Desenvolvimento de modelo neuronal para inferência de índice de fluidez de polietileno em reator slurry

Abstract

A modelagem de sistemas dinâmicos é uma área de interesse na indústria química, uma vez que modelos podem auxiliar no monitoramento e controle da produção. Atualmente, existem diversas técnicas que podem ser empregadas para modelar processos, cada uma com suas limitações e capacidade de representação. Uma estratégia que está em consonância com o avanço tecnológico promovido no ambiente industrial é a utilização de redes neuronais, dada sua versatilidade de aplicação em diferentes problemas. Através do estudo de caso real de uma unidade de produção de polietileno, são propostos e analisados diferentes modelos neuronais para inferência de uma propriedade de qualidade das resinas. Visa-se, com o modelo, permitir a identificação de eventuais problemas no processo e realizar ações antecipadamente. Os resultados indicam que modelos desenvolvidos com redes neuronais convencionais (feedforward) não conseguem representar adequadamente a dinâmica do processo, ao passo que redes recorrentes possuem melhor capacidade de predição e podem, com as devidas considerações, ser empregadas para o problema em questão. Considerando a melhor estrutura de rede convencional obtida, obteve-se 0,338 para raiz do erro médio quadrático, ao passo que, para a recorrente, foi de 0,223. Também foi desenvolvido um modelo combinado, obtendo um valor de 0,208 para a melhor estrutura dentre as testadas.

Modeling dynamic systems is an area of interest in the chemical industry, since models can assist in monitoring and controlling production. Currently, there are several techniques which can be employed to model processes, each with its own limitations and representational capabilities. One such strategy takes advantage of the versatility of neural networks to simulate complex systems, given their adaptability to different problems. This project proposes various different neural models for predicting the quality of polyethylene resins and evaluating their efficacy by comparing them to a real production unit. The objective of the model is to allow the identification of problems in the process and to carry out corrective action in advance. The results indicate that models developed with feedforward neural networks cannot adequately represent the dynamics of the process. However, recurrent neural networks have better predictive capacity and can, with the proper considerations, be employed for the problem at hand. Considering the best feedforward neural network obtained, the root mean square error was 0.338, while for the recurrent network it was 0.223. An ensembled model was also developed, obtaining a value of 0.208 for the best structure among those tested.