para trabalhos futuros.
2 REVISÃO BIBLIOGRÁFICA
Celulose
Água
Lavagem da Espessador da
lama de cal lama de cal
Armazenagem de
licor branco Calcário
Clarificadores
Forno de cal
Caustificadores
Cavacos
Armazenagem de
Digestor licor verde
Tanque de descarga Clarificador de Lavagem de “dreg’s”
Água Lavagem de pasta licor verde
Segundo Assumpção et al. (1988), o processo Kraft tem como principal vantagem
o sistema de recuperação dos produtos químicos a ele associado. Por outro lado, apresenta
como desvantagens: o alto custo, baixo rendimento entre 40 a 50%, as emissões de odores no
ambiente, baixa alvura após o cozimento e, consequentemente, maior custo de
branqueamento.
Após a etapa de cozimento, a polpa que deixa o digestor passa por uma lavagem
de massa marrom. Em seguida é branqueada através de uma série de processos químicos que
utilizam oxigênio, peróxido de hidrogênio, soda cáustica e dióxido de cloro. Por fim, a polpa
é enviada para as etapas de secagem e enfardamento.
23
2.1.2 Madeira
2.1.3 Cozimento
2/3 dos carboidratos são extraídos. Uma parte da lignina não é retirada para evitar o ataque
exagerado aos carboidratos (GOMIDE, 2005).
Os digestores são vasos de pressão onde os cavacos de madeira são tratados com o
licor de cozimento, à pressão e temperatura entre 150 e 170°C (BERGLIN et al., 1999),
visando a produção de pasta de celulose (ASSUMPÇÃO et al., 1988). O ciclo de operação do
cozimento inicia-se com a introdução dos cavacos e do licor branco no digestor, seguido pelo
aquecimento do conjunto até a temperatura estabelecida, conforme o tipo de cozimento
empregado. As variáveis: temperatura, tempo de cozimento e quantidade de reagentes,
promovem a solubilização e separação das fibras. A Figura 2.5 mostra um dos digestores da
empresa estudada.
2.1.4 Evaporação
propriedades físicas do licor são função da composição química, e são estas propriedades que
determinam o comportamento do licor nas unidades industriais de recuperação.
O licor preto fraco proveniente da lavagem, normalmente contém de 13 a 17% de
sólidos dissolvidos. Esta concentração deve ser aumentada para 65 a 82% antes do licor ser
queimado na caldeira de recuperação. Essa taxa de sólidos é um dos principais parâmetros de
dimensionamento do equipamento (VAKKILAINEN, 2005). Aquecedores a vapor e
evaporadores de múltiplo efeito são usados para essa finalidade, concentrar o licor até o nível
desejado para queima na caldeira de recuperação.
A Figura 2.7 mostra as duas plantas de evaporação existentes na empresa.
caldeiras. Além de uma geração de vapor dentro das necessidades da fábrica, deseja-se obter a
maior quantidade de Na2 S possível. Dessa forma, a fornalha da caldeira de recuperação
funciona como um reator químico onde se deseja maximizar a eficiência de redução (COSTA
et al., 2002). Segundo Saturnino (2003) a produção de vapor tem adquirido um significado
compatível com a recuperação dos compostos inorgânicos do licor.
Segundo D'almeida(1988) as reações gerais de licor negro não-oxidado e oxidado
são representadas nas equações 2.1 e 2.2.
∆
4 Na2 SO4 + 2 H 2O + 3C → 2 Na2 S + H 2 S ( g ) + SO2 ( g ) + 2 Na2CO3( s ) + CO2( g ) 2.1
∆
2 Na2 S 2 S3 + C → 2 Na2 S + 2SO2( g ) + CO2( g ) 2.2
fraco, geram uma solução chamada de licor verde, que é composta basicamente por carbonato
de sódio ( Na2CO3 ) e sulfeto de sódio ( Na2 S ). Este licor verde é enviado à área de
caustificação para produção de uma solução chamada de licor branco, através de reações
químicas. O licor branco é composto principalmente por hidróxido de sódio ( NaOH ) e
sulfeto de sódio ( Na2 S ), que será enviado para o digestor para completar o ciclo de
recuperação (MARTINELLI et al., 2008).
A alimentação de ar de combustão na fornalha da caldeira é realizada em três
níveis, primário, secundário e terciário, conforme Figuras 2.9 e 2.10. A principal razão para
isso são as funções antagônicas de proporcionar um ambiente oxidante para as reações de
combustão da matéria orgânica do licor preto, e, ao mesmo tempo, promover um ambiente
redutor para que as reações de redução do sulfato de sódio para sulfeto de sódio ocorram
(ALMEIDA, 2006).
O ar primário tem a função de controlar o formato e a posição do leito de sais e
fornecer oxigênio para as reações de combustão do carbono residual. O ar secundário tem a
função de controlar a altura do leito, manter a temperatura do leito, secar o licor e queimar os
produtos voláteis oriundos do aquecimento do licor. O ar terciário tem a função de completar
a combustão do licor e selar a fornalha para minimizar o arraste de material particulado junto
com os gases para a sessão superior (ADAMS et al., 1997).
As vazões de ar primário, secundário e terciário são controladas individualmente
através da regulagem das guilhotinas na saída de cada ventilador.
A água que é alimentada na caldeira é desmineralizada para evitar corrosão
interna nos tubos, essa água é enviada para os economizadores, que são responsáveis por
executar a primeira elevação de temperatura, aproveitando os gases da saída da caldeira. Por
isso o nome economizador, seguindo para o balão superior. Geralmente as caldeiras têm
circulação natural de água em seus tubos, ou seja, não há bombas de circulação de água e a
circulação ocorre por diferença de temperatura.
A Figura 2.9 mostra uma visão lateral de uma caldeira de recuperação
evidenciando seus principais componentes.
33
Cortina
Balão Superior
Economizador
Super aquecedores Bancada
Ar terciário
Injeção de licor preto
Ar secundário
Ar primário
Injeção de Injeção de
licor preto licor preto
Ar terciário
Ar secundário
Camada
de fundidos
Ar primário
Piscina de Bica de
fundido fundido
(smelt) (smelt)
Caustificação
Fornos
Esse processo envolve uma reação química simples, seguida de uma sequência de
processos físicos que envolvem, basicamente, separação sólido/líquido.
O licor de cozimento (licor branco) para o processo Kraft tem sua origem no licor
verde, que é formado a partir do smelt (fundido da caldeira de recuperação) diluído com um
licor fraco adicionado ao tanque de dissolução. A cal é dosada à solução de smelt (licor verde)
produzindo licor branco e carbonato de cálcio como subproduto (lama de cal). O licor branco
é separado da lama de cal e enviado para o digestor, onde atuará como licor de cozimento. O
carbonato de cálcio é calcinado no forno de cal para produzir cal. A lama de cal é lavada para
reduzir seus constituintes químicos antes de ser levada ao forno de cal. O licor fraco resultante
da lavagem da lama de cal é reciclado para dissolver o smelt e produzir o licor verde.
De acordo com Sethuraman et al. (1995), o desempenho de um sistema de
caustificadores é afetado por vários fatores como a qualidade e a quantidade de cal, as
concentrações dos componentes no licor verde e a temperatura e a intensidade da mistura do
licor.
O controle desse processo é importante para atingir o máximo possível de
eficiência da caustificação e produzir licor branco com uma adequada concentração e pureza,
evitando-se, dessa forma, problemas associados às altas e baixas dosagens de cal.
36
Os problemas tratáveis por meio de redes neurais podem ser divididos em três
tipos principais: aproximação de função, classificador de padrões e agrupamento de dados
(HAYKIN, 2001). Segundo Venkatasubramanian et al. (2003) as redes são utilizadas
principalmente para resolver problemas de predição e classificação e a topologia básica de
redes neurais artificiais são de alimentação progressiva (feedforward) (BIGUS 1996).
As redes neurais são uma boa alternativa para modelagem e simulação de
processos industriais, apresentam uma boa capacidade de representar as não linearidades dos
processos industriais e são excelentes para modelar processos complexos, pois possuem alta
capacidade de aprendizagem como cita (PATAN e PARISINI, 2005).
Segundo Kalogirou (2003), as redes neurais artificiais estão sendo aplicadas com
sucesso em vários campos da matemática, engenharias, medicina, economias, meteorologia,
psicologia, neurologia, e muitos outros.
As redes neurais têm uma capacidade de adaptação ao problema, por meio de
ajuste dos pesos sinápticos, o que corresponde à etapa de treinamento, de modo a aumentar
sua eficiência (MITTAL e ZHANG, 2000).
