Академический Документы
Профессиональный Документы
Культура Документы
jng
ResumenEn este trabajo se presenta la aplicacin de una como los mecanismos de transferencia de masa y energa, se
red neuronal para la identificacin de un modelo cintico lleva a cabo en un reactor (gasificador) a alta temperatura y
correspondiente a la zona de reduccin en un proceso de presin. La transformacin de slido a gas se desarrolla en
gasificacin de combustibles slidos, especficamente biomasa. varias etapas: secado, pirolisis, combustin y reduccin;
El modelo considerado consta de seis ecuaciones diferenciales cada una toma lugar en diferentes zonas de reaccin [1].
que representan la produccin de seis componentes (carbono, Debido a que la reaccin de combustin en la zona de
hidrgeno, monxido de carbono, agua, bixido de carbono y
pirolisis es mucho ms rpida que la reaccin de
metano) y son obtenidas a partir de las ecuaciones de
velocidad de reaccin de las cuatro principales reacciones en gasificacin en la zona de reduccin [1][2], todas las
la zona de reduccin de un gasificador de lecho fluidizado. Por velocidades en la gasificacin de biomasa son controladas
otro lado, la identificacin realizada en el presente trabajo por las cinticas en la zona de reduccin.
est basada en una red neuronal recurrente discreta de alto El proceso de gasificacin y su acoplamiento a
orden (RHONN), la cul es entrenada con el algoritmo de dispositivos de cogeneracin de energa ha sido estudiado
filtro de Kalman extendido (FKE). El objetivo es reproducir, principalmente desde el punto de vista de la Ingeniera
con la red neuronal, la produccin de los diferentes Mecnica. La combinacin con otras disciplinas como el
componentes ante diversas condiciones de operacin. El Control Automtico pueden traer mayores beneficios para
desempeo del identificador neuronal se ilustra va
este tipo de procesos, por ejemplo, es posible obtener
simulacin.
modelos matemticos ms adecuados para el anlisis de las
Palabras clave: Gasificacin de biomasa, identificacin
neuronal, filtro de Kalman extendido. propiedades del proceso (estabilidad, controlabilidad,
regiones de operacin, etc.) y para el diseo y validacin de
I. INTRODUCCIN sistemas de control que mejoren su eficiencia y permitan un
acoplamiento eficaz con los dispositivos de cogeneracin.
La situacin energtica y medioambiental alrededor del Por otro lado, las redes neuronales artificiales representan
mundo hace que la generacin de energa mediante modelos simplificados de las redes neuronales biolgicas,
sistemas basados en fuentes renovables tome cada vez son un procesador paralelo distribuido y masivamente
mayor relevancia. Estos sistemas tienen diversas ventajas interconectado que almacena conocimiento experimental y
ya que posibilitan la diversificacin energtica reduciendo que tiene una gran cantidad de aplicaciones, tales como
la dependencia del petrleo, al emplear materias primas modelacin financiera y econmica, aplicaciones mdicas,
renovables se disminuyen las emisiones globales del CO2 y optimizacin de procesos industriales y control de calidad,
en el caso de procesos que emplean materia prima residual, investigacin cientfica, entre otras. Existen diferentes
permiten valorizar los residuos orgnicos minimizando topologas, entre las que destacan las redes neuronales
riesgos ambientales. recurrentes de alto orden debido a que permiten el
La biomasa es un recurso con alto potencial energtico y desarrollo de algoritmos de control robustos a
representa un rea de oportunidad tanto en pases incertidumbres, un modelado eficiente de sistemas
desarrollados como emergentes. En este sentido, la dinmicos complejos, una fcil implementacin y tienen la
gasificacin de biomasa es un proceso que permite la capacidad de ajustar sus parmetros en lnea.
