Post on 16-Jul-2020
SIMULAÇÃO OPERACIONAL DE UMA TORRE DE DESTILAÇÃOATMOSFÉRICA VIA ASPEN PLUS E AVALIAÇÃO DE MODELOS DE
ANALISADORES VIRTUAIS
F.C. Diehl∗diehl@enq.ufrgs.br
A.R. Secchi∗arge@enq.ufrgs.br
L.P. Lusa†
leandro@trisolutions.com.brL.A.R. Muniz‡
larmuniz@ucs.br
L.G.S. Longhi§longhi@petrobras.com.br
∗Grupo de Integração, Modelagem, Simulação, Controle e Otimização de Processos (GIMSCOP)Departamento de Engenharia Química, Universidade Federaldo Rio Grande do Sul (UFRGS)
R. Luis Englert, s/n. Campus Central. CEP: 90040-000 - PortoAlegre, RS - BRASIL
†TriSolutions - Soluções em EngenhariaRua General Bento Martins, 24 cj 1101 - CEP: 90010.080 - PortoAlegre, RS - BRASIL
‡Grupo de Modelagem, Simulação e Controle de ProcessosDepartamento de Engenharia Química, Universidade de Caxias do Sul (UCS)
Rua Francisco Getúlio Vargas, 1130. CEP 95020-972 - Caxias do Sul, RS - BRASIL
§G4ALBERTO PASQUALINI - REFAP S/AAv. Getúlio Vargas, 11001, CEP 92420-221 - Canoas - RS - BRASIL
RESUMO
A torre atmosférica é um dos equipamentos mais importantesde uma unidade de destilação de óleo cru em uma refinaria. Aotimização da operação deste equipamento é uma meta cons-tante neste tipo de indústria, pois ela possibilita retornos fi-nanceiros bastante atrativos. Para levar a operação da colunade destilação atmosférica próximo ao seu ponto operacionalótimo é necessário medir algumas propriedades chaves, emtempo real, para a atuação do sistema de controle. No en-tanto algumas propriedades não são facilmente medidas emtempo real, ou ainda sua medição depende da compra de ana-lisadores em linha que podem apresentar custos expressivos.Uma alternativa para a obtenção dessas propriedades é a uti-
Artigo submetido em 27/01/2008 (Id.: 00851)Revisado em 01/11/2008, 10/12/2008, 24/12/2008Aceito sob recomendação do Editor Associado Prof. Takashi Yoneyama
lização de inferências (analisadores virtuais), que predizem avariável desejada através de modelos matemáticos utilizandovariáveis secundárias como parâmetros de entrada. Duas in-ferências, concedidas pela REFAP S/A, foram avaliadas coma finalidade de se determinar aquela com maior poder pre-ditivo da temperatura que destila 85% da corrente de hidro-carbonetos desejada (T85%). A fonte de dados, para os tes-tes, foi originada no estado estacionário pelosoftwareAspenPlus, após a validação de um modelo por dados operacionaismédios recolhidos na própria refinaria. Dois modos operaci-onais foram propostos e análises de sensibilidade foram gera-das para que seus resultados fossem utilizados como fonte dedados para os modelos inferenciais. As T85% provenientesdo simulador foram consideradas padrão para a comparaçãocom os resultados obtidos pelas inferências. Os analisado-res virtuais mostraram-se sensíveis ao modo de operação aque estão submetidos. Isto significa que os ajustes feitos nos
Revista Controle & Automação/Vol.20 no.3/Julho, Agosto e S etembro 2009 305
parâmetros dos modelos devem ser revistos caso haja umamudança operacional significativa no sistema de destilação.Para a operação em que os modelos foram desenvolvidos odesempenho das duas inferências foi semelhante, podendoconcluir que no estado estacionário as predições de ambassão satisfatórias.
PALAVRAS-CHAVE : Inferências. Softsensors. Simulação.Torre atmosférica. Destilação.
ABSTRACT
The atmospheric tower is one of the most important equip-ments of an unit of distillation of raw oil in a refinery. Theoptimization of the operation of this equipment is a con-stant goal in this industry type, because it makes possibleplenty financial returns attractive. To take the operation ofthe close column of atmospheric distillation to its optimaloperational point it is necessary to measure some key prop-erties, in real time, for the performance of the control sys-tem. However some properties are not measured easily inreal time, or still its measurement depends on the purchaseof on-line analyzers that they can present expressive costs.An alternative for the obtaining of those properties is theuse of inferences (virtual analyzers), that predict the vari-able wanted through mathematical models using secondaryvariables as entrance parameters. Two inferences, grantedbyREFAP S/A, were appraised with the purpose of determin-ing that with larger predictive power of the temperature thatdistils 85% of the current of wanted hydrocarbons (T85%).The source of data, for the tests, it was originated in the sta-tionary state by the software Aspen Plus, after the validationof a model for medium operational data collected in the ownrefinery. Two operational manners were proposed and sensi-bility analyses were generated so that their results were usedas source of data for the inferential models. T85% comingof the simulator were considered pattern for the comparisonwith the results obtained by the inferences. The virtual ana-lyzers were shown sensitive to the operation way the one thatis submitted. This means that the adjustments done in the pa-rameters of the models should be reviewed in case there is asignificant operational change in the distillation system.Forthe operation in that the models were developed the actingof the two inferences was similar, could conclude that in thestationary state the predictions of both are satisfactory.
KEYWORDS: Inferences. Softsensors. Simulation. Atmo-spheric tower. Distillation.
1 INTRODUÇÃO
A tradicional visão de sistemas automatizados é a da substi-tuição da mão de obra por máquinas. Todavia a automação
industrial vem passando por radicais mudanças. Tecnologiasmodernas de informação em tempo real sobre a administra-ção e manufatura de processos vêm tornando-se populares àmedida que proporcionam incrementos na otimização da efi-ciência de sistemas de controle (Bakhtadze, 2004).
A predição de propriedades de difícil aquisição por sistemasconvencionais de análise pode ser realizada, de forma indi-reta, por analisadores virtuais, através da medida de variáveiscorrelacionadas à propriedade que se deseja estimar (Gonza-lez, 1999).
Hoje, o desenvolvimento de analisadores virtuais é feito atra-vés da seleção de variáveis secundárias, técnicas de mode-lagem lineares ou não-lineares e técnicas computacionais(Conz, 2005). As variáveis secundárias são aquelas de fá-cil aquisição. Por exemplo, em uma coluna de destilação, ascomposições de produtos são normalmente variáveis a sereminferidas, enquanto que as variáveis secundárias são tempe-raturas, pressões e vazões. Entre os métodos de seleção dasvariáveis secundárias, destacam-se os baseados em análisescombinatórias, análises de sensibilidade, buscas aleatórias eos métodos evolutivos, que consistem em adicionar ou re-mover variáveis buscando o aprimoramento do modelo emquestão (Fortunaet al., 2007). Existem também métodos deseleção de variáveis baseados na heurística de engenheirosetécnicos do processo em questão (Conz, 2005).
Existe inúmeros métodos de análise de dados e teorias decontrole que são utilizados para o projeto de analisadores vir-tuais. Esses métodos abrangem principalmente a modelagemtradicional e os algoritmos avançados, também conhecidoscomo inteligência computacional. A utilização de métodosde inteligência computacional tende a solidificar-se com oaumento da velocidade dos processadores eletrônicos (Bakh-tadze, 2004).
Dentre os métodos de inteligência computacional existentesdestacam-se as redes neuronais, a lógicafuzzy, os algorit-mos genéticos, etc. A lógicafuzzyé uma extensão da ló-gica Booleana. A experiência mostra que os tempos e custoscom projetos que utilizam lógicafuzzysão muito mais bai-xos do que os que utilizam ferramentas matemáticas. Poréma precisão dos resultados não é tão boa em comparação aaproximações probabilísticas (Bakhtadze, 2004). A maioriados analisadores virtuais introduzidos no mercado por líde-res mundiais, como a Siemens e a Honeywell, sãosoftwaresbaseados em tecnologia de redes neuronais (neural network).Dentre as principais características dessa tecnologia está suapotencialidade de interpolação, antecipação e processamentoparalelo. A grande dificuldade em relação à solidificação dasredes neuronais, em processos dinâmicos, é no ajuste (“trei-namento”) da rede, já que é praticamente impossível predizero seu comportamento sem começar a operação em tempo real
306 Revista Controle & Automação/Vol.20 no.3/Julho, Agost o e Setembro 2009
(Bakhtadze, 2004).
