Analisador virtual para inferência de enxofre total em gás liquefeito de petróleo de um craqueamento catalítica fluido, utilizando redes neurais e análise de componentes principais
Data
2023-12-09
Autores
Machado, Rafael Vasconcelos Costa 
Orientadores
Moraes, Matheus Cardoso
Tipo
Trabalho de conclusão de curso
Título da Revista
ISSN da Revista
Título de Volume
Resumo
Introdução: Estima-se que em 2019 cerca de 6,7 milhões de mortes estão relacionadas com poluição atmosférica, ocasionada em grande por compostos de enxofre. Apresenta-se então o desafio de produzir combustíveis com reduzido teor de contaminantes, de modo a diminuir as emissões. Analisadores em linha são a primeira opção para análise contínua de parâmetros. No entanto, deve-se considerar a confiabilidade obtida devido às condições rígidas submetidas aos equipamentos e os custos em sua implementação. Analisadores virtuais aparecem como uma alternativa devido ao instrumental e dados necessários já estarem disponíveis. Neste trabalho apresenta-se um modelo para predizer o enxofre total no GLP oriundo de uma unidade de craqueamento catalítico fluido (FCC). Método: o modelo é baseado em redes neurais artificiais (RNA), auxiliado por análise de componentes principais (PCA). Ele é dividido em seis blocos: Pré-processamento - exclusão de dados inconsistentes e outliers, melhorando o conjunto de dados; Normalização - colocando dados na mesma escala, contribuindo com a PCA e o modelo a performarem melhor; Divisão de dados - separados em treinamento, validação e teste, reduzindo chance de overfitting; Redução de dimensionalidade - foi utilizada a PCA, removendo ruídos e tornando o conjunto de dados mais enxuto; Seleção de modelo - selecionou-se a MLP devido a configuração dos dados disponíveis; Otimização de rede - efetuada com RandomizedSearchCV, de modo a reduzir o tempo computacional. Resultados: a média para Erro Absoluto Médio (MAE) e Erro Absoluto Percentual Médio (MAPE) em um K-Fold, k = 10, foi 6,46 mg/Kg e 39,8%, respectivamente. Conclusão: os resultados alcançados permitem verificar que o modelo é uma promissora ferramenta para inferência do enxofre total e possui potencial para apoiar tomadas de decisões. No entanto, é necessário a melhora de sua performance para aumentar sua credibilidade.
Introduction: It is estimated that in 2019 around 6.7 million deaths are related to air pollution, largely caused by sulfur compounds. The challenge then arises of producing fuels with a reduced level of contaminants, in order to reduce emissions. In-line analyzers are the first choice for continuous parameter analysis. However, the reliability obtained due to the rigid conditions subjected to the equipment and the costs of its implementation must be considered. Virtual analyzers appear as an alternative because the necessary instruments and data are already available. This work presents a model to predict total sulfur in LPG from a fluid catalytic cracking (FCC) unit. Method: the model is based on artificial neural networks (ANN), aided by principal component analysis (PCA). It is divided into six blocks: Pre-processing - exclusion of inconsistent data and outliers, improving the data set; Normalization - placing data on the same scale, contributing to the PCA and the model performing better; Data division - separated into training, validation and testing, reducing the chance of overfitting; Dimensionality reduction - PCA was used, removing noise and making the data set leaner; Model selection - MLP was selected due to the avail-able data configuration; Network optimization - carried out with RandomizedSearchCV, in order to reduce computational time. Results: the average for Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE) in a K-Fold, k = 10, was 6.46 mg/Kg and 39.8%, respectively. Conclusion: the results achieved allow us to verify that the model is a promising tool for inferring total sulfur and has the potential to support decision making. However, it is necessary to improve your performance to increase your credibility.
Introduction: It is estimated that in 2019 around 6.7 million deaths are related to air pollution, largely caused by sulfur compounds. The challenge then arises of producing fuels with a reduced level of contaminants, in order to reduce emissions. In-line analyzers are the first choice for continuous parameter analysis. However, the reliability obtained due to the rigid conditions subjected to the equipment and the costs of its implementation must be considered. Virtual analyzers appear as an alternative because the necessary instruments and data are already available. This work presents a model to predict total sulfur in LPG from a fluid catalytic cracking (FCC) unit. Method: the model is based on artificial neural networks (ANN), aided by principal component analysis (PCA). It is divided into six blocks: Pre-processing - exclusion of inconsistent data and outliers, improving the data set; Normalization - placing data on the same scale, contributing to the PCA and the model performing better; Data division - separated into training, validation and testing, reducing the chance of overfitting; Dimensionality reduction - PCA was used, removing noise and making the data set leaner; Model selection - MLP was selected due to the avail-able data configuration; Network optimization - carried out with RandomizedSearchCV, in order to reduce computational time. Results: the average for Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE) in a K-Fold, k = 10, was 6.46 mg/Kg and 39.8%, respectively. Conclusion: the results achieved allow us to verify that the model is a promising tool for inferring total sulfur and has the potential to support decision making. However, it is necessary to improve your performance to increase your credibility.
Descrição
Citação
Machado, R.V.C. ANALISADOR VIRTUAL PARA INFERÊNCIA DE ENXOFRE TOTAL EM GÁS LIQUEFEITO DE PETRÓLEO DE UM CRAQUEAMENTO CATALÍTICO FLUIDO, UTILIZANDO REDES NEURAIS E ANÁLISE DE COMPONENTES PRINCIPAIS. Trabalho de Conclusão de Curso - Engenharia Biomédica - Universidade Federal de São Paulo - Instituto de Ciência e Tecnologia, 2023. 10 f.