Desenvolvimento de sensores virtuais baseados em redes neurais artificiais para a transesterificação de óleo de soja a altas pressões

Abstract

Resumo: O desenvolvimento de alternativas renováveis para a produção de energia tem cada vez mais chamado a atenção dos pesquisadores. Neste sentido, a produção continua de biodiesel por transesterificação a altas pressões e temperaturas apresenta várias vantagens quando comparada aos métodos tradicionais, como a não utilização de catalisador e o baixo tempo de reação. O avanço deste processo exige a utilização de um sistema de supervisão e controle, que por sua vez, requerem a predição precisa de variáveis de saída do mesmo, o que é difícil na maioria das situações reais. Uma alternativa para este problema é a utilização de sensores virtuais ou estimadores de estado, que a partir de medidas online de algumas variáveis de processo permite inferir o valor online das variáveis não medidas, com um modelo do processo. O presente trabalho desenvolveu dois estimadores de estado, um baseado em Rede Neural Artificial e outro baseado em Rede Neural Artificial e Filtro de Kalman, para a predição da concentração de biodiesel no produto da transesterificação contínua em reator tubular a altas pressões e temperaturas. Foram testados os algoritmos Simulated Annealing e Differential Evolution para a minimização da função objetivo dos dois estimadores de estado. A fim de identificar qual a estrutura de sensor virtual mais conveniente para a condição deste estudo foram feitas análises de correlação e regressão linear entre os dados de concentração de biodiesel medidos experimentalmente e os dados preditos pelos estimadores de estado. O sensor virtual baseado em Rede Neural Artificial apresentou melhor desempenho quando comparado ao sensor virtual baseado em Rede Neural Artificial e Filtro de Kalman.

Abstract: The development of renewable alternatives for energy production has increasingly drawn the attention of researchers. In this sense, the continuous production of biodiesel by transesterification at high pressures and temperatures has several advantages compared to traditional methods, such as not using catalyst and the low time of reactions. The progress of this process requires the use of a system for its supervision and control, which require the accurate prediction of the output variables of the process, this fact is difficult in most of the real situations. An alternative to this problem is to use soft sensors or state estimators, which from measures online of the process variables allows us to infer the value of variables not measured with a process model. This study developed two state estimators, one based on an Artificial Neural Network and another based on Artificial Neural Network and Kalman Filter for predicting the concentration of biodiesel in the transesterification product of continuous tubular reactor at high pressures and temperatures. We tested the algorithms Simulated Annealing and Differential Evolution for the minimization of the objective function of the two state estimators. In order to identify the structure of soft sensor the most suitable for the condition of this study were realized analysis of linear correlation and regression between biodiesel concentration data measured experimentally and data predicted by state estimators. The soft sensor based on Artificial Neural Network showed better performance when compared to the virtual sensor based on Artificial Neural Network and Kalman Filter.