No caso de colunas de destilação é comum a utilizaçãode modelos baseados em métodos empíricos multivariáveis(Conz, 2005). Esses diferem dos modelos teóricos e semi-empíricos por sua baixa complexidade. Atualmente a técnicaPLS (Partial Least Squares) é a mais utilizada para inferirpropriedades em colunas de destilação, já que busca maxi-mizar a covariância entre dados de entrada e saída (Conz,2005).
Hoje em dia, os analisadores virtuais fazem parte do coti-diano de torres de destilação em refinarias e petroquímicas,já que a otimização é uma meta constante nessas indústrias(Longhi et al., 2007; Miranda e Lusa, 2003; Conzet al.,2005). Tendo em vista que a qualidade de uma inferênciaé dada pela sua capacidade de predição de uma propriedadechave, torna-se imprescindível a comparação de diferentesinferências visando à determinação daquela de maior preci-são.
No presente trabalho são avaliados dois modelos de inferên-cias, concebidos pela REFAP S/A, para a predição de umapropriedade fundamental na caracterização dos produtos re-sultantes da destilação atmosférica de óleo cru: a curva dedestilação. Mais precisamente a temperatura que destila 85%da corrente em questão (T85%), sendo de suma relevânciaseu conhecimento, pois essa porcentagem é uma especifica-ção do óleo diesel e limita a adição de frações pesadas nomesmo (Riazi, 2005). Em misturas multicomponentes as va-riáveis medidas podem indicar o nível de separação alcan-çada e alimentar os controladores, alcançando as especifica-ções dos produtos (Kalid, 2006). Caso existam analisado-res em linha, o seu sinal pode ser utilizado como variávelmedida. Porém nem sempre é viável a instalação de anali-sadores em linha, seja por motivos técnicos (não dispor desistemas de condicionamento de amostras) ou por motivoseconômicos (em geral os instrumentos apresentam elevadoscustos). Então se pode inferir a composição a partir de anali-sadores virtuais.
A metodologia adotada envolve o desenvolvimento de ummodelo da coluna, através dosoftwarede simulação As-pen Plus (Aspentech, 2001a), para gerar os dados utiliza-dos como entradas para os analisadores virtuais. Os valo-res padrão da propriedade, utilizados para as comparações,foram gerados por este simulador através de uma estimativaque equivale à curva de destilação descrita na norma D86 daAmerican Society for Testing and Materials(ASTM, 2007)para misturas de petróleos. Essa norma, grosso modo, é umadestilação diferencial (em batelada) sob condições controla-das de ensaio.
2 UNIDADE DE DESTILAÇÃO
A primeira etapa da separação do petróleo em diversas fra-ções com diferentes propriedades é tradicionalmente feitaatravés de destilação fracionada, chamada de destilação at-mosférica. O processo tem esse nome por operar em pressõespróximas à pressão barométrica. Segundo Watkins (1981) oequipamento de separação é projetado para gerar cinco cor-rentes de destilado e uma de fundo, também chamada de re-síduo atmosférico (RAT). A fração mais leve nem sempre écompletamente condensável nas condições de temperatura epressão do vaso de refluxo, o que resulta em uma corrente lí-quida e uma vapor na saída do condensador. Uma quantidadede vapor de água, chamadaoverflashou vapor de retificação,é injetada na coluna com vistas a promover um refluxo ade-quado entre a zona deflashe a região de alimentação, parci-almente vaporizada, e diminuir a pressão parcial dos compo-nentes facilitando o processo de separação. Em geral a ali-mentação é aquecida até a temperatura de operação pelo fatodessas colunas não possuírem refervedores. Neste processoécomum a remoção de calor através de refluxos laterais, cha-madospumparounds(RCI e RCS; reciclo circulante inferiore superior, respectivamente) (Parkash, 2003).
Para controlar o ponto inicial de ebulição da curva ASTMD86, cada corrente lateral é mandada a uma coluna retifica-dora (stripper), que contém um refervedor parcial ou umainjeção de vapor de água (Perryet al., 1999). Isso quer di-zer que osstrippersajustam o produto removido até o pontoinicial de ebulição desejado, o que garante a qualidade dacorrente efluente. A fração que não se enquadra nessas espe-cificações retorna à torre de destilação.
A Figura 2.1 esquematiza a torre de destilação atmosféricautilizada na refinaria REFAP S/A. Os números das correntesindicam o estágio em que se encontram na coluna, sendo queo condensador foi considerado como primeiro estágio. Nototal, a torre possui 45 pratos com válvulas Glitsh de 2 po-legadas e na região de alimentação usam-se recheios Mella-pack. Sua altura total é de aproximadamente 57 metros comdiâmetros inferior e superior de 4,5 e 7,5 metros, respecti-vamente. O equipamento ainda apresentastrippers, de 4 es-tágios com injeção de vapor, nas correntes de diesel pesado,diesel leve, querosene e nafta pesada (Perryet al.,1999; Wat-kins, 1981; Matar e Hatch, 2000).
3 SIMULAÇÃO OPERACIONAL
A simulação computacional é uma ferramenta poderosa naresolução de problemas referentes à engenharia química. Elapermite predizer o comportamento de processos usando rela-ções básicas, tais como balanços de massa, energia e equilí-brio termodinâmico, e específicas de cada equipamento (As-pentech, 2001a). Desde a década de 60 esta tecnologia vem
Revista Controle & Automação/Vol.20 no.3/Julho, Agosto e S etembro 2009 307
Figura 2.1 – Torre de destilação atmosférica da REFAP S/A(Petrobrás).
sendo utilizada e desenvolvida, todavia originalmente, de-vido a restrições computacionais, a simulação era utilizadasomente com finalidades de projeto. Hoje, adicionalmenteao projeto, a simulação é aplicada ao treinamento de opera-dores, otimizações de processos, apoio a decisões, estudosde sensibilidade e, mais recentemente, no apoio ao controle
50
100
150
200
250
300
350
0 10 20 30 40 50
Estágio
Tem
pera
tura
(°C
)
Real
BK 10
Chao Sea
Grayson
Figura 3.1 – Especificação: fração de vapor destilado (con-densador) e vazão de RAT.
avançado de processos (Ondrey, 2005).
A simulação da torre de destilação atmosférica validada éuma importante ferramenta para os testes das inferências,pois permite predizer as propriedades dos produtos efluentesem diversas situações. Neste artigo, as simulações foram fei-tas nosoftwareAspen Plus e seus resultados validados atra-vés de dados provenientes de planta real.
Um dos maiores problemas no que se refere à predição decomportamentos em processos de refinarias é a caracteriza-ção da carga. O petróleo, matéria-prima dessa classe indus-trial, apresenta uma série de variações na composição quedependem da região de onde é extraído, podendo variar tantoem densidade quanto na sua composição química. Quandoda coleta dos dados para a modelagem, a REFAP S/A utili-zava aproximadamente 80% de petróleo leve e 20% de petró-leo pesado, com grau API de 42,6 e 20,8, respectivamente. Acurva de destilação, desses dois petróleos, foi utilizada comoentrada no simulador, para caracterizar a alimentação da uni-dade.
Além disso, a qualificação das inferências e a criação de ummodelo representativo requerem uma série de dados operaci-onais. Esses dados foram extraídos do histórico da unidade,em uma situação em que o processo se encontrava em esta-bilidade operacional.
Como pode ser observado nas Figuras 3.1 a 3.4, as especi-ficações mais adequadas para a representação do processoreal envolvem a vazão de RAT e a temperatura do condensa-dor ou fração de vaporizado do mesmo, para termodinâmicasapolares (Braun K10, Chao-Seader, Grayson-Streed). Coma utilização do modelo UNIFAC a simulação não convergiuem nenhum dos casos, e o modelo NRTL-RK convergiu ape-nas em uma das situações apresentando resultados insatisfa-tórios. Detalhes e descrições dos modelos termodinâmicossão descritos em Aspentech (2001b).