Majidian e Saidi (2007) compararam a lógica fuzzy com RNAs para prever a
ruptura de tubos em caldeiras e concluíram que a rede neural foi superior na facilidade de
aplicação e na precisão da predição.
Todos esses fatores e sua adaptação aos processos industriais contribuíram para
escolha da técnica para o desenvolvimento deste trabalho, contribuindo negativamente para a
afirmação de Rudd (1999), que descreve que a modelagem de processos de produção de
celulose e papel utilizando redes neurais, tem sido investigada, ainda que timidamente.
2.3.1 Funcionamento
De acordo com Haykin (2001) e Braga et al. (2000) uma rede neural é um
processador paralelamente distribuído, constituído de unidades de processamento simples, tais
unidades são dispostas em uma ou mais camadas e interligadas por um grande número de
conexões.
As RNAs têm a propensão natural para armazenar conhecimento experimental e
usá-lo futuramente, assemelhando muito ao cérebro (RUBINI e YAMAMOTO, 2006), a
39
ϕ (⋅)
Sinais x2 wk2 vk
de
entrada
M M
Σ Saída
yk
Junção
xm wkm aditiva
Pesos
sinápticos
Nesse modelo não-linear (Figura 2.12), podem ser identificados três elementos
básicos do modelo neural:
− Sinapses: ou conexão de entrada, caracterizadas por pesos ou forças próprias.
Um sinal x j na entrada da sinapse, conectada ao neurônio k é multiplicado
A priori x1 , x2 ,..., xm são os sinais de entrada; wk1 , wk 2 ,..., wkm são os pesos
1, se v ≥ 0
ϕ (v ) = (2.6a)
0, se < 0
41
ϕ (v ) =
1
(2.6b)
1 + exp ( − av )
+ 1, se v > 0
ϕ (v ) = 0, se v = 0 (2.7)
− 1, se v < 0
ϕ (v ) = tanh(v) (2.8)
42
2.3.3 Arquitetura
Figura 2.13: Rede alimentada adiante, totalmente conectada com uma camada oculta.
Fonte: Haykin(2001)
2.3.4 Projeto
Segundo Haykin (2001) o projeto de uma RNA passa pelas seguintes etapas:
− Seleção da arquitetura com definição da quantidade de nós de entrada, nós
escondidos e nós de saída;
− Treinamento da RNA a partir de um conjunto de dados do processo;
− Validação da rede treinada a partir da avaliação das respostas da rede mediante
a apresentação de dados não utilizados durante o treinamento, ou seja,
avaliação de sua capacidade de generalização.
44
Não existe uma regra para escolher o tamanho do conjunto de treinamento. Cada
problema abordado requer uma quantidade de amostras capaz de representá-lo. Este
parâmetro não é de simples estimativa dado que o domínio do problema nem sempre é
conhecido.
46
De acordo com Haykin (2001) uma RNA que é projetada para generalizar bem,
produzirá um mapeamento correto de entrada - saída mesmo quando as entradas forem um
pouco diferentes dos exemplos utilizados para o treinamento da rede. Se uma rede é treinada
em excesso, ela perde a habilidade de generalizar entre padrões de entrada – saída similares.
2.3.6 Algoritmo
E = E ( x, Q ) = {x : ( x − xC )T Q −1 ( x − xC ) ≤ 1} (2.9)
xk +1 = xk + δ1d (2.10)
51
Qk +1 = δ 2 (Qk − δ 3 dd T ) , (2.11)
na qual:
Qk g
d =− (2.12)
g T Qk g
1 n2 2
δ1 = ;δ 2 = 2 ;δ 3 = . (2.13)
(n + 1) (n − 1) (n + 1)
(1 + nα ) n 2 (1 − α ) 2(1 − nα )
δ1 = ;δ 2 = ;δ 3 = ; (2.14)
(n + 1) (n − 1)
2
(n + 1)(n + α )
52
Um modelo matemático pode ser definido de várias formas, seja como uma
representação ou interpretação simplificada da realidade ou segundo uma abstração
matemática do processo real (SEBORG et al., 1989; AGUIRRE, 2004). Também pode ser
definido como um sistema de equações cuja solução, dado um conjunto de dados de entrada,
representa a resposta do processo, uma realidade física ou um determinado sistema (DENN,
1986; GARCIA, 2005). Dessa forma as equações que constituem o modelo são uma
aproximação do processo real, e, segundo Garcia (2005) e Aguirre (2004), o modelo não pode
incorporar todas as características do processo real.