generacin de energa trmica y elctrica, mediante As, el objetivo principal de este trabajo es desarrollar
tecnologas de bajo costo. La idea principal es transformar una identificacin neuronal, basada en una RHONN [3] con
un combustible slido en gases con potencial energtico, el fin de identificar las concentraciones de carbono (C),
adems de recuperar elementos nocivos antes de que se hidrgeno (H2), monxido de carbono (CO), agua (H2O),
liberen a la atmsfera, los cuales pueden ser empleados bixido de carbono (CO2) y metano (CH4) en un proceso de
como materia prima para la sntesis de productos con valor biomasa residual.
agregado. Este proceso involucra fenmenos complejos El aprendizaje de la red neuronal est basado en el
algoritmo del filtro de Kalman extendido [4]. Con este
Congreso Anual 2010 de la Asociacin de Mxico de Control Automtico. Puerto Vallarta, Jalisco, Mxico.
yi 1 s (x1 )
M M
yi s (x )
yi = n = n (4).
yin +1 u1
M M
y in + m un
En (4), u = [u1 , u 2 ,..., u m ]T es el vector de entrada a la Figura 1. Esquema de una RHONN entrenada con el filtro
red neuronal y S () es la funcin de activacin, la cual est de Kalman extendido.
definida por:
Congreso Anual 2010 de la Asociacin de Mxico de Control Automtico. Puerto Vallarta, Jalisco, Mxico.
El objetivo de entrenamiento es encontrar los pesos donde x es el estado de la neurona, como se presenta a
ptimos que minimicen el error de prediccin, la estimacin detalle en [8], (12) se reescribe como:
de los pesos se hace de manera recursiva, de tal forma que
cada actualizacin del peso estimado es hecha a partir del x(k + 1) = T (x (k ), u (k ), w(k )) (13)
peso anterior y los datos actuales; esto implica que no se
requiere la actualizacin de todos los pesos estimados. Esta donde T (,, ) es una funcin no lineal de x(k ) , u (k ) y
es la razn ms importante por la cual el FKE es utilizado
como algoritmo de entrenamiento de redes neuronales. w(k ) que determina la transicin del estado de la red
El FKE como algoritmo de entrenamiento est dado por: neuronal; de tal forma que con una rutina de derivadas
recurrentes se logra una linealizacin, dando como
wi (k + 1) = wi (k ) + i K i (k )e(k ) resultado un sistema dinmico de la forma:
K i (k ) = Pi (k )H i (k )M i (k ) i = 1,..., n (8)
x(k + 1) T (x(k ), u(k ), w(k )) x(k ) T (x(k ), u(k ), w(k ))
Pi (k + 1) = Pi (k ) K i (k ) H iT (k )Pi (k ) + Qi (k ) = + (14)
w x(k ) w w
Usualmente Pi y Qi son inicializadas como matrices
donde
diagonales, con entradas Pi (0) y Qi (0) , respectivamente.
Es importante remarcar que H i (k ) , K i (k ) y Pi (k ) para el
[
M i (k ) = Ri (k ) + H iT (k )Pi (k )H i (k ) ]1
(9) FKE son acotadas; para mayores detalles al respecto, se
e(k ) = y (k ) y (k ) recomienda consultar la referencia [5].
Las reacciones que tienen lugar en la zona de reduccin donde R es la constante universal del gas, E ai es la
se muestran a continuacin: energa de activacin para la reaccin i y T es la
1. C + CO2 = 2CO temperatura en la zona de reduccin. El signo negativo
2. C + H2O = H2 + CO de las ecuaciones de la velocidad de reaccin indica el
3. C + 2H2 = CH4 (16) componente global de la reaccin que se est
4. H2O + CH4 = CO + 3H2. consumiendo, mientras que el signo positivo indica el
La razn de produccin de los diferentes componentes componente que se est produciendo
est dada por las siguientes ecuaciones diferenciales: De las ecuaciones anteriores se deduce que el gas
producto depende de la presin y la temperatura del
dx1 gasificador.