308 Revista Controle & Automação/Vol.20 no.3/Julho, Agost o e Setembro 2009
50
100
150
200
250
300
350
400
0 10 20 30 40 50
Estágio
Tem
pera
tura
(°C
)
Real
BK 10
Chao Sea
Grayson
Figura 3.2 – Especificação: temperatura do condensador evazão total de destilado.
50
100
150
200
250
300
350
400
0 10 20 30 40 50Estágio
Tem
pera
tura
(°C
)
Real
BK 10
Chao Sea
Grayson
Figura 3.3 – Especificação: fração de vapor destilado (con-densador) e vazão total de destilado.
A determinação da situação que melhor descreve o processotorna-se uma tarefa difícil já que visualmente há pouca di-ferença entre os resultados das Figuras 3.1 e 3.4 para as ter-
0
50
100
150
200
250
300
350
0 10 20 30 40 50Estágio
Tem
pera
tura
(°C
)
Real
NRTL RK
BK 10
Chao Sea
Grayson
Figura 3.4 – Especificação: temperatura do condensador evazão de RAT.
50
100
150
200
250
300
350
50 100 150 200 250 300 350
Temperatura Real ( oC)
Tem
pera
tura
Res
ulta
nte
da S
imul
ação
(oC
)
BK10
Linear (BK10)
Figura 3.5 – Temperatura real versus simulada
50
100
150
200
250
300
350
400
0 10 20 30 40 50Estágio
Tem
pera
tura
(°C
)
Real
100% Leve
60% Leve
Figura 3.6 – Perfil de temperatura frente à variação da com-posição da carga.
50
100
150
200
250
300
350
400
0 10 20 30 40 50Estágio
Tem
pera
tura
(°C
)
Real
75% Leve
Figura 3.7 – Resultados para a simulação com 75% de petró-leo leve e 25% de pesado.
Revista Controle & Automação/Vol.20 no.3/Julho, Agosto e S etembro 2009 309
modinâmicas apolares. Sendo assim uma análise mais ade-quada se faz necessária e a Figura 3.5 mostra uma forma decomparação quantitativa dos resultados, onde Linear (BK10)ilustra o melhor ajuste linear para os pontos do gráfico. ATabela 3.1 relaciona as inclinações dos ajustes lineares dosresultados apresentados nas Figuras 3.1 e 3.4 para os mode-los BK10, Chao-Seader e Grayson-Streed. A simulação uti-lizando o modelo BK10 (que é próprio para aplicações competróleo) com a temperatura do condensador e a vazão deRAT especificadas apresentou os melhores resultados.
Definida a termodinâmica e as especificações de operação,foi ajustada a composição da carga, já que não se conheceao certo que mistura de petróleo foi utilizada no períodoanalisado. Isto porque os tanques que armazenam petróleopossuem sistemas de agitação, por turbinas, que visam a ho-mogeneização das frações leves e pesadas que são aspiradaspara o processo. Sendo assim os tanques não podem tra-balhar com níveis muito baixos e, portanto, novos petróleossão adicionados tornando a exatidão de definição da cargauma difícil tarefa. Outro fator que justifica o ajuste é que omonitoramento da vazão, na refinaria, é realizado por senso-res de placa de orifício, fato este que reduz a credibilidadeeconfiabilidade de suas medidas. A relação entre o petróleoleve e pesado foi variada e analisada, e a Figura 3.6 mostraos resultados obtidos.
Tabela 3.1 – Análise quantitativa
Figura Termodinâmica Inclinação R2
BK 10 1,0142 0,9946
3.1 Chao-Seader 1,0171 0,9933
Grayson-Streed 1,0190 0,9935
BK 10 1,0007 0,9968
3.4 Chao-Seader 1,0010 0,9959
Grayson-Streed 1,0025 0,9961
Através do somatório do erro quadrado foi possível deter-minar qual composição de petróleo leve e pesado se adaptamelhor as condições de operação real. Este valor ficou emtorno de 75% de petróleo leve e 25% de pesado e o resultadopara essa composição pode ser visualizado na Figura 3.7. Omodelo que gerou os resultados da Figura 3.7 será utilizadopara a análise de sensibilidade apresentada a seguir.
4 ANÁLISE DE SENSIBILIDADE
A análise de sensibilidade fornece informações sobre as res-postas do processo frente a modificações em variáveis mani-puladas (Secchiet al., 2006). Duas linhas de análise de sen-sibilidade são apresentadas a seguir, buscando representar di-ferentes formas de operação. A primeira delas visa controlar
a quantidade produzida enquanto que a segunda visa contro-lar o perfil de temperatura da coluna. A T85% foi analisadapara diferentes misturas das correntes de produtos tambémchamadas de alinhamentos, onde as misturas dos produtoslaterais nafta pesada (NP), querosene (Q), diesel pesado (DP)e diesel leve (DL) são:
Alinhamento A = NP + Q + DL + DP
Alinhamento B = NP + DL + DP
Alinhamento C = Q + DL + DP
Alinhamento D = DL + DP
A abrangência das análises de sensibilidade foi determinadapelas variáveis manipuladas na carga, ou seja, as mesmas fo-ram variadas ao máximo, até a simulação apresentar proble-mas de convergência. Os resultados gerados nestas análisesserão os dados de entrada da avaliação dos analisadores vir-tuais. Todas as análises de sensibilidade foram simuladas nosoftwareAspen Plus, e seus resultados gráficos são mostra-dos nas Figuras 4.1 a 4.6, onde as curvas T85_n representamos quatro alinhamentos A, B, C e D.
4.1 Primeira linha de operação (PLO)
Esta análise de sensibilidade visa observar o comportamentodo sistema de destilação atmosférica com as vazões de pro-dutos laterais fixas, independentemente dos distúrbios provo-cados. Isto significa a busca de um regime de operação comcontrole das quantidades produzidas.
Em operação, a coluna possui controle da temperatura dotopo, que foi adicionada à simulação manipulando-se a tem-peratura do condensador. A vazão do fundo é variável, jáque controla o nível do fundo da torre, e apresenta oscilaçõesdependentes dos distúrbios sofridos pelo processo. Assimsendo, manter a vazão de RAT constante, independente dasvariações na operação, não é a melhor especificação. Comvista a contornar este problema, a vazão do fundo ajusta-se para manter a temperatura do último estágio em 347,9˚C,como no processo real, já que não é possível trabalhar com onível do fundo. A tolerância dos controladores é de±1˚C.
As Figuras 4.1, 4.2 e 4.3 mostram o comportamento da T85%para uma variação da temperatura da carga (368 – 380˚C), davazão de alimentação (+/-3% do valor nominal) e da compo-sição de entrada (23 – 27% de petróleo pesado), respectiva-mente.
Os gráficos apresentados permitem verificar a sensibilidadeda T85%, para todos os alinhamentos, em relação às varia-ções de estado da carga. Todos os dados operacionais rele-
310 Revista Controle & Automação/Vol.20 no.3/Julho, Agost o e Setembro 2009
330
335
340
345
350
355
360
365
366 368 370 372 374 376 378 380 382
Temperatura da Carga (°C)
Tem
pera
tura
(°C
)T85_A
T85_B
T85_C
T85_D
Figura 4.1 – Comportamento da T85% frente a variações natemperatura da carga.
337
339
341
343
345
347
349
-4 -3 -2 -1 0 1 2 3 4
Variação da Vazão da Carga (%)
Tem
pera
tura
(°C
)
T85_A
T85_B
T85_C
T85_D
Figura 4.2 – Comportamento da T85% frente a variações navazão da carga.
vantes, às entradas das inferências, foram armazenados paraposterior avaliação das mesmas.
4.2 Segunda linha de operação (SLO)
Esta análise de sensibilidade visa observar o comportamentodo sistema de destilação atmosférica mantendo-se o perfil detemperatura interno fixo independentemente dos distúrbiosprovocados.
Primeiramente foi especificado o perfil de temperatura nospontos de retiradas de produtos e no topo da coluna. Entre-tanto, as análises de sensibilidade não convergiam para am-plitudes apropriadas nem mesmo com tolerância de 2˚C. De-vido à rigidez das condições especificadas, a confiabilidadedos resultados gerados era questionável e, portanto, foi ne-cessário alterar alguns pontos das variáveis em questão.
