IBP1511_12 APLICAO DE UM SISTEMA NEUROFUZZY NA INFERNCIA DA COMPOSIO DE SADA DE UM REATOR DE HITROTRATAMENTO DE LEO DIESEL Marteson C. S.

Camelo1, Sergio Lucena 2, Frede Carvalho3, Rodrigo L.T. C. de Lira 4

Copyright 2012, Instituto Brasileiro de Petrleo, Gs e Biocombustveis - IBP Este Trabalho Tcnico foi preparado para apresentao na Rio Oil & Gas Expo and Conference 2012, realizado no perodo de 17 a 20 de setembro de 2012, no Rio de Janeiro. Este Trabalho Tcnico foi selecionado para apresentao pelo Comit Tcnico do evento, seguindo as informaes contidas no trabalho completo submetido pelo(s) autor(es). Os organizadores no iro traduzir ou corrigir os textos recebidos. O material conforme, apresentado, no necessariamente reflete as opinies do Instituto Brasileiro de Petrleo, Gs e Biocombustveis, Scios e Representantes. de conhecimento e aprovao do(s) autor(es) que este Trabalho Tcnico seja publicado nos Anais da Rio Oil & Gas Expo and Conference 2012.

Resumo
Devido a maior oferta de petrleos pesados e alto grau de contaminantes que os derivados deste possuem, os processos de hidrorrefino tm recebido ateno especial ao longo dos ltimos por possibilitar a remoo de contaminantes e melhorar a margem de lucro das refinarias por tonar possvel a obteno de derivados de maior valor agregado. Entre esses o processo de hidrotratamento (HDT), no qual ocorre uma srie de reaes que utilizam o gs hidrognio como reagente, foi o foco de estudo deste trabalho. Ao ser aplicado em correntes de Diesel o HDT realiza a remoo de contaminantes como enxofre e nitrognio, aumentando a qualidade do mesmo. A unidade de HDT tem como principal equipamento o reator, que consiste em um leito com partculas slidas, onde gs e lquido escoam em fluxo co-corrente ou em contracorrente. Apesar deste processo j ser maduro, o crescente aumento nas exigncias de mercado demandam por melhorias no mesmo, a fim de atingir uma rentabilidade cada vez maior. Desta forma o uso de inferenciadores na estimao das variveis tornaria possvel o melhor acompanhamento do processo como tambm a implementao de novas estratgias de controle. Sendo assim, este trabalho abordou a construo de um modelo inferencial baseado numa neurofuzzy, com o objetivo de estimar a composio de sada de um reator de HDT. O estudo abordou a inferncia das seguintes variveis: Concentrao de compostos sulfurados, nitrogenados e olefinas na sada do reator. Os dados utilizados no treinamento e validao foram obtidos de uma planta virtual. No total foram utilizados 3000 pontos para treinamento e o melhor desempenho foi obtido na inferncia da concentrao de olefinas.

Abstract
Due to increased supply of heavy oil and high degree of contaminants that his derivatives have it, the processes of hydrorefining have received special attention over the past by allowing the removal of contaminants and improve the profit margins of refineries for behold possible to obtain derivatives of higher added value. Among these, the process of hydrotreating (HDT), which there is a series of reactions using hydrogen gas as reagent, it has been the focus of this study. When applied in the current Diesel HDT performs the removal of contaminants such as sulfur and nitrogen, increasing the quality of them. The HDT units main reactor equipment consisting of a bed with solid particles, where gas and liquid drain flow co-current or countercurrent. Although this process has to be mature, the increasing requirements in the market demand for improvement in that, in order to achieve an increasing profit. Thus, the use of inference in the estimation of variables would enable better monitoring of the process as well as the implementation of advanced control strategies.Thus, this study addressed the construction of a model based on a neurofuzzy inference, in order to estimate the composition of output from the HDT reactor. The study addressed the inference of the following variables: Concentration of sulfur, nitrogen and olefins compounds in the output of the reactor. The data used in training and validation were obtained from a virtual plant. A total of 3000 points were used for training and the best performance was obtained in the inference of the concentration of olefins.

