Modelo híbrido neuronal-fenomenológico de um reator industrial de hidrodessulfurização

Abstract

Modelos de processo podem ser desenvolvidos dentro de um amplo espectro desde o totalmente fenomenológico, ou ”caixa-branca”, até o puramente baseado em dados, ou ”caixa-preta”, cada qual com suas vantagens e desvantagens em aplicações. Dentro desta perspectiva, este trabalho traz a proposta de uma estrutura de modelo híbrido neuronalfenomenológico no qual um modelo fenomenológico e uma rede neuronal convencional, esta na forma de modelo do erro, são combinados de forma a gerar um único modelo superior em ambos em termos de capacidade de predição. O modelo fenomenológico tem parâmetros ajustados para uma ponto nominal/inicial de operação e o modelo do erro é treinado para se adaptar a efeitos não descritos nas equações do modelo, a variações nos parâmetros, etc. Através do estudo de caso real de um processo de hidrotratamento, no qual se remove impurezas (compostos derivados do enxofre) do óleo diesel, os resultados da abordagem e suas vantagens são apresentados ao longo de uma janela de tempo de operação. É mostrado que o modelo híbrido é capaz de se adaptar mais rápido que uma rede neuronal comum, podendo ser implementada com menos dados e atingindo a mesma capacidade de predição que uma rede comum.

This work aims to show the development of a hybrid neural network, where a phenomenological model is merged with a neural network in order to produce a single model. The advantages of each one of the models are also presented, and their respective predictions compared. It is shown, that the hybrid neural network is capable of learning faster than the regular neural network, and as such, can be implemented with fewer data and with no loss of performance. This is done for a hydrotreatment plant, where diesel impurities, sulfur in particular, are removed. The results from this approach and its advantages are also shown.