Ao invés de controlar todos os pontos de remoção de produ-
339
340
341
342
343
344
345
346
347
348
349
350
22 23 24 25 26 27 28
Petróleo Pesado na Carga (%)
Tem
pera
tura
(°C
)
T85_A
T85_B
T85_C
T85_D
Figura 4.3 – Comportamento da T85% frente a variações nacomposição da carga.
338
339
340
341
342
343
344
345
365 370 375 380
Temperatura da Carga (°C)
Tem
pera
tura
(°C
)
T85_A
T85_B
T85_C
T85_D
Figura 4.4 – Comportamento da T85% frente a variações natemperatura da carga.
tos da coluna foram especificadas as temperaturas do topo eda corrente de diesel leve, enquanto que a vazão ficou fixadapara as demais retiradas. A tolerância das variáveis manipu-ladas ficou em 0,1˚C. O diesel leve foi escolhido por ser umponto intermediário entre as correntes de maior importânciapara os modelos de inferência. Os resultados do comporta-mento da T85% estão apresentados nas Figuras 4.4, 4.5 e 4.6.
5 INFERÊNCIAS
Para que os controladores operem de forma eficiente são ne-cessárias leituras em tempo real das propriedades de inte-resse. Isso torna factível ao sistema de controle a tomada deações de caráter servo e regulatório. Entretanto, em refina-rias, algumas propriedades não são facilmente quantificadasem tempo real, sendo necessárias análises laboratoriais, ouainda sua medição depende da compra de analisadores em li-
Revista Controle & Automação/Vol.20 no.3/Julho, Agosto e S etembro 2009 311
330
332
334
336
338
340
342
344
346
348
-3 -2 -1 0 1 2 3
Variação da Vazão da Carga (%)
Tem
pera
tura
(°C
)
T85_A
T85_B
T85_C
T85_D
Figura 4.5 – Comportamento da T85% frente a variações navazão da carga.
332
334
336
338
340
342
22 23 24 25 26 27 28
Petróleo Pesado (%)
Tem
pera
tura
(°C
)
T85_A
T85_B
T85_C
T85_D
Figura 4.6 – Comportamento da T85% frente a variações nacomposição da carga.
nha que podem ser excessivamente caros. A utilização diretade resultados de laboratórios é viável, todavia a freqüênciade atualizações das propriedades é muito baixa, chegando,no máximo, a 6 vezes ao dia na REFAP S/A.
Como alternativa, surgem as inferências ou analisadores vir-tuais, que são módulos de cálculo que podem predizer pro-priedades chaves do produto através da medição de outrasvariáveis do processo de fácil obtenção. A inferência é ba-sicamente constituída de algoritmos e modelos matemáticose sua qualidade é medida pela precisão de suas estimativas(Miranda e Lusa, 2003).
A descrição das duas inferências avaliadas é apresentada aseguir, onde as unidades de temperatura e vazão são, respec-tivamente, ˚C e m3/dia.
5.1 Inferência semi-empírica simplificada
Esta técnica é baseada em um modelo semi-empírico que sepropõe a predizer a curva de destilação das correntes eflu-entes a partir das temperaturas das bandejas de retirada deproduto da torre. Segundo Miranda e Lusa (2003), são mo-delos estacionários que necessitam periodicamente de fatoresde correção baseados em resultados de laboratórios. Os auto-res afirmam que a implementação da análise virtual é simplese apresenta custos relativamente baixos, desde que exista umsistema de instrumentação e aquisição de dados já implan-tados. A manutenção da mesma também é simples, todaviaa precisão dos seus resultados não é tão boa, e tampouco ca-paz de ajustar a sua predição para diferentes tipos de petróleoe/ou variações significativas nos refluxos internos da coluna.Os autores citam a desvantagem da correção de parâmetrosatravés de resultados de laboratório, já que erros nas análi-ses podem deteriorar a inferência e a variância da análise emlaboratório é repassada automaticamente para a inferência.
A inferência semi-empírica simplificada é baseada em ummodelo semi-empírico que visa predizer a curva de destila-ção dos produtos da destilação atmosférica a partir das tem-peraturas dos pratos de retirada e suas vazões de saída. A me-todologia de cálculo pode ser encontrada em Miranda e Lusa(2003). Com vistas a proteger as vantagens competitivas daREFAP S/A, alguns parâmetros de ajuste estão substituídospor incógnitas na descrição a seguir.
Primeiramente, calcula-se a temperatura que destila 30% dacorrente desejada.
T30i= αi · Ti + Biasi (1)
T30i Temperatura que destila 30% da corrente i.
αi Parâmetro ajustado com dados de laboratório.
Ti Temperatura da bandeja de retirada de i.
Biasi Parâmetro ajustado com dados de laboratório.
A temperatura que destila 85% da corrente é estimada pelaEquação 2.
T85i =0, 55Fi (Ti−1 − Ti)
0, 7Fi + 0, 3Fi−1
+ T30i (2)
T85i Temperatura que destila 85% da corrente i.
Ti−1 Temperatura da bandeja de retirada da corrente abaixoda corrente i.
Fi Vazão da corrente i.
312 Revista Controle & Automação/Vol.20 no.3/Julho, Agost o e Setembro 2009
Fi−1 Vazão da corrente abaixo da corrente i.
A inferência prediz ainda a T85% de misturas das corren-tes efluentes da torre. Para isso é necessária a utilização dasseguintes regras de mistura:
I85i =
[
32 + 1, 8T85i
546, 1
]7,8
(3)
I85m =
∑
I85iFi∑
Fi
(4)
T85sbm =546, 1 7,8
√I85m − 32
1, 8(5)
I85i Índice da corrente i.
I85m Índice da mistura m.
T85sbm Temperatura que destila 85% da mistura m (sembias).
A T85% utilizada como parâmetro de especificação dos pro-dutos foi corrigida por um fator chamado de Bias, que é aT85% resultante de análises laboratoriais. No caso do pre-sente trabalho, a T85% do laboratório foi substituída pelaT85% resultante da simulação. O Bias foi calculado da se-guinte maneira:
Bias = T85S − T85P (6)
Bias Parâmetro de correção para o cálculo da T85% da mis-tura.
T85S T85% resultante da simulação.
T85P T85% padrão para cada linha de operação resultantedo modelo inferencial.
A T85% padrão é aquela considerada real, ou seja, o valorbase para a comparação com os valores preditos pelas infe-rências. As T85% da simulação e a padrão foram calculadaspara as duas linhas de operação mencionadas na análise desensibilidade. Para cada uma das configurações operacionaisfoi determinado aT85S pelo softwareAspen Plus. AT85P
foi calculada pela inferência semi-empírica simplificada sembias com dados de temperatura e vazão provenientes da si-mulação, uma para cada linha de operação.
A temperatura que destila 85% da mistura que se deseja ana-lisar é calculada, então, pela Equação 7, ondeBiasm é o Biaspara a misturam.
T85m = T85sbm + Biasm (7)
5.2 Inferência de polinômios ajustados
Outra maneira de predizer propriedades, muito usual, é a queutiliza medições do processo que apresentem sensibilidadeàvariação da propriedade que se quer inferir com entradas emum polinômio. Miranda e Lusa (2003), relatam que o de-senvolvimento desse tipo de inferência envolve basicamenteduas etapas; a primeira implica na seleção das medições maisindicadas e a segunda etapa consiste no desenvolvimento dainferência por ajuste de parâmetros de um polinômio, deuma rede neuronal ou qualquer outro método semelhante.Segundo os autores esta inferência requer um maior inves-timento em engenharia na seleção das variáveis relevantese no desenvolvimento do polinômio. Sua implementação étão simples quanto a semi-empírica simplificada, todavia suamanutenção merece uma atenção especial, necessitando deajustes periódicos nos parâmetros. Esta técnica de inferênciaapresenta resultados mais precisos que a outra técnica, porémcom baixa capacidade de ajustar-se a mudanças de composi-ção da carga e necessita das mesmas correções laboratoriaisque a inferência semi-empírica simplificada.