______________________________ 1 MSc, Engenheiro de Qumico DEQ/CTG/UFPE 2 Dr, Professor Adjunto DEQ/CTG/UFPE 3 Dr, Professor Adjunto DEQ/CTEQ/UFAL 4 Engenheiro de Qumico DEQ/CTG/UFPE

Rio Oil & Gas Expo and Conference 2012

1. Introduo
Atualmente o leo diesel ocupa lugar de destaque na matriz energtica brasileira, no ano de 2011 foram consumidos cerca de 49239 bilhes de litros. A razo deste crescimento devido ao aumento na frota de veculos pesados, que tem como principal fonte de energia o Diesel. Junto a esse aumento no consumo tambm cresce a quantidade de compostos nocivos sade humana, como NOx e SOx, lanados na atmosfera devido a queima desse combustvel. O diesel composto principalmente por hidrocarbonetos alifticos contendo de 9 a 28 tomos de carbono na cadeia e com ponto de ebulio na faixa de 160 a 410C. Alm desses, o diesel contm pequenas quantidades de compostos policclicos aromticos e impurezas como compostos nitrogenados, oxigenados e sulfurados, este ltimo confere um teor de enxofre ao combustvel que geralmente esta na ordem de 0,1 a 0,5% em peso (1000 a 5000ppm) variando de acordo com o petrleo de origem. Hoje no Brasil o Diesel vendido nas reas urbanas tem 50 ppm de teor de enxofre, porm com a crescente demanda de leos pesados alcanar este nvel de qualidade tonou-se mais difcil, sendo necessrio o hidrotratamento desse leo para que o mesmo atinja a especificao de mercado. O hidrotratamento (HDT) um processo no qual ocorre uma srie de reaes que utilizam o gs hidrognio como reagente. Atravs deste processo ocorre a remoo de contaminantes como enxofre e nitrognio, assim aumentando a qualidade do leo diesel. A unidade de HDT tem como principal equipamento o reator, que consiste em um leito com partculas slidas, onde gs e lquido escoam em fluxo cocorrente ou em contracorrente. Quanto ao regime de escoamento tais reatores so classificados em leito gotejante ou trickle-bed. Um esquema simplificado dessa unidade mostrado na Figura 01.

Figura 1: Fluxograma simplificado unidade de HDT. O desenvolvimento de ferramentas que possibilitem a melhoria do processo so essenciais para a produo de combustveis com um teor cada vez menor de contaminantes mantendo uma alta lucratividade. Dentre essas ferramentas, os Soft Sensors tem se mostrado ao longo dos ltimos anos uma poderosa ferramenta para inferncia e controle de processos. Permitindo a obteno dos valores de variveis de difcil medida do processo, como por exemplo, a concentrao na sada do reator, a partir de variveis de fcil medio, como representado na Figura 02. Alm disso, possuem como caracterstica a adaptao e aprendizagem diante de mudanas no ambiente aos quais so implementados, auxiliando na tomada de decises em um processo.

Rio Oil & Gas Expo and Conference 2012

Figura 2: Esquema de uso da inferncia em Processo.

Uma ferramenta computacional de grande aplicao na construo de inferenciadores so as redes neuronais, esta se trata de um modelo caixa preta que realiza a estimao atravs da dependncia estatstica das medidas da planta, requerendo para isso um conjunto de dados de treinamento e outro de validao. Em algumas aplicaes possvel utilizar a sinergia entre diferentes tcnicas computacionais o que resulta em sistemas inteligentes hbridos como o neurofuzzy. Neste tipo de sistema a rede neural atua no reconhecimento de padres e adaptabilidade as mudanas no sistema e o sistema de inferncia fuzzy realiza a inferncia e tomada de deciso. Este trabalho trata a inferncia da composio de sada de um reator de hidrotratamento de leo Diesel, em que foram inferenciadas as concentraes de compostos sulfurados, nitrogenados e olefinas. Os dados utilizados para simulao e treinamento do inferenciador foram obtidos de um modelo matemtico do processo de hidrotratamento de leo diesel, este considera as interaes entre as fases gasosa, lquida e slida no reator. Por fim, foi calculado o erro quadrtico mdio entre a inferncia e a simulao do modelo matemtico.