Edgar e Himmelblau (1988) definem modelo matemático como uma
representação dos aspectos essenciais de um sistema existente ou um sistema a ser construído,
que transmite conhecimento sobre tal sistema em uma forma utilizável.
Segundo Aguirre (2004), há várias formas de classificar técnicas de modelagem.
Uma delas agrupa os métodos em três grupos denominados: modelagem caixa branca,
modelagem caixa preta e modelagem caixa cinza.
Na modelagem caixa branca é necessário conhecer bem o sistema com o qual se
está lidando, bem como as leis físicas que descrevem o sistema a ser modelado. Por essa razão
esse tipo de modelagem é também conhecida como modelagem pela física ou natureza do
processo, modelagem conceitual ou modelagem fenomenológica. Infelizmente, devido ao
conhecimento necessário, à complexidade e ao tempo necessário para modelar um sistema,
partindo do equacionamento dos fenômenos envolvidos, nem sempre é viável (AGUIRRE,
2004; FELDER e ROUSSEU, 2005; ALESSANDRI, 2003).
Identificação de sistemas é uma área de modelagem matemática que estuda
técnicas alternativas à modelagem caixa branca. Uma das características dessas técnicas é que
pouco ou nenhum conhecimento prévio do sistema é necessário e, consequentemente, tais
modelos são referidos como modelagem (ou identificação) caixa preta ou modelagem
empírica.
Um conjunto de técnicas que poderia ser classificado como estando entre a
modelagem pela física ou natureza do processo e a identificação caixa preta é chamado de
identificação caixa cinza. As técnicas desse grupo caracterizam-se por usar informação
auxiliar, que não se encontra no conjunto de dados utilizados durante a identificação
53
(AGUIRRE,2004). Segundo Correa (2001), essa ferramenta busca combinar as vantagens dos
procedimentos de identificação caixa preta e caixa branca.
Segundo Aguirre (2004) e Ljung (1999) existem cinco etapas do processo de
identificação: i) testes dinâmicos e coleta de dados; ii) escolha da representação matemática a
ser usada, iii) determinação da estrutura do modelo, iv) estimação de parâmetros e v)
validação do modelo.
No campo industrial, a automação destina-se a supervisionar, controlar e
comandar o processo produtivo industrial. Como tal, sua evolução depende do crescimento
e/ou da modernização do parque industrial. Ao mesmo tempo, os equipamentos de automação
induzem a modernização da indústria, elevando patamares de eficiência e flexibilidade
(COPELIOVITCH, 1993).
O nível de automação da fábrica é imprescindível para a obtenção dos dados e
todos os sistemas de controle devem estar interligados e confiáveis. A integração dos sistemas
de automação é a chave para o sucesso de uma planta e com as novas tecnologias de hardware
e software, têm-se agora a potencialidade para integrar componentes em sistemas diversos.
Segundo Fox (2001), uma total automação significa a implementação de um
completo sistema de integração da operação industrial. Esse sistema deve compor desde o
nível de chão de fábrica, sensores e atuadores, passando pelos dispositivos de rede até o
controle de processo. As questões relativas à atualização tecnológica e ao custo têm efeitos
diretos sobre a eficiência e modernidade do setor produtivo como um todo (GOBBATO,
1990).
De acordo com Bequette (2003), existem muitas razões para o desenvolvimento
de modelos matemáticos de processos. Melhorar ou entender a operação de processos é um
dos principais objetivos para o desenvolvimento de modelos dinâmicos de processo. Esses
modelos são geralmente usados para: treinamento de operadores, projetos de processo, análise
de sistemas de segurança, ou controle de processos
Conforme Leiviska et al. (1999), a interação com um determinado processo de
produção envolve normalmente a investigação de diversas áreas do conhecimento, visando
mostrar como cada variável desse processo se relaciona com as outras.