Os modelos utilizados nos testes foram concebidos pela RE-FAP S/A e com vistas a proteger as vantagens competitivasda empresa os parâmetros ajustados não serão apresentados.Para o cálculo da T85% de cada retirada, foi utilizada a se-guinte equação genérica:
Tn,i =
j=6∑
j=1
(
αn,i,j · Tβn,i,j
j−1 ·(
Vi
Vc arg a
)γn,i,j
· Pϕn,i,j
topo
)
(8)
Na Equação 8, os índicesi, j e n representam, respectiva-mente, as correntes intermediárias (NP, Q, DL e DP), as tem-peraturas das panelas de retirada (topo, NP, Q, DL, DP e zonade flash) e as temperatura de destilação (T85%), enquantoqueαn,i,j , βn,i,j , γn,i,j eφn,i,j são constantes.
As regras de mistura para esta inferência variam de acordocom o alinhamento, ao contrário da inferência semi-empíricasimplificada, que utiliza as mesmas regras de mistura para to-dos os alinhamento. Isto torna os modelos polinomiais maisflexíveis que os empíricos simplificados. As equações 9, 10,11 e 12 são as inferências correspondentes aos alinhamentosA, B, C e D, respectivamente.
Revista Controle & Automação/Vol.20 no.3/Julho, Agosto e S etembro 2009 313
T T85DlinA = x38
[
F x39
NP
(
T T85NP
)x40]
+
+ x41
[
F x42
QN
(
T T85QN
)x43
]
+ x44
[
F x45
DL
(
T T85DL
)x46]
+
+ x47
[
F x48
DP
(
T T85DP
)x49]
+ x50
(9)
T T85DlinB = x51
[
F x52
NP
(
T T85NP
)x53]
+
+ x54
[
F x55
DL
(
T T85DL
)x56]
+
+ x57
[
F x58
DP
(
T T85DP
)x59]
+ x60
(10)
T T85DlinC = x61
[
F x62
QN
(
T T85QN
)x63
]
+
+ x64
[
F x65
DL
(
T T85DL
)x66]
+
+ x67
[
F x68
DP
(
T T85DP
)x69]
+ x70
(11)
T T85DlinD = x71
[
F x72
DL
(
T T85DL
)x73]
+
+ x74
[
F x75
DP
(
T T85DP
)x76]
+ x77
(12)
T T85DlinA Temperatura que destila 85% do alinhamento A sem
correção de Bias.
T T85DlinB Temperatura que destila 85% do alinhamento B sem
correção de Bias.
T T85DlinC Temperatura que destila 85% do alinhamento C sem
correção de Bias.
T T85DlinD Temperatura que destila 85% do alinhamento D sem
correção de Bias.
T T85NP Temperatura que destila 85% da corrente de nafta pe-
sada.
T T85QN Temperatura que destila 85% da corrente de quero-
sene.
T T85DL Temperatura que destila 85% da corrente de diesel
leve.
T T85DP Temperatura que destila 85% da corrente de diesel pe-
sado.
FNP Vazão da corrente de nafta pesada.
FQN Vazão da corrente de querosene.
FDL Vazão da corrente de diesel leve.
FDP Vazão da corrente de diesel pesado.
Como na inferência semi-empírica simplificada, a de polinô-mios ajustados também utiliza um Bias atualizado periodica-mente para a correção do modelo. O Bias é baseado na T85%resultante de análises laboratoriais. No entanto, a T85% dolaboratório foi substituída pela T85% gerada na simulação,da mesma maneira que na inferência semi-empírica simplifi-cada. O Bias foi determinado pela Equação 6.
As T85% da simulação e a padrão foram calculadas para asduas linhas de operação mencionadas anteriormente (PLOe SLO). Para cada uma das configurações operacionais foideterminada aT85S pelo softwareAspen Plus. AT85P foicalculada pela inferência polinomial sem bias com dados detemperatura, pressão e vazão provenientes da simulação, umapara cada linha de operação.
A Equação 13 mostra o cálculo da T85% para a mistura decorrentes, onde “Y ” indica o alinhamento desejado.
T T85Y = T T85
DlinY + BiasY (13)
6 RESULTADOS
A partir dos dados obtidos na análise de sensibilidade pôde-se testar a acurácia das inferências semi-empírica simplifi-cada e de polinômios ajustados. Os testes foram divididosem duas configurações operacionais: a primeira linha de ope-ração (PLO) e a segunda linha de operação (SLO). A Tabela6.1 relaciona o tipo de operação com as fontes de dados daanálise de sensibilidade realizada.
6.1 PLO1
A PLO1 é a primeira linha de operação para o caso 1, quenada mais é do que a análise de sensibilidade para a confi-guração operacional que visa manter constantes as vazões desaída dosstrippersquando varia-se a temperatura da alimen-tação de petróleo no sistema de destilação.
A Figura 6.1 ilustra o comportamento da T85% da simulaçãoe dos modelos em relação à temperatura da alimentação depetróleo, para todos os alinhamentos. Um ajuste linear, nosdados de simulação, foi adicionado ao gráfico para reforçar atendência do resultado. Este mesmo tratamento foi aplicadoaos gráficos das Figuras 6.3, 6.6, 6.8, 6.9 e 6.12. A Figura 6.2
314 Revista Controle & Automação/Vol.20 no.3/Julho, Agost o e Setembro 2009
330
335
340
345
350
355
366 368 370 372 374 376 378 380 382
Temperatura da Carga (°C)
T85%
do
Alin
ham
ento
A (°
C)
SimulaçãoPolinomialEmpíricaLinear (Simulação)
337
342
347
352
357
366 368 370 372 374 376 378 380 382
Temperatura da Carga (°C)
T85%
do
Alin
ham
ento
B (°
C)
SimulaçãoPolinomialEmpíricaLinear (Simulação)
332
337
342
347
352
357
366 368 370 372 374 376 378 380 382
Temperatura da Carga (°C)
T85%
do
Alin
ham
ento
C (°
C)
SimulaçãoPolinomialEmpíricaLinear (Simulação)
337
342
347
352
357
366 368 370 372 374 376 378 380 382
Temperatura da Carga (°C)
T85%
do
Alin
ham
ento
D (
°C)
SimulaçãoPolinomialEmpíricaLinear (Simulação)
Figura 6.1 – PLO1: T85% da simulação e dos modelos emrelação aos distúrbios.
Tabela 6.1 – Fontes de dados para cada linha de operação
Caso PLO SLO
Simular a ação decontrole das vazões de
produtos laterais dacoluna de destilação
Simular a ação decontrole do perfil
interno detemperatura da coluna
de destilação
1Análise de sensibilidade da variação da
temperatura da carga
2Análise de sensibilidade da variação da vazão da
carga
3Análise de sensibilidade da variação da
composição da carga
0
100
200
300
400
500
600
700
Som
atór
io d
os q
uadr
ados
dos
er
ros
A B C D
Polinomial
Empírica
Figura 6.2 – PLO1: Comparação de desempenho dos anali-sadores virtuais.
apresenta o gráfico que relaciona o somatório dos erros qua-drados da predição de cada modelo com o seu alinhamento.
Observa-se que a inferência polinomial teve um desempe-nho muito abaixo da semi-empírica. Se observados os valo-res preditos pelos modelos, para as temperaturas de 368˚Ce 370˚C da carga, percebe-se que o modelo polinomial nãoconseguiu obter valores satisfatórios chegando a diferençasde mais de 15˚C entre a sua predição da T85% e a da simu-lação. Segundo a Figura 6.1, percebe-se que a inferência po-linomial não consegue ajustar-se às tendências do processo.Nos alinhamentos A e C este modelo tem um comportamentoinverso ao esperado.
Nas rotinas de cálculo, a inferência de polinômios ajustadosnão leva em conta as variações de vazão da corrente de resí-duo atmosférico e a PLO manipula esta corrente para mantera temperatura do estágio 45 constante. Este fato faz com quea configuração operacional escolhida acabe prejudicando omodelo polinomial. Sendo assim o desempenho do modeloempírico simplificado é mais satisfatório nessas condições.
Revista Controle & Automação/Vol.20 no.3/Julho, Agosto e S etembro 2009 315
6.2 PLO2
A PLO2 é a primeira linha de operação para o caso 2, ou seja,a análise de sensibilidade para a configuração operacionalque visa manter constantes as vazões de saída dosstrippersquando varia-se a vazão da carga alimentada.
A Figura 6.3 ilustra o comportamento da T85% da simula-ção e dos modelos em relação à temperatura da alimentaçãode petróleo na torre, para os alinhamentos A, B, C e D. AFigura 6.4 apresenta o gráfico que relaciona o somatório doserros quadrados da predição de cada modelo com o seu ali-nhamento.
A Figura 6.3 revela que o comportamento das inferências nãoé constante e, de um modo geral, o modelo empírico sim-plificado é melhor do que o de polinômios ajustados. Osalinhamentos A e C mostraram os maiores erros para a infe-rência polinomial, possivelmente as inferências que utilizammenos correntes na mistura têm maiores probabilidades deresultarem em boas predições, já que diminuem o número devariáveis envolvidas nas rotinas de cálculo.
A inferência semi-empírica simplificada acompanha o com-portamento do processo com variações significativas, mascom erros menores, numa visão geral, do que o modelo po-linomial. O comportamento do erro, na inferência polino-mial, foi o mesmo do PLO1, onde os alinhamentos A e Cmostraram-se menos confiáveis. Para essas misturas o valorpredito pelo modelo tem uma sensibilidade muito acentuadaem relação às propriedades geradas na simulação.
6.3 PLO3
A PLO3 é a primeira linha de operação para o caso 3, ou seja,a análise de sensibilidade para a configuração operacionalque visa manter constantes as vazões de saída dosstrippersquando varia-se a quantidade de petróleo leve e pesado dacarga.
A Figura 6.5 apresenta o gráfico que relaciona o somatóriodos erros quadrados da predição de cada modelo com o seualinhamento. Já a Figura 6.6 ilustra o comportamento daT85% da simulação e dos modelos em relação à temperaturada alimentação de petróleo na torre, para os alinhamentos A,B, C e D.
Os resultados obtidos indicam que a inferência semi-empírica simplificada tem maior capacidade de predizer apropriedade em questão para o caso analisado. Em todas asanálises deste tópico sua eficiência foi superior à inferênciapolinomial.
Em relação à estabilidade da qualidade dos resultadospercebe-se que o modelo empírico simplificado é mais ho-
332
334
336
338
340
342
344
346
-3 -2 -1 0 1 2 3 4
Variação da Vazão na Carga (%)
T85%
do
Alin
ham
ento
A (°
C)
SimulaçãoPolinomialEmpíricaLinear (Simulação)
342
343
344
345
346
347
-3 -2 -1 0 1 2 3 4
Variação da Vazão na Carga (%)
T85%
do
Alin
ham
ento
B (°
C)
SimulaçãoPolinomialEmpíricaLinear (Simulação)
336
338
340
342
344
346
-3 -2 -1 0 1 2 3 4
Variação da Vazão na Carga (%)
T85%
do
Alin
ham
ento
C (°
C)
SimulaçãoPolinomialEmpíricaLinear (Simulação)
346
347
348
349
350
351
-3 -2 -1 0 1 2 3 4
Variação da Vazão na Carga (%)
T85%
do
Alin
ham
ento
D (°
C)
SimulaçãoPolinomialEmpíricaLinear (Simulação)
Figura 6.3 – PLO2: T85% da simulação e dos modelos em
relação aos distúrbios.
316 Revista Controle & Automação/Vol.20 no.3/Julho, Agost o e Setembro 2009
0
10
20
30
40
50
60
70
80
90S
omat
ório
dos
qua
drad
os d
os
erro
s
A B C D
Polinomial
Empírica
Figura 6.4 – PLO2: Comparação de desempenho dos anali-sadores virtuais
0
5
10
15
20
25
30
35
40
45
Som
atór
io d
os q
uadr
ados
dos
er
ros
A B C D
Polinomial
Empírica
Figura 6.5 – PLO3: Comparação de desempenho dos anali-sadores virtuais.
mogêneo que o modelo de polinômios ajustados.
6.4 SLO1
A SLO1 é a segunda linha de operação para o caso 1, ouseja, a análise de sensibilidade para a configuração operacio-nal que visa manter constante o perfil interno de temperaturada torre de destilação quando varia-se a temperatura da ali-mentação.
A Figura 6.7 apresenta o gráfico que relaciona o somatóriodos erros quadrados da predição de cada modelo com o seualinhamento. A Figura 6.8 ilustra o comportamento da T85%da simulação e dos modelos em relação à temperatura da ali-mentação de petróleo na torre, para os alinhamentos A, B, Ce D.
Como pode ser observado, ambas as inferências foram inca-pazes de predizer o comportamento do processo. Os valoresresultantes da simulação, para esse caso, apresentaram va-riações significativas somente para as temperaturas da zonade flash e da corrente de RAT. Como a inferência polino-mial leva em conta a temperatura da zona deflashe a semi-empírica da corrente de RAT, provavelmente estas variações
336
337
338
339
340
341
342
343
22 23 24 25 26 27 28Petróleo Pesado na Carga (%)
T85
% d
o A
linha
me
nto
A (
°C)
SimulaçãoPolinomialEmpíricaLinear (Simulação)
343
344
345
346
347
348
349
22 23 24 25 26 27 28Petróleo Pesado na Carga (%)
T85%
do
Alin
ham
ento
B (°
C)
SimulaçãoPolinomialEmpíricaLinear (Simulação)
339
340
341
342
343
344
345
22 23 24 25 26 27 28Petróleo Pesado na Carga (%)
T85%
do
Alin
ham
ento
C (°
C)
SimulaçãoPolinomialEmpíricaLinear (Simulação)
345
346
347
348
349
350
351
22 23 24 25 26 27 28Petróleo Pesado na Carga (%)
T85%
do
Alin
ham
ento
D (°
C)
SimulaçãoPolinomialEmpíricaLinear (Simulação)
Figura 6.6 – PLO3: T85% da simulação e dos modelos em
relação aos distúrbios.
Revista Controle & Automação/Vol.20 no.3/Julho, Agosto e S etembro 2009 317
0
20
40
60
80
100
120S
omat
ório
dos
qua
drad
os d
os
erro
s
A B C D
Polinomial
Empírica
Figura 6.7 – SLO1: Comparação de desempenho dos anali-sadores virtuais.
causaram o comportamento inesperado dos resultados pre-ditos. Sendo assim a credibilidade dos resultados torna-seduvidosa para este caso em particular.
6.5 SLO2
A SLO2 é a segunda linha de operação para o caso 2, ou seja,a análise de sensibilidade para a configuração operacionalque visa manter constante o perfil interno de temperatura datorre de destilação quando varia-se a vazão da carga.
A Figura 6.9 ilustra o comportamento da T85% da simulaçãoe dos modelos em relação à temperatura da alimentação depetróleo na torre, para os alinhamentos A, B, C e D. A Fi-gura 6.10 apresenta o gráfico que relaciona o somatório doserros quadrados da predição de cada modelo com o seu ali-nhamento.
A Figura 6.9 mostra os resultados preditos pelos modelosem relação aos distúrbios na carga, onde é possível compa-rar o desempenho com os dados da simulação. As inferên-cias mostraram-se adequadas para pequenos distúrbios, di-vergindo dos valores da T85% padrão à medida que se dis-tanciam do ponto de origem dos Bias. A tendência dos resul-tados acompanha o comportamento da propriedade originadano Aspen Plus, ao contrário de alguns casos da primeira linhade operação (PLO).
