Detalhes bibliográficos
| Ano de defesa: |
2010 |
| Autor(a) principal: |
Glauco De Melo, Rony |
| Orientador(a): |
Lucena, Sérgio |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal de Pernambuco
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://repositorio.ufpe.br/handle/123456789/6309
|
Resumo: |
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 |