2. Metodologia
2.1. Sistemas Neurofuzzy A lgica fuzzy providencia os fundamentos tericos para a captura de incertezas associadas com os processos de pensamento humano, atravs do emprego de definies lingsticas de variveis utilizadas em um sistema com uma base de regras. Esse sistema de regras expressa o comportamento do processo atravs de relaes if....then. Tais relaes podem ser obtidas por meio de operadores do processo ou por meio de um conjunto de dados numricos, o que para um sistema fuzzy convencional pode ser muito complicado. Contudo, as redes neuronais podem ser treinadas com um conjunto de dados que contm o comportamento desejado do processo, possibilitando a aquisio das regras as quais agora podem ser passadas ao sistema fuzzy (SIMES, 2007). A Tabela 1 mostra algumas caractersticas dos sistemas fuzzy e das redes neuronais. Os sistemas neurofuzzy objetivam conjugar a capacidade de aprendizado das redes neuronais interpretabilidade caracterstica dos sistemas fuzzy, o que feito pela parametrizao do sistema fuzzy, sntese de funes objetivo e algoritmos de minimizao global adequados (AGUIAR, 2007). 3

Rio Oil & Gas Expo and Conference 2012

Tabela 1: Comparao entre sistemas fuzzy e redes neuronais Caractersticas Aquisio de conhecimento Mtodo de treinamento Tipos de incertezas Raciocnio Interface lingstica Tolerncia a falhas Robustez Sistemas fuzzy Redes neuronais Especialistas humanos Dados numricos Interao/induo Algoritmos/ajuste dos pesos Quantitativa/qualitativa Quantitativa Busca heurstica Computao paralela Explicita No evidente No evidente Muito alta Muito alta Muito alta Fonte: Simes, 2007.

2.2. ANFIS O mtodo ANFIS (Adaptative Network Based Fuzzy Inference System) utiliza predominantemente modelos Takagi-Sugeno parametrizados. No ANFIS, ocorre o mapeamento das vrias partes de um sistema de inferncia fuzzy em uma rede adaptativa feedforward de cinco camadas, a qual treinada de modo supervisionado. Ao final do treinamento, os parmetros devidamente ajustados so mapeados inversamente em um sistema fuzzy de estrutura idntica ao original, que dever se comportar aproximadamente como o sistema que gerou o conjunto de dados utilizado para treinamento, ou seja, as mesmas entradas devero corresponder a sadas prximas (AGUIAR, 2007).

Figura 3: Configurao de um modelo ANFIS com duas entradas e uma sada. Fonte: Aguiar (2007) O fluxograma mostrado na Figura 3 representa um sistema neurofuzzy. A funcionalidade de cada camada descrita a seguir: Camada 1: cada neurnio apresenta comportamento adaptativo e responsvel pelo clculo do valor das funes de pertinncia das entradas do sistema. Os parmetros nessa camada so chamados de parmetros premissos. Camada 2: nessa camada, o sinal de sada gerado como resultado da aplicao do operador t- norma aos sinais de entrada e cada sada de um neurnio representa o grau de ativao de uma regra.

Rio Oil & Gas Expo and Conference 2012 Camada 3: ocorre a normalizao do grau de ativao atravs da razo do grau de ativao de um determinado neurnio da camada anterior pela soma dos graus de ativao de todos os neurnios da mesma camada. A sada dessa camada o grau de ativao normalizado. Camada 4: adaptativa e responsvel pelo clculo de cada uma das partes consequentes do sistema TakagiSugeno. Os parmetros de sada so chamados parmetros consequentes. Camada 5: o nico neurnio na camada fixo, o qual calcula a sada como a soma de todos os sinais de entrada desse neurnio. Segundo Aguiar (2007), o ANFIS utiliza um algoritmo de aprendizado em dois passos, o qual tambm pode ser chamado algoritmo de aprendizado hbrido. No passo adiante, os valores da camada 1 so fixos e os valores da camada 4 so calculados utilizando o mtodo dos mnimos quadrados, enquanto no passo para trs os parmetros da camada 4 so fixos e os parmetros da camada 1 so calculados atravs do mtodo de gradientes descendentes.