Toda metodologia usada em modelagem e simulação deve ser desenvolvida no
sentido de fornecer ferramentas adequadas para que as mesmas possam estabelecer as
melhores condições de operação dos equipamentos envolvidos e o consumo mínimo de
energia. Para que essas análises possam ser rápidas e eficientes pode-se utilizar a simulação
54
3 MATERIAIS E MÉTODOS
Licor Preto
Forte
Óleo Licor
Combustível Verde
Ar
Caldeira de Vapor Alta
Energia Recuperação
Água
Polida Gases
Entrada = licor preto forte + vapor baixa pressão + vapor media pressão + energia + água
polida + óleo combustível + ar.
Saída = vapor alta + licor verde + gases.
e = Energia
Ce = Custo energia
Foc = Fluxo óleo combustível
Coc = Custo óleo combustível
Fap = Fluxo água polida
Cap = Custo água polida
Fva = Fluxo vapor alta pressão
O sistema não linear foi analisado através do método simplex, porém não atendeu
às expectativas, pois, as restrições sempre eram minimizadas ou maximizadas
individualmente não respeitando a relação entre as variáveis.
Dessa forma, desenvolveu-se um sistema não-linear baseado no rendimento do
processo, que é obtido pela divisão da produção total de vapor pelo combustível alimentado,
levando-se em conta as principais variáveis de entrada que podiam influenciar a saída.
Conforme Henson e Seborg (1997), os avanços em meios computacionais e
métodos numéricos de resolução de equações fizeram crescer a utilização de modelagem não-
linear. A quase totalidade dos processos químicos tem seu comportamento não-linear, e
somente assim consegue-se modelar um processo com eficiência (EDGAR e
HIMMELBLAU, 1988).
Definiu-se conforme experiência da equipe técnica e dos engenheiros de processo
as variáveis de entrada que mais poderiam influenciar no processo de produção, para usá-las
como entrada de uma rede neural MLP. Ao todo foram escolhidas 18 variáveis de entrada e
uma variável de sáida como mostra a Tabela 2.
A rede neural foi programada para “ler” os arquivos diretamente de uma planilha
eletrônica, que adquire os dados do processo através de um Process Information Management
System (PIMS) instalado na indústria. PIMS são sistemas que adquirem dados de processo de
diversas fontes, os armazenam em um banco de dados e os disponibilizam através de diversas
formas de representação, proporcionando uma visão unificada do processo (CARVALHO et
al., 2005).
Os dados de processo foram coletados a partir do mês maio de 2009, até março de
2010. A matriz de dados, após a eliminação dos períodos transitórios, ficou com
aproximadamente 7000 linhas (observações), e 19 colunas, sendo 18 colunas com dados de
entrada e uma coluna com dados de saída, como exemplificado na Tabela 2.
58
A rede neural escolhida tem uma camada de entrada, uma camada escondida e
uma camada de saída. As funções de ativação da camada oculta e saída são, respectivamente,
a função tangente hiperbólica e linear. Segundo Cybenko (1989), uma rede contendo uma
camada oculta cuja função de ativação seja sigmoidal é capaz de aproximar qualquer função
contínua.
A definição da quantidade de neurônios em cada camada intermediária tem
geralmente base empírica. Sendo alta, a rede pode sobreajustar os dados usados para
construção do modelo neural, perdendo a capacidade de generalização e, por outro lado,
sendo baixa, ela pode ser incapaz de extrair informações para modelar o problema (PARK et.
al, 2005).
0,9650
Correlação Linear
0,9600
Coeficiente de
0,9550
Treinamento
0,9500
Validação
0,9450
0,9400
0,9350
1 2 3 4 5 6 7 8 9 20
Número de Neurônios na camada oculta
0,95
Correlação Linear
Coeficiente de
0,945
0,94
0,935
0,93
TrainBR TrainSCG TrainGDX TrainLM TrainGDA TrainRP
Algoritmo de Treinamento
A rede MLP desenvolvida ficou com 3 neurônios na camada escondida (N1, N2,
N3), totalmente conectada e uma camada de saída, que é a produção de vapor da caldeira.
Pode-se notar na Figura 3.4 que essa rede contem 54 pesos sinápticos ligando a
entrada à camada escondida, 3 pesos ligando a camada escondida na somatória final e os bias
simbolizados por b1, b2, b3 e b4.
