Métodos estatísticos e redes neurais aplicados a modelos preditivos em digestor contínuo de celulose kraft de eucalipto

Autor: Correia, Flávio Marcelo, 1966
Přispěvatelé: Dangelo, José Vicente Hallak, 1967, Fileti, Ana Maria Frattini, Petenate, Ademir José, Colodette, Jorge Luiz, Silva Junior, Francides Gomes da, Universidade Estadual de Campinas. Faculdade de Engenharia Química, Programa de Pós-Graduação em Engenharia Química, UNIVERSIDADE ESTADUAL DE CAMPINAS
Rok vydání: 2021
Předmět:
Zdroj: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
DOI: 10.47749/t/unicamp.2016.972845
Popis: Orientadores: José Vicente Hallak D'Angelo, Sueli Aparecida Mingoti Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Química Resumo: Nas indústrias de celulose, o cozimento em digestor contínuo é um exemplo de processo complexo com longo tempo de retenção, envolvendo reações químicas e fenômenos de transferência de momento, energia e massa. Uma dificuldade adicional é o tempo necessário para execução de algumas análises off line, que resultam em ajustes tardios sobre as variáveis de controle. A fim de minimizar este impacto, apresentam-se neste trabalho duas abordagens para predições, usando dados industriais de um digestor contínuo modelo Kamyr de uma fábrica de celulose branqueada de eucalipto no Brasil. A primeira abordagem é desenvolvida com foco na matéria-prima, visando reduzir o erro da medida da densidade de cavaco, usada para calcular o fluxo mássico de licor branco de cozimento. Foram usados métodos univariados de predições como Média Móvel Simples (MMS), Alisamento Exponencial Simples (AES) e o método Box-Jenkins de séries temporais (ARIMA) em modelos dinâmicos para predição. Com um banco de dados de um período de aproximadamente 12 meses, após ajuste dos parâmetros, os modelos foram validados usando um novo conjunto de dados, levando a seleção do modelo ARIMA, que apresentou redução do erro percentual absoluto em torno de 25%. A segunda abordagem foi desenvolvida com foco no produto reagido, usando uma base de dados de aproximadamente um mês de operação do digestor. Foram aplicados os métodos AES, Regressão Linear Múltipla (RLM), ARIMA e Redes Neurais Artificiais (RNA) para predições do número Kappa. Após ajuste dos parâmetros, os modelos foram validados usando um novo conjunto de dados em um período equivalente. A análise dos resíduos e índices estatísticos de previsão mostra que os quatro modelos testados apresentam bons resultados, sendo ARIMA o melhor deles, que apresentou ordem de 3% de erro absoluto percentual. Aplicações de modelos preditivos como estes, possibilitam tomar ações operacionais em avanço às análises, diminuindo desvios dos objetivos de processo. Estas metodologias podem ser replicadas em outros reatores contínuos que apresentam características semelhantes Abstract: Complex processes with long retention time present significant delay between the input and output operations. In pulp mills, continuous cooking digester is a typical example of the process with this feature, involving chemical reactions and momentum, mass and energy transfer phenomena. In addition, another difficulty is the time needed to perform some off line analyses. Both problems result in late adjustments to the control variables. In order to minimize this impact, two approaches to perform variables predictions are presented in this work, using industrial data from a Kamyr continuous digester of eucalyptus operating in a bleached pulp mill in Brazil. The first approach is developed with a focus on the raw material, to reduce the error of the chip bulk density measurement, which is used to calculate white liquor mass flow. An approach using univariate methods like Simple Moving Average, Simple Exponential Smoothing and the Box-Jenkins time series (ARIMA) was proposed to develop dynamic models to predict chip bulk density on line. With a database for a period of 12 months after the adjustment of the parameter models, the models were validated using a new dataset, leading to selection of the ARIMA model which showed reduction in the absolute percentage error of around 25%. The second approach was developed with focus on reacted product, using a database for approximately one month digester operation. Single Exponential Smoothing, Multiple Linear Regression (MLR), Box-Jenkins methodology (ARIMA) and Artificial Neural Networks (ANN) were used for Kappa number predictions. After parameters models adjustment, the models were validated using a new data set for the equivalent period. The analysis of residuals and statistical forecasting index indicate that the four models tested show good results, the best being the ARIMA model which presented around 3% of absolute percentage error. The application of predictive models like these enables one to take operational actions in advancing of the analysis, reducing deviations of process goals. These methods can be replicated in other continuous reactors that have similar characteristics Doutorado Sistemas de Processos Químicos e Informática Doutor em Engenharia Química
Databáze: OpenAIRE
Externí odkaz: