Gêmeo digital para a unidade Pressure Swing Adsorption : modelagem e simulação dinâmica aplicada à detecção e diagnóstico de falhas

Abstract

A purificação de hidrogênio é uma etapa essencial da indústria de refino, em que hidrogênio de alta pureza (>99,9% mol/mol) é utilizado em diversas aplicações, especialmente no hidrotratamento para remoção de compostos sulfurados e nitrogenados. Nesse contexto, o processo Pressure Swing Adsorption (PSA) é a tecnologia mais empregada para purificação de hidrogênio em larga escala, e consiste em ciclicamente adsorver e dessorver impurezas de uma corrente rica em hidrogênio através da variação de pressão. Apesar de ser uma tecnologia madura, verifica-se a demanda por ferramentas computacionais capazes de promover o monitoramento do processo, para garantir a confiabilidade e operação ótima. Este trabalho possui como objetivo geral o desenvolvimento de um gêmeo digital para o processo PSA para purificação de hidrogênio, visando atender demandas de detecção e diagnóstico de falhas, bem como acompanhamento de indicadoreschave de desempenho (KPIs): pureza e recuperação de produto. Para isso, desenvolve-se um modelo fenomenológico dinâmico, computacionalmente eficiente, baseado em balanço material e equação da válvula. O modelo foi validado com dados de uma unidade PSA de 6 vasos, mostrando alta precisão na previsão de pressão (MSE de 0,69 bar²) e tempo computacional cerca de 1360 vezes menor que o tempo real. Além disso, um modelo fenomenológico mais complexo também é desenvolvido, a partir da segmentação dos leitos. O modelo segmentado é validado com dados da literatura e simulação com simulador de processos comercial, para um ensaio de curva de ruptura, além da validação com dados de planta em um processo PSA de 6 vasos. O modelo segmentado também demonstra boa acurácia, consegue capturar o comportamento típico da adsorção multicomponente a partir da isoterma de Langmuir estendido e cinética de Força Motriz Linear, e é capaz de fazer boas predições sobre a recuperação de produto, embora subestime levemente a pureza de produto. Visando a detecção de falhas, é desenvolvida uma técnica de monitoramento de processo que combina o modelo baseado em balanço material com o Filtro de Kalman Estendido para geração de resíduos.

Hydrogen purification is an essential step of the refining industry, in which highpurity hydrogen gas (>99,9 % mol/mol) is used in many applications, especially in the hydrotreatment for removal of sulfur and nitrogen compounds. In this context, the Pressure Swing Adsorption process (PSA) is the most widely employed technology for large-scale hydrogen purification, consisting of cyclically adsorbing and desorbing impurities from a hydrogen-rich stream through pressure swings. Despite being technologically mature, there has been the demand for computational tools capable of promoting process monitoring, to guarantee process reliability and optimal operation. This work has, as its main objective, the development of a digital twin for the PSA process for hydrogen purification, aiming to meet demands for fault detection and diagnosis, as well as process tracking through Key Performance Indicators (KPIs): product purity and recovery. Thus, a first-principles, dynamic, computationally efficient, model is developed, based on material balances and valve openings. The model is validated with plant data for a PSA unit with 6 vessels, showing high precision for the prediction of pressure values (MSE of 0,69 bar²), and computational time around 1360 times faster than real time. Furthermore, a more complex first-principles model is also developed, based on the segmentation of the adsorption bed. The segmented model is validated with data from literature and simulations from a commercial process simulator, for a breakthrough curve scenario, as well as validation with plant data from a 6-vessel PSA process. The segmented model demonstrates good accuracy, is able to capture typical multicomponent adsorption behaviour through the use of extended Langmuir adsorption isotherm and Linear Driving Force kinetics, and is able to make good predictions on product recovery, although it slightly underestimates product purity. Addressing fault detection, a process monitoring technique is developed, combining the material-balance-based model with the Extended Kalman Filter for residual generation.