Identificação de colunas de destilação por redes neurais artificiais

Abstract

RESUMO: O desenvolvimento de modelos da planta é essencial para otimização, simulação e controle. Este trabalho propõe desenvolvimento de modelos de identificação de uma coluna de destilação experimental. Foram desenvolvidos modelos clássicos e modelos por Redes Neurais Artificiais. É demonstrado que, dentre as ferramentes de modelagem caixa-preta, a identificação de colunas é melhor realizada por Redes Neurais Artificiais. Além disso, é comparado o desempenho das diversas estruturas desenvolvidas por parâmetros estatísticos. Ferramentas de identificação clássica não produziram bons resultados, mesmo quando adicionada à estrutura do modelo, uma forma de não-linearidade, já que sistemas de destilação, são não-lineares. Nos resultados de prevalidação, todas as topologias de Redes Neurais demonstravam capacidade superior de modelar a coluna, com as topologias de recorrência externa e o Perceptron de Múltiplas Camadas ocultas sendo as mais promissoras. Na etapa final da metodologia de Identificação - a validação dos modelos - a rede neural externamente recorrente foi a topologia de redes neurais artificiais que melhor aproximou o comportamento dinâmico da coluna de destilação experimental

ABSTRACT: The development of plant models is essential for optimization, simulation and control. This work proposes the development of black-box models for the identification of an experimental distillation column. Models from Classical Identification Theory and Artificial Neural Networks were developed. It is demonstrated that, among the black box modeling tools, the identification of columns is better performed by Artificial Neural Networks. In addition, the performance of the different model structures are compared by statistical parameters. Classical identification tools did not produce good results, even when added to the model structure, a form of non-linearity, since distillation systems are non-linear. In the results of prevalidation, all topologies of Neural Networks demonstrated superior capacity to model the column, with topologies of external recurrence and the Perceptron of Multiple Layers hidden being the most promising. In the final step of the Identification methodology - the model validation - the externally recurrent neural network was the topology of artificial neural networks that best approximated the dynamic behavior of the experimental distillation column