Pela Figura 6.10 é possível perceber que para os alinhamen-tos A e B a inferência polinomial é mais satisfatória, en-quanto que no C e D a semi-empírica comporta-se mais ade-quadamente. O desempenho dos modelos mostrou-se alea-tório sendo que os erros gerados pela rotina semi-empíricasimplificada são mais homogêneos quando comparados comos erros daquela de polinômios ajustados
334
335
336
337
338
339
340
341
342
343
344
364 366 368 370 372 374 376 378 380 382 384
Temperatura da Carga (°C)
T85
% d
o A
linha
me
nto
A (°
C)
SimulaçãoPolinomialEmpíricaLinear (Simulação)
337
338
339
340
341
342
343
344
364 366 368 370 372 374 376 378 380 382 384
Temperatura da Carga (°C)T8
5% d
o A
linha
men
to B
(°C
)
SimulaçãoPolinomialEmpíricaLinear (Simulação)
334
335
336
337
338
339
340
341
342
343
344
364 366 368 370 372 374 376 378 380 382 384
Temperatura da Carga (°C)
T85%
do
Alin
ham
ento
C (
°C)
SimulaçãoPolinomialEmpíricaLinear (Simulação)
337
338
339
340
341
342
343
344
364 366 368 370 372 374 376 378 380 382 384
Temperatura da Carga (°C)
T85%
do
Alin
ham
ento
D (°
C)
SimulaçãoPolinomialEmpíricaLinear (Simulação)
Figura 6.8 – SLO1: T85% da simulação e dos modelos em
relação aos distúrbios.
6.6 SLO3
A SLO3 é a segunda linha de operação para o caso 3, ou seja,a análise de sensibilidade para a configuração operacional
318 Revista Controle & Automação/Vol.20 no.3/Julho, Agost o e Setembro 2009
330
332
334
336
338
340
342
344
346
-3 -2 -1 0 1 2 3 4
Variação da Vazão na Carga (%)
T85%
do
Alin
ham
ento
A (°
C)
SimulaçãoPolinomialEmpíricaLinear (Simulação)
334
336
338
340
342
344
346
348
-3 -2 -1 0 1 2 3 4
Variação da Vazão da Carga (%)
T85%
do
Alin
ham
ento
B (°
C)
SimulaçãoPolinomialEmpíricaLinear (Simulação)
330
332
334
336
338
340
342
344
346
348
-3 -2 -1 0 1 2 3 4
Variação da Vazão da Carga (%)
T85%
do
Alin
ham
ento
C (°
C)
SimulaçãoPolinomialEmpíricaLinear (Simulação)
334
336
338
340
342
344
346
348
350
352
-3 -2 -1 0 1 2 3 4
Variação da Vazão da Carga (%)
T85
% d
o A
linha
men
to D
(°C
)
SimulaçãoPolinomialEmpíricaLinear (Simulação)
Figura 6.9 – SLO2: T85% da simulação e dos modelos emrelação aos distúrbios.
0
5
10
15
20
25
30
35
Som
atór
io d
os q
uadr
ados
dos
er
ros
A B C D
Polinomial
Empírica
Figura 6.10 – SLO2: Comparação de desempenho dos anali-sadores virtuais
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
4.0
Som
atór
io d
os q
uadr
ados
dos
er
ros
A B C D
Polinomial
Empírica
Figura 6.11 – SLO3: Comparação de desempenho dos anali-sadores virtuais
que visa manter constante o perfil interno de temperatura datorre de destilação quando varia-se a quantidade de petróleopesado e leve da carga.
A Figura 6.11 apresenta o gráfico que relaciona o somató-rio dos erros quadrados da predição de cada modelo com oseu alinhamento. A Figura 6.12 ilustra o comportamento daT85% da simulação e dos modelos em relação à temperaturada alimentação de petróleo na torre, para os alinhamentos A,B, C e D.
Os resultados são satisfatórios já que o comportamento con-siderado padrão (gerado nosoftwareAspen Plus) é represen-tado por ambos analisadores virtuais.
6.7 Desempenho dos analisadores virtu-ais
O modo em que o sistema de destilação opera, influi signi-ficativamente na predição da T85%. Os resultados obtidosna PLO não foram tão bons quanto os originados na SLO.Isso ocorreu pelo fato do operador trabalhar com a finalidadede controlar o perfil de temperatura no interior da torre dedestilação e os ajustes dos modelos (realizados pelos auto-
Revista Controle & Automação/Vol.20 no.3/Julho, Agosto e S etembro 2009 319
332
333
334
335
336
337
338
339
340
341
22 23 24 25 26 27 28Petróleo Pesado na Carga (%)
T85
% d
o A
linha
men
to A
(°C
)
SimulaçãoPolinomialEmpíricaLinear (Simulação)
335
336
337
338
339
340
341
342
22 23 24 25 26 27 28Petróleo Pesado na Carga (%)
T85%
do
Alin
ham
ent
o B
(°C
)
SimulaçãoPolinomialEmpíricaLinear (Simulação)
333
334
335
336
337
338
339
340
341
342
22 23 24 25 26 27 28Petróleo Pesado na Carga (%)
T85%
do
Alin
ham
ento
C (°
C)
SimulaçãoPolinomialEmpíricaLinear (Simulação)
336
337
338
339
340
341
342
343
344
22 23 24 25 26 27 28Petróleo Pesado na Carga (%)
T85%
do
Alin
ham
ento
D (°
C)
SimulaçãoPolinomialEmpíricaLinear (Simulação)
Figura 6.12 – SLO3: T85% da simulação e dos modelos emrelação aos distúrbios.
res das inferências) foram feitos com base nesta configura-ção operacional. Isto significa que uma mudança no perfilde trabalho requer novos ajustes nos parâmetros de ambasas inferências, principalmente na polinomial que se mostrouinadequada para os casos da PLO. Neste contexto a inferên-cia semi-empírica simplificada revelou-se mais robusta.
Segundo Miranda e Lusa (2003), a inferência polinomial re-quer um maior investimento em engenharia no ajuste dasvariáveis de maior influência, principalmente se o processopassar por alguma alteração operacional significativa. Estaafirmação pode ser comprovada quando comparados os re-sultados da PLO e da SLO.
Durante as atividades normais da refinaria, os sistemas res-ponsáveis pelo controle de operação dos processos de desti-lação visam manter constante o perfil interno de temperaturada coluna. Assim os resultados da SLO são mais apropria-dos para os testes das inferências. Para essa configuração osresultados mostraram-se coerentes e satisfatórios, vistoqueas pequenas diferenças de temperatura observadas nos testesentre a predição de um modelo e outro são irrelevantes, jáque existem erros de medidas provocados pelos transdutorese ruídos do sistema de instrumentação.
A exceção do modelo polinomial ocorreu com a SLO1,caso em que a fonte de dados foi a análise de sensibilidadeda temperatura da carga. Analisando os dados deste caso,percebeu-se que as mudanças significativas ocorrem em ape-nas duas variáveis: a temperatura da zona deflashe da cor-rente de RAT. O restante das variáveis demonstrou-se poucosensível aos distúrbios, e a T85% resultante da simulaçãopouco variou. Todavia os resultados gerados pelas inferên-cias comportaram-se de maneira distinta àquela consideradapadrão, a gerada pelo Aspen Plus. Quando observada a rotinade cálculos dos modelos percebe-se que o ajuste polinomialleva em conta a temperatura da zona deflashe não a tempe-ratura da corrente de resíduo atmosférico. O inverso ocorrecom a inferência semi-empírica simplifica que admite comovariável de entrada a temperatura do RAT e não considera va-riações na zona deflash. Essas variáveis tornam os modelossensíveis aos distúrbios causando grandes diferenças entreseus valores de saída e os esperados. Possivelmente as tem-peraturas da zona deflashe da corrente de RAT não sejamvariáveis de influência significativa na predição das T85%.
Exceto a SLO1, os testes representativos de desempenho dasinferências foram os da SLO2 e SLO3, que se mostraramadequados para a avaliação dos modelos. A Figura 6.13 ilus-tra os erros entre os valores preditos e esperados dessas con-figurações, mostrando que a eficiência dos modelos é seme-lhante no estado estacionário. Isto significa que os resultadosgerados pelos analisadores virtuais são satisfatórios, não ha-vendo grande distinção de resultados.
320 Revista Controle & Automação/Vol.20 no.3/Julho, Agost o e Setembro 2009
0
10
20
30
40
50
60
70
80
90
100S
omat
ório
dos
qua
drad
os d
os e
rros
SLO2 SLO3
Polinomial
Empírica
Figura 6.13 – Comparação de desempenho entre as inferên-cias.
