Modelagem por redes neurais do sistema biológico do tratamento de efluentes em refinarias de petróleo

Abstract

Resumo: A necessidade de preservação do meio ambiente tem direcionado atenção do setor industrial às unidades de tratamento de efluentes. Dentre as diversas tecnologias existentes, o tratamento biológico por lodos ativados é uma das mais utilizadas, devido a sua excelente robustez. Na indústria do petróleo, não é diferente, devido principalmente a sua elevada eficiência na remoção de nitrogênio amoniacal. No entanto, a eficiência desta tecnologia está diretamente relacionada com a qualidade do efluente a ser tratado. Uma variação brusca na composição da entrada do sistema pode provocar choques químicos no sistema biológico, ou seja, inibir as reações, alterando significativamente a qualidade do efluente tratado, com o risco de não se atender a legislação. Desta forma, é muito importante prever os resultados da planta quando há uma perturbação nas variáveis de entrada, de forma que ações preventivas possam ser tomadas, minimizando os impactos. No entanto, elaborar um modelo fenomenológico de um sistema de tratamento biológico é uma tarefa extremamente difícil e exaustiva, devido à complexidade das reações envolvidas e a não linearidade do sistema. Devido a isto, a modelagem do sistema de lodos ativados utilizando a técnica de Redes Neurais torna-se uma alternativa viável e interessante. A modelagem por redes neurais foi aplicada no sistema biológico de tratamento de efluentes da Refinaria Presidente Getúlio Vargas - Petrobras, com o objetivo de estimar o teor de nitrogênio amoniacal no efluente tratado, a partir de dados de qualidade da carga e de variáveis medidas diretamente na planta. Os teores de DQO e NH3 na entrada do sistema, os teores de oxigênio dissolvido e os valores de pH do meio foram utilizados como dados de entrada da rede e são dados reais obtidos da unidade. Foram simuladas diversas estruturas utilizando o programa Simulated Annealing, como algoritmo de otimização. Os resultados obtidos na modelagem deste sistema mostram o potencial desta ferramenta na predição do teor de contaminantes no efluente tratado, que pode no futuro, ser implantada na unidade e servir como base para a tomada de decisão de ações preventivas quando da ocorrência de distúrbios operacionais.

Abstract: The need for preservation of the environment has forced the industrial sector to focus attention on wastewater treatment. Among the various existing technologies, biological treatment by activated sludge is one of the most used, due to its excellent robustness. It is no different in the petroleum industry: activated sludge systems are widely used, mainly because they are normally highly efficient in removing ammonia nitrogen. However, the efficiency of this technology is directly related to the quality of the effluent to be treated. A sudden change in the concentration of contaminants in the effluent entering the unit can cause chemical shocks to the microorganisms within the activated sludge. In turn, this leads to alterations in the quality of the treated effluent, which has the risk of failing to meet the law. Thus, it is very important to know how the quality of the final treated effluent is affected by disturbances in the input variables, so that preventive measures can be taken to minimize impact. However, the phenomenological modeling of activated sludge units is an extremely difficult and exhausting task due to the complexity of the reactions involved and the nonlinearity of the system. The modeling of activated sludge units using the technique of neural networks is a viable and interesting alternative. A neural network model was developed to describe the performance of the biological effluent treatment system of the President Getúlio Vargas Refinery - Petrobras, with the objective of estimating the ammonia nitrogen content of the final treated effluent from data characterizing the quality of the effluent entering the treatment unit and from several variables measured directly in the plant. The results obtained in modeling this system show the potential of this tool in predicting ammonium levels in the final treated effluent, which may in future serve as a basis for decision making preventive actions upon the occurrence of operational disturbances.