Estudo da eficiência de remoção e do coeficiente volumétrico de transferência de massa em torre de nebulização para remoção de SO2 e modelagem por redes neurais artificiais
Data
2021-06-10
Autores
Valera, Vinícius Yoshida [UNIFESP]
Orientadores
Codolo, Milene Costa [UNIFESP]
Tipo
Dissertação de mestrado
Título da Revista
ISSN da Revista
Título de Volume
Resumo
Diversos equipamentos podem ser utilizados para minimizar ou eliminar o problema de emissão de poluentes atmosféricos por fontes industriais, sendo um deles, a instalação de uma torre de nebulização para absorção de gases. Esse tipo de equipamento é frequentemente empregado na indústria por realizar operações de transferência de calor e de massa e são baseadas no contato entre um gás e um líquido. Devido à complexidade do processo e a quantidade de parâmetros a serem avaliados na torre de nebulização, propor modelos matemáticos para predição de variáveis importantes, como a eficiência de remoção e o coeficiente volumétrico de transferência de massa médio ((k_g a) ̅), se tornou uma tarefa difícil. As redes neurais artificiais (RNAs) surgem como uma alternativa para modelagem de problemas complexos, uma vez que essas redes têm a capacidade de correlacionar as variáveis de entrada e saída de um determinado problema, sem a necessidade de conhecer o modelo fenomenológico. Esse trabalho teve por objetivo construir uma bancada experimental para remoção de dióxido de enxofre (SO2) utilizando uma torre de nebulização e avaliar a influência das variáveis no processo. Para tal propósito, foi necessário avaliar a eficiência de remoção do SO2 e as variáveis envolvidas (vazão de gás e líquido, número de bicos e diâmetro do orifício do bico pulverizador). Após essa etapa, foi proposta uma RNA para predição de resultados de eficiência de remoção e (k_g a) ̅, na torre de nebulização para remoção de SO2. A torre construída nesse estudo atingiu eficiência máxima de 99,47% e (k_g a) ̅ de 24,46x10-8 kmol s-1 m-3 Pa-1 e mostrou que é possível alcançar altos níveis de remoção sem a necessidade de construir torres tão altas. A melhor RNA obtida, apresentou erros percentuais médios de 2,76% para os resultados de simulação da eficiência de remoção do SO2 e 6,79% para o (k_g a) ̅. Para a obtenção da melhor rede, as etapas de treinamento, validação e teste se mostraram insuficientes, sendo necessário uma última etapa de simulação. Os resultados produzidos pelas redes neurais foram muito promissores na predição de parâmetros importantes no processo de remoção de poluentes atmosféricos via torre de nebulização.
Various equipment can be used to minimize or eliminate the problem of air pollutants emission from industrial sources, one of which is the installation of a spray tower to absorb gases. This type of equipment is often used in the industry for carrying out heat and mass transfer operations and is based on the contact between a gas and a liquid. Due to the complexity of the process and the number of parameters to be evaluated in the spray tower, proposing mathematical models to predict important variables, such as removal efficiency and the mass transfer volumetric coefficient ((k_g a) ̅), has become a difficult task. Artificial neural networks (ANNs) appear as an alternative for modeling complex problems, since these networks have the ability to correlate the input and output variables of a given problem, without the need to know the phenomenological model. This work aimed to build an experimental bench for removing sulfur dioxide (SO2) using a spray tower and to evaluate the influence of variables on the process. For this purpose, it was necessary to evaluate the SO2 removal efficiency and the variables involved (flow rate of gas and liquid, number of nozzles and orifice diameter of the spray nozzle). After this step, an ANN was proposed to predict results of removal efficiency and (k_g a) ̅, in the spray tower for removal of SO2. The tower built in this study reached a maximum efficiency of 99.47% and (k_g a) ̅ of 24.46x10-8 kmol s-1 m-3 Pa-1 and showed that it is possible to achieve high levels of removal efficiency without the need to build long towers. The best ANN obtained, presented average percentage errors of 2.76% for the results of simulation of the SO2 removal efficiency and 6.79% for the (k_g a) ̅. In order to obtain the best network, the training, validation and testing steps proved to be insufficient, requiring a last simulation step. The results produced by neural networks were very promising in the prediction of important variables in the process of removing air pollutants via spray tower.
Various equipment can be used to minimize or eliminate the problem of air pollutants emission from industrial sources, one of which is the installation of a spray tower to absorb gases. This type of equipment is often used in the industry for carrying out heat and mass transfer operations and is based on the contact between a gas and a liquid. Due to the complexity of the process and the number of parameters to be evaluated in the spray tower, proposing mathematical models to predict important variables, such as removal efficiency and the mass transfer volumetric coefficient ((k_g a) ̅), has become a difficult task. Artificial neural networks (ANNs) appear as an alternative for modeling complex problems, since these networks have the ability to correlate the input and output variables of a given problem, without the need to know the phenomenological model. This work aimed to build an experimental bench for removing sulfur dioxide (SO2) using a spray tower and to evaluate the influence of variables on the process. For this purpose, it was necessary to evaluate the SO2 removal efficiency and the variables involved (flow rate of gas and liquid, number of nozzles and orifice diameter of the spray nozzle). After this step, an ANN was proposed to predict results of removal efficiency and (k_g a) ̅, in the spray tower for removal of SO2. The tower built in this study reached a maximum efficiency of 99.47% and (k_g a) ̅ of 24.46x10-8 kmol s-1 m-3 Pa-1 and showed that it is possible to achieve high levels of removal efficiency without the need to build long towers. The best ANN obtained, presented average percentage errors of 2.76% for the results of simulation of the SO2 removal efficiency and 6.79% for the (k_g a) ̅. In order to obtain the best network, the training, validation and testing steps proved to be insufficient, requiring a last simulation step. The results produced by neural networks were very promising in the prediction of important variables in the process of removing air pollutants via spray tower.