A rede neural conseguiu predizer a produção de vapor da caldeira com uma
correlação linear de aproximadamente 0,95. As Figuras 3.5 e 3.6 mostram a resposta da rede
para dados de treinamento e as Figuras 3.7 e 3.8 mostram as respostas de validação. As
Figuras 3.5 e 3.7 são gráficos que correlacionam, de forma linear, os valores de processo (eixo
X) e a predição da rede (eixo Y). Esses gráficos têm a finalidade de mostrar o quanto a
predição da rede está aproximando do valor real.
62
Oxigênio a1
Temp. água a2
Fluxo ar primário a9
N2 Fluxo de
Temp. ar primário a10
∑ Vapor
Ar total a18
Bias: b1 , b2 , b3 e b 4
u = f ( W T x + b) (3.3)
Wo = [ w14
T
w24 w34 ] (3.4)
Saída da rede: y = Wo u + b4
T
(3.5)
Max y(x)
Sujeito a:
1,5 < a1 < 6,0 %
200 < a2 < 260 °C
66 < a3 < 72 %
72 < a4 < 100 m³/h
120 < a5 < 134 °C
0,3 < a6 < 2,0 kgf./cm2
72 < a7 < 130 TSS
3 < a8 < 6 Razão Ton ar/TSS
30 < a9 < 50 % do ar total
155 < a10 < 200 °C
20 < a11 < 80 mmH2O
30 < a12 < 50% do ar total
80 < a13 < 200 °C
200 < a14 < 500 mmH2O
10 < a15 < 30% do ar total
20 < a16 < 40 °C
300 < a17 < 550 mmH2O
250 < a18 < 450 ton/h
67
4 RESULTADOS
Temperatura Algoritmo
O algoritmo mostrou que a temperatura da água de
2 da água de não sugeriu
alimentação é ideal.
alimentação alteração
Concentração Aumentar Resposta coerente do algoritmo, pois quanto maior a
3
do licor preto 3% quantidade de matéria orgânica maior a produção de
68
vapor.
Essa variável foi travada na função objetivo, pois
Fluxo de licor
4 Travada quanto maior o volume de combustível alimentado,
preto (m3/h)
maior a produção de vapor.
Algoritmo O algoritmo não sugeriu alteração para a temperatura
Temperatura
5 não sugeriu do licor preto, subentende-se que a temperatura é
do licor preto
alteração ideal
O algoritmo mostrou que uma diminuição na pressão
Pressão do
6 Diminuir do licor preto é ideal para a pirólise do licor, devido a
licor preto
2% melhor formação da gota de licor na fornalha.
Essa variável foi travada na função objetivo, pois
Fluxo de licor
7 Travada quanto maior o fluxo mássico de combustível
preto (TSS)
alimentado maior a produção de vapor.
Relação ar / Aumentar O algoritmo indicou aumento na quantidade de ar em
8
combustível 5% relação à quantidade de combustível.
Algoritmo
Temperatura A temperatura do ar terciário é ambiente, não
16 não sugeriu
do ar terciário possibilita alteração.
alteração
Algoritmo
Pressão de ar
17 não sugeriu A pressão de trabalho atual é ideal.
terciário
alteração
Aumentar O total de ar injetado na caldeira é insuficiente para
18 Ar total
25% manter a combustão ideal.
Fonte: Autor
Na2 S + Na 2CO3
Eficiencia = 100 (4.1)
Total _ Amostra
Fluxo _ Vapor
Rendimento = (4.2)
Fluxo _ Licor
99
Eficiência de Redução (%)
98
97
96
95
94
93
92
91
jun-09
jul-09
jan-10
nov-09
out-09
dez-09
fev-10
mai-09
ago-09
set-09
mar-10
Efic. Redução Média Antes Média Depois
3,50
Rendimento
3,40
3,30
3,20
3,10
3,00
2,90
jun-09
jul-09
nov-09
jan-10
out-09
dez-09
fev-10
mai-09
ago-09
set-09
mar-10
CONSIDERAÇÕES FINAIS
5 CONCLUSÃO
A programação linear não foi uma boa alternativa para modelagem da caldeira de
recuperação, por que a caldeira tem características não lineares e o sistema linear não aceita
restrições não lineares.
A rede neural artificial se mostrou uma boa alternativa para modelagem de uma
caldeira de recuperação Kraft, conseguindo predizer a produção de vapor da caldeira com
uma correlação linear de aproximadamente 0,95.