Por parte da refinaria, há uma preferência na utilização da in-ferência de polinômios ajustados. Isto porque o modelo poli-nomial leva em conta variáveis de dinâmica mais rápida queaquelas usadas no modelo empírico simplificado, tendo umdesempenho melhor em estados transientes do processo. Asregras de misturas, distintas para cada alinhamento, tambémsão fatores potenciais à melhor acurácia do modelo polino-mial. É constante a troca de tanques de alimentação de petró-leo e de alinhamentos das correntes efluentes da destilação,fatos que tornam freqüentes a operação em regime transiente,e que obrigam a busca da melhor dinâmica de predição dosanalisadores virtuais.
A Figura 6.14 mostra o comportamento dos modelos emperíodo transiente, com interpolação linear ponto a ponto,frente à operação na planta real. A inferência T85% Novaequivale à polinomial enquanto que T85% Antiga equivaleà semi-empírica simplificada. A linha referente aos resulta-dos de T85% proveniente de ensaios laboratoriais é mantidaconstante até entrar uma nova análise. A figura foi cedidapela REFAP S/A. É notável a dinâmica lenta dos resultadosdo modelo empírico em relação ao polinomial. Deve ser in-formado que esta comparação também inclui um sistema decorreção de bias variável, o que contribui fortemente para osmelhores resultados da inferência de polinômios ajustados(Longhi et al., 2007). No que concerne ao estado estacio-nário inicial da inferência antiga, deve ser explicado que omesmo é fruto da estratégia de correção de bias (termo in-dependente) da equação. Embora a comparação não seja amais justa neste sentido, é o fruto de correções que visa-ram melhorar o desempenho da inferência antiga no tempoanterior ao apresentado na figura. Mesmo desprezando esteestado inicial diferente, o comportamento dinâmico da infe-rência antiga mostrado na Figura 6.14 não representa bema dinâmica das análises, pois apresenta uma tendência decrescimento contínuo que não está de acordo com o com-portamento real desta propriedade. Isso foi observado emvários momentos e não apenas na figura apresentada. A Fi-gura 6.14 foi escolhida, dentre os vários dados existentes,
Figura 6.14 – Dinâmica dos resultados das inferências(Longhiet al., 2007).
por mostrar uma situação bastante complexa, pois representaum momento de troca de tanque de carga e de objetivo deprodução, para uma mistura de comportamento não-linear dequatro correntes (com trajetos de tubulação e caminhos di-ferentes) que compõem o produto final, conforme explicadoem Longhi et al., 2007.
7 CONCLUSÃO
O trabalho desenvolvido pode ser divido em duas etapas prin-cipais: a simulação operacional da torre de destilação at-mosférica e o teste de modelos preditivos para a propriedadeT85% dos alinhamentos do sistema de refino de óleo cru daRefinaria Alberto Pasqualini - REFAP S/A.
A simulação foi realizada nosoftwareAspen Plus, e a partirdas considerações adotadas chegou-se a um modelo que des-creve o comportamento do sistema de destilação no estadoestacionário. O modelo foi validado com dados operacionaisde planta da REFAP S/A. A partir de então foram desenvol-vidas análises de sensibilidade, para duas configurações ope-racionais distintas, que serviram de base para avaliação dasinferências.
Duas inferências foram avaliadas utilizando-se como fontede dados as simulações, onde se concluiu que os dois mo-delos resultam em estimativas próximas às esperadas. Istoocorre quando a operabilidade da planta simulada corres-ponde às condições em que foram desenvolvidos os ajustespara as inferências. Essa condição é aquela que visa contro-lar o perfil interno de temperatura da torre. O desempenhodos analisadores virtuais foi semelhante para o estado estaci-onário, todavia a inferência de polinômios ajustados possuimelhor desempenho em regime transiente, do que a semi-empírica simplificada.
Em alguns testes os resultados foram insatisfatórios porcausa da linha de operação, que não corresponde ao traba-lho real do sistema. Assim sendo a inferência semi-empírica
Revista Controle & Automação/Vol.20 no.3/Julho, Agosto e S etembro 2009 321
simplificada mostrou-se mais robusta a ponto de se adaptarmelhor a mudanças operacionais do equipamento. Isto pro-vavelmente deve-se ao fato desta possuir certa fundamenta-ção teórica e, portanto, algum poder extrapolativo.
Provavelmente algumas variáveis de baixa influência naT85%, em ambos os casos, prejudicam a eficiência predi-tiva dos modelos, tornando-os inadequados dependendo dasituação a que são submetidos. Isto reduz a confiabilidadedos modelos e obriga os usuários dos mesmos a manuten-ções periódicas com vistas a atualizar parâmetros de ajustesdas rotinas.
Possivelmente atualizações mais freqüentes de Bias resultemem estimativas mais precisas. Um sistema automatizado deatualização de Bias, que reduzisse o tempo gasto na análiselaboratorial, poderia incrementar o desempenho dos resul-tados dos modelos inferenciais e melhorar as especificaçõescomerciais dos produtos.
REFERÊNCIAS
Aspentech (2001a). Aspen Plus: Getting started building andrunning a process model. Version 11.1. Aspen Tecno-logy, Inc. Cambridge.
Aspentech (2001b). Aspen Properties: Physical propertiesmethod and models. Version 11.1. Aspen Tecnology,Inc. Cambridge.
ASTM – American Society for Testing and Materials,(2007). "ASTM D86 - 07b Standard Test Methodfor Distillation of Petroleum Products at AtmosphericPressure".
Bakhtadze N.N. (2004). Virtual analyzers: Identification ap-proach.Automation and Remote Control,v. 65, n 11, p.1691-1709. Nov.
Conz V., Trierweiller J.O., Santos O.M. & Facchin S. (2005).An Industrial Application of Virtual Analyzer for Dis-tillation Columns.2nd Mercosur Congress on Chemi-cal Engineering, Vila Rio das Pedras – RJ.
Conz V. (2005). Desenvolvimentos de analisadores virtuaisaplicados a colunas de destilação industriais. Disserta-ção de mestrado. Universidade Federal do Rio Grandedo Sul, UFRGS, Porto Alegre – RS.
Fortuna L., Graziani S., Rizzo A. & Xibilia M.G. (2007).Soft Sensors for Monitoring and Control of IndustrialProcess. Springer, London.
Gonzalez G. D. (1999). Soft Sensors for processing plants.In: Proc. 2nd International Conference on IntelligentProcessing and Manufacturing of Materials, IPMM 99,v. 1, p. 59-70, Hawaii.
Kalid R.A. Controle de Coluna de Destilação. Dis-ponível em <http://www.lacoi.ufba.br/imagens{\_}Lacoi/docs{\_}pdf/Controle{\%}20de{\%}20Coluna{\%}20de{\%}20Destilacao.pdf>. Acesso em: 20ago. 2006.
Longhi L.G.S., M.M Rodriques & F.S. Duarte (2007). De-senvolvimento de inferências para controle avançadoem unidade de destilação atmosférica.Rio Automação,Rio de Janeiro.
Matar S. & Hatch L.F., (2000).Chemistry of PetrochemicalProcess.2 ed, GPP Gulf Professional Publishing, Hous-ton.
Miranda F.C. & Lusa L.P., (2003). Inferências para controlede uma torre de destilação atmosférica de uma refinaria.ISA Show Brasil 2003, 3o Congresso Internacional deAutomação, Sistemas e Instrumentação, ISA Distrito 4,São Paulo.
Ondrey G. (2005). Simulation and modeling spread theirwings.Chemical Engineering, n. 5, p. 27-31.
Parkash S., (2003).Refining processes handbook. Elsevier,New York.
Perry’s R.G., C.H Chilton & S.D. Kirkpatrick (1999).Che-mical engineers handbook.McGraw-Hill, New York.
Riazi M.R., (2005).Characterization and Properties of Pe-troleum Fractions.American Society for Testing andMaterials, Philadelphia.
Secchi A.R., Cardozo N.S.M., Almeida Neto E. & FinklerT.F., (2006). An Algorithm for Automatic Selection andEstimation of Model Parameters.Proceedings of the In-ternational Symposium on Advanced Control of Che-mical Processes (ADCHEM 2006), vol. 2, p. 789-794.Gramado, Brasil.
Watkins R.N. (1981).Petroleum refinery distillation.2.ed,GPP Gulf Professional Publishing, Houston.
322 Revista Controle & Automação/Vol.20 no.3/Julho, Agost o e Setembro 2009