Sensor virtual neural para determinação do Índice de Fluidez de PEAD e da Concentração de Sólidos de um reator Loop Slurry
Data
2022-06-10
Autores
Mattos, Milton Fernando Campos [UNIFESP]
Orientadores
Falleiro, Rafael Mauricio Matricarde [UNIFESP]
Tipo
Dissertação de mestrado
Título da Revista
ISSN da Revista
Título de Volume
Resumo
O processo de polimerização do polietileno de alta densidade (PEAD) em reator tubular requer um controle preciso de diversos parâmetros de processo. A perda ou falha do controle desses parâmetros pode acarretar perda de qualidade da resina que está sendo produzida e, no pior cenário, levar a uma obstrução do reator, demandando vários dias de parada da planta. Dentre os principais parâmetros controlados destacam-se a concentração de polímero (sólidos) no interior do reator e o índice de fluidez (IF), que é uma variável de qualidade. A concentração de sólidos é calculada, a partir da medição da densidade da massa polimérica dentro do reator que é realizada por um instrumento de medição nuclear. O processo possui apenas este método de detecção, o que impossibilita operar o reator em condições seguras, caso ocorra qualquer falha deste instrumento. A amostragem da resina para análise do IF ocorre após um tempo médio de residência entre vasos de processo de aproximadamente 3 horas. Esse longo tempo de residência dificulta o controle de qualidade. A utilização de modelos fenomenológicos para calcular essas duas variáveis requer uma maior complexidade, visto que o processo de polimerização é constituído por equações de balanço (de massa, de energia), equações de velocidade (expressões cinéticas que descrevem o consumo ou geração reagentes e produto dentro do reator) e equações que relacionam propriedades termodinâmicas do sistema. Uma outra maneira de se calcular o índice de fluidez e a concentração de sólidos é utilizando redes neurais artificiais. Este tipo de modelagem matemática pode reconhecer padrões, correlacionar dados brutos, realizar inferências e até prever eventos que auxiliam em tomadas de decisão. Para este estudo, foi avaliada uma unidade de produção de PEAD de uma empresa petroquímica. Foram selecionadas 11 variáveis do processo de polimerização, para 7 campanhas de produção de uma mesma resina. Após uma análise estatística dos dados, verificou-se que das 11 variáveis, 3 poderiam ser descartadas para o treinamento das RNAs. Foram treinados 5 grupos com configurações diferentes de RNAs com uma e duas saídas. Todos os grupos apresentaram a maioria dos resultados de correlação acima de 0,97 na etapa de simulação para a saída concentração de sólidos com erro médio inferior a 0,11%. Já para a saída IF, o melhor resultado apresentou uma correlação de 0,60 com erro médio de 4,53% na etapa de simulação, erro este que está dentro da faixa de erro do método analítico. Este trabalho mostrou que é possível associar o uso das RNAs em processos produtivos uma vez que conseguiu replicar de forma satisfatória um dos principais parâmetros do processo de polimerização estudado.
The High Density Polyethylene (HDPE) polymerization process in a tubular reactor, requires precise control of several process parameters. The loss or failure of control these parameters can lead to loss of quality of the resin being produced and, in the worst case scenario, lead to a reactor blockage, requiring several days of plant shutdown. Among the main controlled parameters, the polymer concentration (solids) inside the reactor and the Melt Index Flow (MFI), which is a quality variable. The solids concentration is calculated from the measurement of the density of the polymeric mass inside the reactor, which is performed by a nuclear measuring instrument. The process has only this detection method, which makes it impossible to operate the reactor in safe conditions, in the event of any failure of this instrument. Resin sampling for MFI analysis occurs after an average residence time between process vessels of approximately 3 hours. This long residence time makes quality control difficult. The use of phenomenological models to calculate these two variables requires greater complexity, since the polymerization process consists of balance equations (mass, energy), velocity equations (kinetic expressions that describe the consumption or generation of reactants and product inside the reactor) and equations relating thermodynamic properties of the system. Another way to calculate MFI and the solids concentration is using artificial neural networks (ANN). This type of mathematical modeling can recognize patterns, correlate raw data, make inferences and even predict events that help in decision making. For this study, a HDPE production unit of a petrochemical company was evaluated. Eleven variables of the polymerization process were selected for 7 production campaigns of the same resin. After a statistical analysis of the data, it was verified that of the 11 variables, 3 could be discarded for the training of the ANNs. Five groups were trained with different configurations of ANNs with one and two outputs. All groups presented most correlation results above 0.97 in the simulation step for the solids concentration output with an average error of less than 0.11%. For the MFI output, the best result presented a correlation of 0.60 with an average error of 4.53% in the simulation step, this error is within the error range of the analytical method. This work showed that it is possible to associate the use of RNAs in production processes since it was able to satisfactorily replicate one of the main parameters of the studied polymerization process.
The High Density Polyethylene (HDPE) polymerization process in a tubular reactor, requires precise control of several process parameters. The loss or failure of control these parameters can lead to loss of quality of the resin being produced and, in the worst case scenario, lead to a reactor blockage, requiring several days of plant shutdown. Among the main controlled parameters, the polymer concentration (solids) inside the reactor and the Melt Index Flow (MFI), which is a quality variable. The solids concentration is calculated from the measurement of the density of the polymeric mass inside the reactor, which is performed by a nuclear measuring instrument. The process has only this detection method, which makes it impossible to operate the reactor in safe conditions, in the event of any failure of this instrument. Resin sampling for MFI analysis occurs after an average residence time between process vessels of approximately 3 hours. This long residence time makes quality control difficult. The use of phenomenological models to calculate these two variables requires greater complexity, since the polymerization process consists of balance equations (mass, energy), velocity equations (kinetic expressions that describe the consumption or generation of reactants and product inside the reactor) and equations relating thermodynamic properties of the system. Another way to calculate MFI and the solids concentration is using artificial neural networks (ANN). This type of mathematical modeling can recognize patterns, correlate raw data, make inferences and even predict events that help in decision making. For this study, a HDPE production unit of a petrochemical company was evaluated. Eleven variables of the polymerization process were selected for 7 production campaigns of the same resin. After a statistical analysis of the data, it was verified that of the 11 variables, 3 could be discarded for the training of the ANNs. Five groups were trained with different configurations of ANNs with one and two outputs. All groups presented most correlation results above 0.97 in the simulation step for the solids concentration output with an average error of less than 0.11%. For the MFI output, the best result presented a correlation of 0.60 with an average error of 4.53% in the simulation step, this error is within the error range of the analytical method. This work showed that it is possible to associate the use of RNAs in production processes since it was able to satisfactorily replicate one of the main parameters of the studied polymerization process.