O coeficiente de correlação linear alcançado entre os dados reais e a predição, se
deve à qualidade dados apresentados à rede neural no período de treinamento e validação e a
qualidade do modelo.
Foi feito um estudo para definição da quantidade de neurônios na camada
escondida que contribuiu para a rede conseguir uma correlação linear entre os valores preditos
e reais, sem comprometer o desenvolvimento do modelo. Um aumento na quantidade
neurônios não iria melhorar de forma significativa a correlação entre as entradas e a saída,
porém dificultaria muito a construção do modelo.
Todos os algoritmos de treinamento testados responderam de forma satisfatória
aos dados apresentados, apresentando uma correlação linear média acima de 0,93. Escolheu-
se o algoritmo TrainBr (Bayesian Regulation backpropagation) porque foi o que obteve
melhor reposta para validação e treinamento.
O algoritmo elipsoidal mostrou-se eficiente na determinação dos melhores
parâmetros operacionais utilizando um modelo neural. O algoritmo apontou uma deficiência
no sistema de combustão das caldeiras e sugeriu ajustes na distribuição de ar para um ganho
operacional.
Verificou-se a importância da correta distribuição de ar e como uma alteração
nessa variável pode proporcionar alterações significativas na produção de vapor e na
eficiência de redução da caldeira de recuperação.
A implementação do modelo proporcionou ganhos operacionais para a indústria
com o aumento da eficiência de redução de sulfato a sulfeto de sódio na camada de fundido,
principalmente na diminuição da quantidade de material inertes no ciclo de recuperação Kraft.
Resultando em possibilidade de aumento de produção e diminuição das incrustações.
A implementação do modelo proporcionou ganhos financeiros para a fábrica em
torno de R$4,3 milhões/ano, com o aumento do rendimento na produção de vapor em relação
ao combustível alimentado.
75
REFERÊNCIAS BIBLIOGRÁFICAS
ABRAF. Anuário Estatístico da ABRAF: ano base 2007 / ABRAF. – Brasília 2008. 90p.
ADAMS, T. N.; FREDERICK, W. J.; GRACE, T. M.; HUPA, et al. Kraft recovery boilers.
New York: TAPPI Press, 1997. 381p.
AXEGARD, P.; CAREY J.; FOLKE J.; GLEADOW P.; GULLICHEN J.; PRYKE D. C.;
REEVE D.W.; SWAN B.; ULOTH V. Minimum-impact mills: Issues and challenges. In:
Proceedings of the minimum effluent mills Symposium. Tappi Press, Atlanta. pp. 529-541
(1997).
BIGUS, J. P. Data mining with neural networks: solving business problems from
application development to decision support. [São Paulo]: McGraw-Hill, 1996.
BLAND R. G.; GOLDFARB D.; TODD M. J. The ellipsoid method: A survey. Technical
report, Ithaca, NY, USA, 1980.
77
BOYD S.; GHAOUI L.E.; FERON E.; BALAKRISHNAN V. Linear Matrix Inequalities in
System and Control Theory. SIAM, Philadelphia, PA, 1994.
CABRAL F. B.; SAFONOV M. G. Unfalsified model reference adaptive control using the
ellipsoid algorithm. Proc. IEEE Conf. on Decision and Control. Maui, HI, December 9-12,
2003.
CARDOSO, M. Licor preto nas indústrias brasileiras. MG: 2002. 30p. Curso de
recuperação química. Universidade Federal de Minas Gerais – Departamento de Engenharia
Química – UFMG.
CARVALHO, F. B.; TORRES B. S.; FONSECA M. O.; SEIXAS FILHO C. Sistemas PIMS
– Conceituação, usos e benefícios. Tecnologia em Metalúrgica e Materiais. São Paulo, v.1,
n.4, p. 1-5, abr.-jun 2005
FOX, P. Automation: Crossing the final frontier. Assembly Automation. Bedford: 2001.
Vol. 21, Iss. 2; pg. 111, 4 pgs
79
GRACE, T. M. Chemical Recovery Process Chemistry. In: Green, R. P., Hough, G. (eds),
Chemical Recovery in The Alkaline Pulping Processes, 3a ed., chaper 5, Atlanta, USA,
TAPPI Press. 1992
GRACE, T. M.; Frederick, W. J. Char Bed Processes. In: Adams, T. N. (ed), Kraft Recovery
Boilers, 1 a ed., chaper 6, Atlanta, USA, TAPPI Press. 1997.