= v1 ( X ) + v2 ( X ) + v3 ( X )
dt
dx2 V. IDENTIFICADOR DEL MODELO CINTICO DE GASIFICACIN
= v 2 ( X ) + 2v3 ( X ) 3v 4 ( X )
dt DE BIOMASA.
dx3 El esquema de identificacin presentado en la seccin II,
= 2v1 ( X ) v 2 ( X ) v 4 ( X )
dt se aplica al modelo cintico para la gasificacin de biomasa
dx4 el cual queda representado por el sistema de ecuaciones
= v 2 ( X ) + v4 ( X ) (17)
dt (17). Para ello se utiliza una red neuronal recurrente de alto
dx5 orden con n=6 considerando medibles los estados. La
= v1 ( X ) identificacin de parmetros y la identificacin de estados
dt
estn relacionadas en el sentido de cmo las mediciones de
dx6
= v 3 ( X ) + v 4 ( X ) los sensores pueden ser usadas para obtener un modelo
dt aproximado de la planta a ser controlada. Para muchas
aplicaciones de control es aconsejable identificar el estado
donde vi ( X ) representan las ecuaciones de velocidad del sistema o al menos una parte de ella. En el caso de este
de reaccin de las reacciones (16) las cuales se obtienen artculo, con el identificador neuronal se busca reproducir
considerando el mecanismo de Lamguir-Hinshelwood el comportamiento del gasificador ante diversas
[9], y estn dadas por: condiciones de operacin. Esto permitir entender de mejor
manera los mecanismos de reaccin en la transformacin de
v1 ( X ) = k a1
(
)
x5 x32 / PX K p1 x1, 0
1/ 3
x1
(18)
biomasa slida, as como analizar las propiedades del
proceso. As, el conocimiento del proceso adquirido
(K i + 1 / p )xi x1 d p
mediante la identificacin facilitar la instrumentacin y
el desarrollo de estrategias de control para optimizar el
v2 ( X ) = k a 2
(
)
x 4 x3 x2 / PX K p 2 x1, 0
1/ 3
x1
(19)
funcionamiento de este tipo de procesos.
La red neuronal utilizada en este trabajo se muestra en el
(K i + 1/ p )xi x1 d p siguiente sistema de ecuaciones.
( )
x 22 x6 / PX K p 3 x1,0
1/ 3 x1 (k + 1) = w11 S ( x1 ) + w12 S ( x1 )S ( x5 )S ( x3 ) + w13 S ( x4 )
x1
v3 ( X ) = k a 3 (20) + w14 S (x3 )S ( x4 ) + w15 S (x2 )S ( x6 )
(K i + 1/ p )xi x1 d p
x 2 (k + 1) = w21 S ( x2 ) + w22 S ( x4 ) + w23 S ( x3 )S (x 4 ) +
w24 S (x6 )S (x1 )
v4 ( X ) = ka 4
(
)
x4 x6 x3 x23 / P 2 X K p 4 x1,0
1/ 3
x1
(21) x3 (k + 1) = w31 S ( x3 ) + w32 S ( x5 ) + w33 S ( x3 )S (x1 ) +
(Ki + 1/ p)xi x1 d p
w34 S (x3 )S ( x2 )S (x1 ) + w35 S ( x4 )S ( x6 )
x 4 (k + 1) = w41 S ( x4 ) + w42 S ( x3 )S (x 2 ) + w43 S (x6 ) +
donde K i es la constante de adsorcin para las especies
w44 S (x3 )S ( x2 )S (x1 )
i, p es la presin en el gasificador, es la densidad del
x5 (k + 1) = w51 S (x5 ) + w52 S ( x3 )S (x1 )
carbn, d p es el dimetro inicial del carbn en forma de
x 6 (k + 1) = w61 S ( x6 ) + w62 S (x 2 ) + w63 S ( x6 )S ( x1 ) +
esfera, K pi es la constante de equilibrio y k ai es la w64 S ( x4 )S (x6 ) + w65 S ( x3 )S (x 2 )S ( x1 )
constante de velocidad para la reaccin i. La constante donde x1 , x2 , x3 , x4 , x5 y x6 corresponden a las
de velocidad es el producto de un factor pre-exponencial
concentraciones de carbono (C), hidrgeno (H2), monxido
Ai y un factor exponencial, conforme a la ecuacin de
de carbono (CO), agua-gas (H2O), bixido de carbono (CO2)
Arrhenius, y metano (CH4) respectivamente.
