Estimativa da concentração de etanol em uma coluna de destilação, a partir das vazões de entrada e de refluxo, utilizando lógica fuzzy e rede neural artificial

Abstract

RESUMO: Este trabalho apresenta estimadores de concentração de etanol em colunas de destilação utilizando Lógica Fuzzy e Redes Neurais Artificiais, a sua principal contribuição é estimar por meio da vazão de entrada e vazão de refluxo, diferentemente da grande parte dos trabalhos que utilizam a variável temperatura. A técnica se justifica pela particularidade da coluna de destilação ter o corpo principal a construção em vidro, por essa razão não possui isolamento térmico suficiente para obtenção do equilíbrio termodinâmico. Desenvolveu-se um sistema de acionamento digital para manter a produção de vapor constante. O sistema Fuzzy foi desenvolvido com base no conhecimento dos operadores da coluna de destilação, já para o sistema de estimativa de concentração por Redes Neurais Artificias foi necessária a utilização de um modelo matemático para a criação de um banco de dados de treinamento. Os sistemas Fuzzy e Redes Neurais Artificiais foram testados na coluna de destilação e comparados. Os resultados utilizando a Lógica Fuzzy se mostraram compatíveis com as Redes Neurais Artificiais, entretanto possuem uma característica construtiva mais direta por não necessitar de banco de dados para treinamento.

ABSTRACT: This work presents ethanol concentration estimators in distillation columns using Fuzzy Logic and Artificial Neural Networks. Its main contribution is estimating ethanol concentration based on feed flow rate and reflux flow rate, unlike most studies that rely on temperature as a variable. The technique is justified by the particularity of the distillation column, which has a main body constructed of glass; therefore, it lacks sufficient thermal insulation to achieve thermodynamic equilibrium. A digital control system was developed to produce the necessary steam to maintain a constant steam production. The Fuzzy system was developed based on the knowledge of the column operators, while the concentration inference system using Artificial Neural Networks required the use of a mathematical model to create a training database. Both Fuzzy and Neural Network systems were tested on the distillation column and compared. The results using Fuzzy Logic proved to be compatible with Artificial Neural Networks; however, Fuzzy Logic has a more straightforward construction characteristic since it does not require a training database.