2.3.

Treinamento

Como variveis de entrada para a neurofuzzy foram escolhidas: a temperatura de alimentao do reator, Razo gs leo, Vazo de entrada, Presso total do reator e Temperatura de sada do reator. Esses dados foram obtidos a partir da planta virtual do processo de HDT. Esta planta consiste em um modelo matemtico heterogneo do processo, este modelo e as consideraes aplicadas na simulao so mostrados em Camelo (2010). Foi utilizado para treinamento da neurofuzzy 3000 pontos, com tempo de amostragem de 60 segundos, este foi obtido aps aplicao de um sinal degrau nas variveis de entrada do processo e avaliao da constante de tempo associada a cada uma dessas variveis, mais detalhes sobre este procedimento pode ser viso em Zanata (2005). Um fator chave no desenvolvimento de um sensor virtual que este consiga captar bem a dinmica do processo, visando isto foram feitas perturbaes na entrada do processo a cada 180 segundos. A rede neurofuzzy foi treinada e implementada com o uso do software Matlab. Devido quantidade de variveis de entrada necessrias para o treinamento, foi necessrio realizar a clusterizao dos dados. Com a clusterizao, ocorre o particionamento de um conjunto de dados em vrios grupos, de forma que a similaridade interna em um grupo seja maior que entre grupos cuja similaridade medida normalmente com base nos clculos da distncia entre clusters (MORAIS, 2010). Para obteno das funes pertinncia e do nmero de regras utilizou-se o comando genfis 2 do Matlab sobre os dados de entrada e sada. O mesmo realiza a clusterizao atravs da tcnica subtractive clustering, e tambm possibilita a obteno dos centros de agrupamento. A aplicao do comando genfis gera um conjunto inicial de regras fuzzy, o qual otimizado atravs do comando anfis. Este novo conjunto de regras foi utilizado na simulao. Foram treinadas duas neurofuzzys diferentes para cada varivel inferenciada, Inf 01 a qual teve como entrada as 5 variveis citadas anteriormente no mesmo instante em que a medida foi obtida, e Inf 02, que teve 10 variveis de entrada, 5 no mesmo instante em que a medida foi obtida e 5 com essa medida em atraso. O desempenho dessas neurofuzzy durante treinamento e simulao foi avaliado a partir do erro quadrtico mdio, dado pela Equao 1. 1

(1)

Onde: N a quantidade de amostras. o valor da varivel de sada inferenciado. o valor da varivel de sada obtido do processo.

3. Resultados
Foram inferenciadas as concentraes de compostos nitrogenados, olefinas e sulfurados na sada do reator. A composio de sada inferenciada foi comparada com composio de sada da planta virtual. Os parmetros de entrada da planta virtual e do inferenciador so mostrados na tabela 02. Nos tempos de 1500, 3000 e 4200 segundos foram aplicados respectivamente degraus nas seguintes variveis de entrada: presso do reator, temperatura de alimentao do reator e vazo de alimentao do reator. 5

Rio Oil & Gas Expo and Conference 2012

Tabela 2: Alimentao do Processo de HDT. Condio Operacional Vazo de Alimentao (m3/h) H2/leo (cm3/cm3) TF0 (K) Presso (MPa) Valor inicial 144 550 340 5 Valor aps degrau 180 550 310 6

Tabela 3: Erros Quadrtico mdio das etapas de simulao e treinamento. Neurofuzzy Varivel Inferenciada Concentrao de compostos Sulfurados Concentrao de compostos Sulfurados Concentrao de compostos Nitrogenados Concentrao de compostos Nitrogenados Concentrao de Olefinas Concentrao de Olefinas Erro Quadrtico Mdio Simulao 5,5.10-3 6,4.10-3 9,1.10-4 1,0.10-3 1,1.10-3 1,4.10-3 Erro Quadrtico Mdio Treinamento 1,3.10-3 4,8.10-4 1,8.10-4 1,4.10-4 1,9.10-4 4,9.10-4