k a1 = Ai exp( E ai / RT ) (17)
Congreso Anual 2010 de la Asociacin de Mxico de Control Automtico. Puerto Vallarta, Jalisco, Mxico.
Pi (0) Qi (0 ) R i (0)
[P1 (0 )]55 = diag {1e9} [Q1 (0)]55 = diag{5e1} [R1 (0 )]11 = 5e3
[P2 (0)]44 = diag{4e9} [Q2 (0 )]4 4 = diag {5e1} [R2 (0)]11 = 2e4
[P3 (0)]55 = diag{1e10} [Q3 (0 )]55 = diag{4e1} [R3 (0 )]11 = 1.1e3 Fig. 6 Concentracin de monxido de carbono y su
respectiva identificacin.
[P4 (0)]44 = diag{8e10} [Q4 (0 )]44 = diag{3e 3} [R4 (0)]11 = 7.2e4
[P5 (0)]22 = diag{4e9} [Q5 (0)]22 = diag{2.5e3} [R5 (0)]11 = 1.6e4
[P6 (0 )]55 = diag{4e9} [Q6 (0)]55 = diag{2e3} [R6 (0 )]11 = 1.6e4
Tabla 1.Matrices de covarianza para la RHONN en el
proceso de identificacin.
VIII. AGRADECIMIENTOS
Los autores agradecen el apoyo de CONACYT, Mxico, en
el proyecto 125776.
REFERENCIAS
[1] Y. Wang and C. M. Kinoshita, Kinetic Model of
Biomass Gasification, Journal Solar Energy, Vol. 51, No.1,
Fig. 9 Concentracin de metano y su respectiva pp. 19-25, USA, 1993.
identificacin. [2] T. B. Reed, Biomass Gasification principle and
technology, Noyes Data Corporation, New Jersy, 1981.
[3] E. N. Sanchez and A.Y. Alanis, Redes neuronales,
conceptos fundamentals y aplicaciones a control
automtico, Pearson Education, Madrid, Espaa, 2006.
[4] E. N. Sanchez, A.Y. Alanis and G. Chen, Recurrent
neural networks trained with Kalman filtering for discrete
chaos reconstruction, Proceedings of Asia-Pacific
Workshop on Chaos Control and Synchronization,
Melbourne, Australia, July 2004.
[5] Y. Song and J.W. Grizzle, The extended Kalman filter
as a local asymptotic observer for discrete-time nonlinear
systems, Journal of Mathematical Systems, Estimation and
Control, Vol. 5, pp. 59-78, Birkhauser-Boston, 1995
[6] G. A. Rovithakis and M. A. Christodoulou, Adaptive
Control with Recurrent High-Order Neural Network,
Springer-Verlag, New York, USA, 2000.
[7] E. N. Sanchez, A.Y. Alanis and A.G. Loukianov,
Discrete-Time Recurrent High Order Neural Observer for
Induction Motors, in Foundations of Fuzzy Logic and Soft
computing Springer-Verlag, Berlin Heidelberg, Germany,
2007.
[8] A. Y. Alans, Entrenamiento de redes neuronales con
el filtro de Kalman, Tesis de Maestra, CINVESTAV,
Unidad Guadalajara, 2004.
[9] M. Laurendeau, Heterogeneous Kinetics of Coal Char
Fig. 10 Errores de identificacin de cada una de las
Gasification and combustion, Journal Energy Combustion,
variables.
Vol. 4, pp. 221-270, Great Britain, 1978.
.
VII. CONCLUSIONES