Dış Ticaret Hadleri

Assim como na UPGN-II GMR, a coluna debutanizadora corresponde ao último es- tágio de destilação no sistema simulado utilizado neste trabalho. O GLP e o C5+ são, respectivamente, os produtos de topo e de fundo dessa coluna.

Figura 2.3: Coluna debutanizadora simulada.

A Figura 2.3 apresenta o diagrama esquemático da coluna debutanizadora, bem como os controladores PID e demais instrumentos presentes no processo simulado. Os rótulos foram definidos de acordo com a planta real em Guamaré-RN. A alimentação da coluna debutanizadora é realizada pelo LGN obtido na etapa anterior.

18 CAPÍTULO 2. PROCESSAMENTO DE GÁS NATURAL

No fundo da coluna, parte dos componentes mais pesados do LGN são encaminhados para o refervedor P-24011-2. A vazão do óleo térmico utilizado pelo P-24011-2 na troca de calor é regulada pela válvula VLV-103-3, cuja abertura é ajustada de acordo com a temperatura interna da coluna através do controlador TIC-102-2. O vapor, então obtido, retorna à coluna de destilação. A outra parte do produto de fundo é conhecida como gasolina natural, sendo o seu fluxo ajustado pelo controlador LIC-102-2. A gasolina natural é composta essencialmente por C5+, possuindo também pequena quantidade de butano (C4) que não foi vaporizado no processo de destilação efetuado pela coluna.

Na parte superior da coluna, o produto de topo é conduzido ao vaso de condensado V-24014-2 através de dois possíveis caminhos, podendo passar ou não pelo condensador a ar (air-cooler) P-24010. O produto que segue diretamente para o vaso de condensado, sem passar pelo air-cooler, depende da atuação do controlador de pressão em split range SPLT-100 sobre a válvula ByPass-2. Do vaso de condensado, parte do GLP obtido é extraído da planta através da linha de saída GLP-Saída-2, outra parte retorna à coluna de destilação. Essa vazão de refluxo é regulada pelo controlador de vazão FIC-101-2, o qual ajusta a abertura da válvula VLV-101-3. Caso a pressão interna no vaso de condensado se eleve demasiadamente, parte do GLP pode ser aliviado, como medida de segurança, para queima no flare através da linha de saída Gas_Saída-2. A vazão do GLP que sai para queima é regulada pela abertura da válvula de alívio VLV-100-3, ajustada pelo SPLT-100. O GLP é constituído idealmente por C3 e C4, entretanto, apresenta em sua com- posição alguns contaminantes, como o pentano e o etano. A destilação que é realizada pela coluna debutanizadora tem como um de seus objetivos formar em seu topo um pro- duto formado pelos componentes mais leves de sua carga. Porém, com o aquecimento da coluna, uma pequena parte dos componentes mais pesados, principalmente o pentano, evapora e contamina o GLP.

Em contrapartida, de acordo com Araújo Jr. (2007), se a coluna for resfriada em demasia, os produtos leves podem não ser totalmente evaporados, sendo depositados junto ao produto de fundo, superespicificando o GLP. Este acontecimento representaria uma perda econômica, uma vez que o valor de mercado do C5+ é geralmente menor que o valor do GLP.

O pentano presente na composição do GLP do processo simulado é formado pela soma das frações molares do i-pentano e n-pentano. Esses compostos apresentam a mesma tendência de variação em função das condições de operação. Além disso, para a carga aplicada ao processo neste trabalho, o i-pentano está presente no GLP em maior porcen- tagem que o n-pentano. O pentano estimado pelo sistema de inferência, aqui proposto, corresponde à soma das frações molares de i-pentano e n-pentano.

2.3. UNIDADE DE PROCESSAMENTO DE GÁS NATURAL 19

O etano é um composto bastante leve e devido a isso os traços desse elemento pre- sentes no LGN evaporam totalmente devido ao aquecimento que ocorre na coluna debu- tanizadora. Como consequência natural, o etano presente na carga dessa coluna é com- pletamente retirado do processo como elemento contaminante do GLP.

Para que o GLP não saia de suas especificações, as frações molares dos contaminantes citados devem ser mantidas entre pequenas faixas da composição total do GLP. Devido a isso, ter acesso às frações molares desses compostos com pequenos intervalos de medição é de grande importância para contribuir com o aumento da eficiência das estratégias de supervisão e de controle da qualidade do GLP em unidades de processamento de gás natural.

Capítulo 3

Fundamentos teóricos

Neste capítulo são descritos os princípios teóricos que estão envolvidos no desenvolvi- mento deste trabalho. Inicialmente são apresentados alguns dos principais conceitos das redes neurais artificiais. Após descrever a sua definição, são relatadas as características que tornam essas estruturas uma das alternativas mais utilizadas para o estudo e imple- mentação de sistemas de inferência. É apresentada, em especial, a rede neural perceptron de múltiplas camadas, por ser essa a estrutura utilizada no sistema de inferência proposto. Em seguida, a atenção volta-se para a identificação de sistemas dinâmicos. São apre- sentados os principais passos do procedimento de identificação utilizado pela modelagem do tipo caixa preta. Esse procedimento será aplicado para identificar as dinâmicas do processo em estudo que possibilitam a inferência das frações molares de propano no gás residual e de etano e pentano no GLP. Também é descrito o modelo neural de inferência adotado neste trabalho, relatando os problemas que surgem a partir dessa escolha.