Inf 01

Inf 02

Inf 01

Inf 02

Inf 01

Inf 02

Para todas as variveis inferenciadas o erro quadrtico mdio na etapa de treinamento foi menor que o da etapa de simulao, ver Tabela 3. O menor erro durante a etapa de simulao foi obtido na inferncia da composio de compostos nitrogenados, porm ao se verificar a magnitude da varivel em relao ao erro, a neurofuzzy que teve melhor desempenho foi a Inf 01 na inferncia da concentrao de olefinas, ver Figura 6. Os perfis de concentrao de compostos sulfurados e nitrogenados so mostrados respectivamente nas Figuras 4 e 5.

Rio Oil & Gas Expo and Conference 2012

Concentrao de Sulfurados na Sada do Reator (Kmol/m3)

0.06

0.05

0.04

Planta Virtual Inf 01 Inf 02

0.03

0.02

0.01

0 0 1000 2000 3000 Tempo (s) 4000 5000 6000

Figura 4: Perfil de Concentrao de Sulfurados na Sada do Reator.

Concentrao de Nitrogenados na Sada do Reator (Kmol/m3)

9 8

x 10

-3

Inf 01 7 6 5 4 3 2 1 0 Inf 02 Planta Virtual

1000

2000

3000 Tempo (s)

4000

5000

6000

Figura 5: Perfil de Concentrao de Sulfurados na Sada do Reator.

Rio Oil & Gas Expo and Conference 2012

Concentrao de Olefinas na Sada do Reator (Kmol/m3)

0.02 Inf 01 Inf 02 Planta Virtual

0.015

0.01

0.005

0 0 1000 2000 3000 Tempo (s) 4000 5000 6000

Figura 6: Perfil de Concentrao de Olefinas na Sada do Reator.

4. Concluso
O erro entre a inferencia a spida da planta virtual foi relativamente baixo para todos os casos tratados neste trabalho, sendo o menor erro obtido na estimao da concentrao de olefinas na sada do reator. Mesmo assim, mais estudos devem ser realizados principalmente em relao a escolha das variveis de entrada do inferenciador. Desta forma como sugesto de trabalhos futuros pode ser realizado um estudo mais detalhado e com isso inserir diferentes variveis de entrada no inferenciador, o que permitiria a melhora no desempenho do mesmo.

5.

Agradecimentos

Agradeo ao Programa de Recursos Humanos da ANP (PRH-28), UFPE e ao Laboratrio de Controle e Otimizao de Processos (LACO-UFPE)

6. Referncias
1. AGUIAR, H., JUNIOR, O., CALDEIRA, A.M., MACHADO, M.A.S.. Inteligncia Computacional Aplicada Administrao, Economia e Engenharia em Matlab. So Paulo: Thomson Learning, 2007. 384 p. 2. CAMELO, M. C. S. LUCENA, S. MELO, R. G. ROSAL, A.G.C. Modelagem Matemtica e Simulao do Reator de uma Unidade de Hidrotratamento de leo Diesel. Petro & Qumica, v. 317, p. 1-2, 2010. 3. MORAIS, A.; SANTOS, RAPHAEL R. C.; SODR, CRISTIANE H.; CARVALHO, FREDE O.;. VIEIRA, WILLIAM G. Uma Estratgia de Construo de um Soft Sensor para Inferenciar a Composio do Produto de um Processo de Destilao Utilizando Tcnica Neuro-fuzzy. Mecnica Computacional. Vol XXIX, pgs. 9345-9365. (2010). 4. SIMES, M.G., SHAW, I.S. Controle e modelagem fuzzy. So Paulo: Blcher: FAFESP, 2007. 186 p. 8

Rio Oil & Gas Expo and Conference 2012 5. ZANATA, D. R. P. Desenvolvimento de um sensor virtual empregando redes neuronais para medio da composio em uma coluna de destilao. 2005. 229 p. Dissertao (Mestrado em Engenharia de Sistema) Escola Politcnica de So Paulo, Universidade de So Paulo, So Paulo.