Modelo para predição de umidade em sistema de desidratação de gás natural
Visualizar/abrir
Data
2023Orientador
Nível acadêmico
Graduação
Assunto
Resumo
Analisadores virtuais são modelos matemáticos baseados em dados que utilizam medições de outras variáveis, de controle ou monitoramento de processo, para predição da variável de interesse de forma contínua. Estes tipos de analisadores são vantajosos, pelo baixo custo associado de obtenção e manutenção, sendo uma alternativa para a redução de custos em processos industriais. No processamento e extração de gás natural, existe a etapa da desidratação, que tem por objetivo a remoção da umidade pres ...
Analisadores virtuais são modelos matemáticos baseados em dados que utilizam medições de outras variáveis, de controle ou monitoramento de processo, para predição da variável de interesse de forma contínua. Estes tipos de analisadores são vantajosos, pelo baixo custo associado de obtenção e manutenção, sendo uma alternativa para a redução de custos em processos industriais. No processamento e extração de gás natural, existe a etapa da desidratação, que tem por objetivo a remoção da umidade presente no gás. Uma das metodologias utilizadas para a desidratação é a adsorção “TSA”. Uma das maneiras de otimizar este processo é definir as concentrações de água na saída do leito, para evitar a exposição do leito à altas temperaturas, e consequente diminuição de vida útil. Este trabalho tem por objetivo a modelagem de um analisador virtual para predição de umidade no sistema, utilizando as metodologias de regressão linear multivariável e redes neurais artificiais. Foi realizada a simulação dinâmica do sistema para obtenção da base de dados, observando a utilização de parâmetros de entrada com medições típicas deste processo. O modelo gerado a partir da regressão linear multivariável apresentou baixo coeficiente de determinação (R2) de 0,7322 e erro relativo médio de 0,4041% em função da baixa correlação linear com a variável de interesse. Já o modelo não linear, redes neurais, foi desenvolvido e otimizado em seus hiperparâmetros, que representam um ajuste melhor dos dados, obtendo coeficiente de determinação (R2) de 0,9727 e erro relativo médio de 0,1230% ...
Abstract
Soft sensors are mathematical models based on data that use measurements of other variables, control or process monitoring, to predict the variable of interest continuously. These types of analyzers are advantageous due to the low cost associated with obtaining and maintaining them, being an alternative for reducing costs in industrial processes. In the processing and extraction of natural gas there is a dehydration step, which aims to remove the moisture present in the gas. One of the methodol ...
Soft sensors are mathematical models based on data that use measurements of other variables, control or process monitoring, to predict the variable of interest continuously. These types of analyzers are advantageous due to the low cost associated with obtaining and maintaining them, being an alternative for reducing costs in industrial processes. In the processing and extraction of natural gas there is a dehydration step, which aims to remove the moisture present in the gas. One of the methodologies used for dehydration is the “TSA” adsorption. One of the ways to optimize this process is to define the water concentrations at the bed outlet to avoid exposure of the bed to high temperatures and consequent decrease in useful life. The aim of this work is to model a virtual analyzer for predicting moisture in the system using multivariate linear regression methodologies and artificial neural networks. A dynamic simulation of the system was carried out to obtain the database, observing the use of input parameters with typical measurements of this process. The model generated from multivariate linear regression showed a low coefficient of determination (R2) of 0.7322 and a mean relative error of 0.4041% due to the low linear correlation with the variable of interest. The non-linear model, neural networks, was developed and optimized in its hyperparameters, which represent a better fit of the data, obtaining a coefficient of determination (R2) of 0.9727 and a mean relative error of 0.1230% ...
Instituição
Universidade Federal do Rio Grande do Sul. Escola de Engenharia. Curso de Engenharia Química.
Coleções
-
TCC Engenharias (5727)
Este item está licenciado na Creative Commons License
![](/themes/Mirage2Novo//images/lume/cc.png)