Inferência de propriedades de correntes para caracterização de carga de uma unidade de hidrotratamento de diesel

Abstract

Resumo: A necessidade intensiva do uso de unidades de hidrotratamento para a produção de diesel vem levando as empresas petrolíferas a buscar alternativas que visem enquadrar as correntes produzidas o mais próximo possível das especificações estabelecidas, de forma a evitar reprocessamentos, reduzir o give-away de propriedades, reduzir o consumo de hidrogênio e utilidades. Entretanto, uma das principais dificuldades para a obtenção do diesel de baixo teor de enxofre é a presença de compostos da família dos dibenzotiofenos presentes principalmente no LCO oriundo das unidades de craqueamento catalítico, que apresentam dificuldade de serem hidrotratados devido às baixas velocidades de reação apresentadas decorrentes da existência de impedimento estérico. Umas das possíveis formas de contornar este problema é através do controle do ponto de ebulição da carga, o que reduz ou elimina as espécies refratárias da carga. Este controle, entre várias outras formas possíveis, pode ser realizado com a implementação de sensores virtuais, utilizando-se de dados disponíveis de temperatura, pressão e vazão na fracionadora do FCC para inferir a destilação do LCO e controlar os 90% vaporizados. Desta forma, o objetivo deste trabalho foi desenvolver um conjunto de sensores virtuais utilizando modelos lineares e redes neurais em um conjunto de dados extraídos de uma planta industrial para acompanhamento da destilação do LCO e especificamente dos 90% vaporizados. Foram cruzados dados de análises e de operação de 18 meses, e com base nestes dados foram rodados diversos modelos para diversos pontos de destilação. Ao final, foram definidos os melhores modelos lineares e redes neurais que serão implementados à rotina de acompanhamento e aos sistemas de controle da planta. Palavras-chave: Inferência. LCO. Diesel ULSD. Sensores virtuais. Redes neurais. Correlações lineares.

Abstract: The intensive necessity of the use of hydrotreating units for diesel production is pushing petroleum companies to seek alternatives for meeting regulations constrains in order to avoid reprocessing, reduce give-away and reduce hydrogen and utilities consumption. However, one of the main difficulties in obtaining ULSD is the presence of dibenzothiophenes compounds that exist mainly in LCO arising from FCC units, which have difficult in being hydrotreated due to low reaction rates related to the existence of steric hindrance. One of the possible ways to deal with this problem is by controlling feed boiling point, which reduces or eliminates those refractory species. This control, among many other possible forms, can be accomplished with the implementation of soft sensors using pressure, flow and temperature measurements for inferring LCO distillation. Thus, the aim of this work was to develop a set of soft sensors using linear models and artificial neural networks into a set of data extracted from an industrial facility to monitor LCO distillation and to control 90% cut. About 18 months of lab and operation data were crossed, and based on this query several models were developed for different cutpoints. At the end, the best linear models and neural networks were chosen and will be implemented to the monitoring routine and to the control system of the plant Keywords: Inferential. LCO. ULSD. Soft sensors. Neural networks. Linear correlations.