GREEN, R. P.; HOUGH, G. Chemical Recovery in the Alkaline Pulping Processes. 3 ed.
Tappi Press, 1998.
HAYKIN, S. Redes neurais: princípios e prática. 2.ed. Porto Alegre: Bookman, 2001.
900p.
HENSON, M. A.; SEBORG, D. A. Nonlinear Process Control. Prentice Hall, New Jersey,
USA, 1997.
IPPC - Integrated Pollution Prevention and Control. Reference Document on Best Available
Techniques in the Pulp and Paper Industry. Sevilha. Espanha. European Commission.
2000.
LEIVISKA, K.; SANTTI, K.; LAMPELA, K. Production optimization of the pulp bleach
plant – intelligent methods utilization approach. 6th International Conference on new
available technologies, pp 402-408, Stockolm, Sweden, 1999.
LJUNG, L. System Identification – Theory for the User 2nd ed., Prentice Hall, Upper
Saddle River, NJ, 1999.
MAJIDIAN, A.; SAIDI, M. H. Comparison of Fuzzy logic and Neural Network in life
prediction of boiler tubes. International Journal of Fatigue 29 (2007) 489–498, 2007.
MARTINELLI S. H. S.; NEITZEL I.; VIEIRA O. Detecção de defeitos via redes neurais:
aplicação - sistema de ar secundário de uma caldeira de recuperação química. Revista
Ciência e Tecnologia, Vol. 11, No 18, 2008.
MITTAL, G. S.; ZHANG, J. Prediction of freezing time for food products using a neural
network. Food Research International, v. 33, n. 7, p. 557-562, 2000.
NORGAARD, M.; RAVN, O.; POULSEN, N. K.; HANSEN, L. K. Neural Networks for
Modelling and Control of Dynamic Systems. 1st edition, London, Springer-Verlag, 2000.
PARK, W. S.; OLIVEIRA, E. D.; CARDOSO, M.; BARBOSA, C. M. L.; Análise dos dados
Operacionais da Caldeira de Recuperação por Meio das Técnicas de Visualização de
Dados, de Seleção de Variáveis e de Redes Neurais. Revista Mensal de Tecnologia em
Celulose e Papel - O Papel, ano LXVI, n0 8, agosto de 2005.
82
PATAN, K.; PARISINI, T. Identification of a neural dynamical models for fault detection
and isolation: the case of a real sugar evaporation process. Journal of Process Control. 15.
2005, PAG 67-69.
PONTES F. J.; SILVA M. B.; FERREIRA J. R.; PAIVA A. P. Projeto otimizado de redes
neurais artificiais para apredição da rugosidade no torneamento de açosendurecidos
com a utilização da metodologia de superfície de resposta. Revista P&D em Engenharia de
Produção V. 08 N. 01 (2010) p. 33-37
QIN, S. J. Neural Networks for Intelligent Sensors and Control – Practical Issues and
Some Solutions. In: Omidvar, O., Elliot, D.L., Neural Systems for Control, Chapter 8,
Academic Press, San Diego, CA, USA, 1997.
RUDD, J. B. Using a neural network controller for advanced control applications. TAPPI
Journal, vol. 74, pp. 101-113, 1991.
RUDD, J. B. Neural Networks for Pulp and Paper Applications. In: Doshi, M.R., Dyer,
J.M. (eds), Paper Recycling Challenge – Vol. IV – Process Control & Mensuration, 1ª ed,
chapter 11, Appleton, USA, Doshi & Associates Inc., 1999.
83
SCHULTZ, E. B.; MATNEY, T. G.; KOGER, J. L. A neural network model for wood chip
thickness distributions. Wood and Fiber Science, vol. 31, 1999.
SORSA, T.; KOIVO, H. N.; KOHONEN, R. On-line Fault Detection and Supervision in
the Chemical Process Industries. IFAC Symposium Preprints, p.162, Newark, DE, 1992.
TAHA, H. A. Pesquisa operacional. 8. ed. São Paulo: Pearson Prentice Hall, 2008. 359p.
ZHU, J.; XIA, Q.; MING, R. An artificial neural network integrated environment for
modeling and simulation in pulp and paper industry. 82nd Annual Meeting CPPA, 1997.