No final do capítulo é feita uma breve introdução à análise de componentes principais, descrevendo de forma sucinta como essa técnica estatística é utilizada para a redução di- mensional de dados. Através desse método, é possível realizar uma redução no número de variáveis secundárias utilizadas pelo sistema de inferência através de uma transformação de dados. Isso, consequentemente, permite a simplificação da configuração da rede neural a ser implementada.

3.1

Redes neurais artificiais (RNAs)

De acordo com Haykin (2001), as redes neurais artificiais são estruturas paralelas, maciçamente distribuídas, constituídas por unidades simples de processamento conheci- das como neurônios. As RNAs se assemelham ao cérebro humano devido a sua capaci- dade de adquirir conhecimento a partir do ambiente. Isso ocorre através de um processo de aprendizagem que ajusta a força das conexões, ou pesos sinápticos, existentes entre os

22 CAPÍTULO 3. FUNDAMENTOS TEÓRICOS

neurônios. Nessas conexões são armazenados os conhecimentos adquiridos pela rede. As RNAs são utilizadas em diversos tipos de aplicações. Pode-se citar, como exem- plos, a classificação de padrões, a filtragem de sinais, a análise de imagens e o controle e identificação de sistemas dinâmicos. Entre as propriedades citadas por Haykin (2001) que justificam a utilização de tais estruturas, destacam-se a sua característica intrínseca de não linearidade, as capacidades de generalização e adaptabilidade, a tolerância à falhas e a sua capacidade de aproximação universal.

Uma aplicação em potencial para a utilização das redes neurais é a identificação de sis- temas dinâmicos. Muitos dos sistemas físicos reais são muito complexos, o que dificulta, e as vezes impossibilita, o desenvolvimento de modelos matemáticos que representem as suas dinâmicas satisfatoriamente. As redes neurais artificiais, através de seu processo de aprendizagem e de sua capacidade de aproximação universal, conseguem representar a função dinâmica correspondente ao sistema a ser identificado com relativa simplicidade (Linhares et al., 2008a).

A capacidade das redes neurais de poderem ser aplicadas na identificação de dinâmi- cas é de grande importância para este trabalho, uma vez que um sistema de inferência nada mais é do que um modelo capaz de reproduzir as relações dinâmicas entre variáveis secundárias e primárias de um processo.

Diversas são as arquiteturas de redes neurais existentes, tais como: redes de funções de base radial, redes de Kohonen, máquinas de vetor de suporte, entre outras. Neste trabalho, a arquitetura a ser utilizada é a perceptron de múltiplas camadas. A aplicação com sucesso dessa estrutura pode ser encontrada em diversos trabalhos realizados na área de inferência, como os de Bawazeer e Zilouchian (1997), Bo et al. (2003) e Fortuna et al. (2005). A Figura 3.1 apresenta um exemplo desse tipo de arquitetura.

3.1. REDES NEURAIS ARTIFICIAIS (RNAS) 23

A arquitetura básica de uma rede PMC possui os seus neurônios dispostos em ca- madas, onde cada neurônio de uma camada recebe como entrada apenas as saídas de neurônios da camada imediatamente anterior ou das entradas da rede. Devido a essa con- figuração, essas redes neurais também são conhecidas como redes feedforward (Nørgaard et al., 2001).

Na Figura 3.1, a segunda camada é conhecida como camada de saída, pois fornece as saídas da rede neural. A primeira camada é conhecida como camada oculta, intermediária ou escondida, por estar, de certa forma, escondida entre as entradas externas da rede

(ϕ1,ϕ2,ϕ3) e a camada de saída. A rede apresentada é totalmente conectada, pois todas

as entradas e neurônios das camadas estão conectados com todos os neurônios da camada seguinte. A Equação 3.1 expressa matematicamente o funcionamento de uma rede neural

PMC, ondeδié a saída i da rede.

δi(t) = gi[ϕ, θ] = Fi " _n h

∑

∑

O vetor de parâmetrosθcontém todos os parâmetros ajustáveis da rede: pesos sináp-

ticos e biases{wj,l,Wi, j}. Nesse caso, o bias pode ser interpretado como um peso sendo

aplicado à uma entrada fixa de valor unitário. O número de neurônios da camada escon-

dida e o número de entradas da rede são, respectivamente, nh e nϕ, enquanto Fie fj são

as funções de ativação dos neurônios das camadas de saída e escondida. As funções de ativação mais comumente utilizadas são a linear, a sigmóide ou logística, e a tangente hiperbólica. Essas funções são dadas pelas Equações 3.2, 3.3 e 3.4, respectivamente.

fl(x) = x (3.2) fs(x) = 1 1+ e−x (3.3) ft(x) = tanh (x) = 1− e−x 1+ e−x (3.4)

Cybenko (1989) demonstra que qualquer função contínua pode ser aproximada por uma rede PMC contendo uma camada oculta com neurônios de funções de ativação sigmoidais, ou tangentes hiperbólicas, e uma camada de saída formada por neurônios com funções de ativação lineares. Entretanto, em seu trabalho, não é explicado quantos neurônios devem ser incluídos nessa única camada oculta. Pelo resultado citado, é normal

24 CAPÍTULO 3. FUNDAMENTOS TEÓRICOS

concluir que não existe a necessidade de se utilizar mais de uma camada oculta e/ou uma mistura de diferentes tipos de funções de ativação. Entretanto, a utilização de estruturas mais sofisticadas pode ser mais adequada em casos onde a complexidade de mapeamento é elevada.

A escolha quanto aos números de camadas e de neurônios que devem compor uma RNA pode ser vista como uma área de estudo bastante promissora, já que ainda não foram obtidos resultados muito conclusivos quanto a isso.