Modelagem e otimização de digestores kraft descontinuos utilizando redes neurais e modelo hibrido-integração de processos em tempo real / Modeling and optimization of descontinuous kraft digesters using neural networks and hybrid model-integration of processes in real time

AUTOR(ES)
FONTE

IBICT - Instituto Brasileiro de Informação em Ciência e Tecnologia

DATA DE PUBLICAÇÃO

26/06/2009

RESUMO

Neste trabalho foram desenvolvidos três modelos para predição de Número Kappa (Modelo Determinístico, Modelo Neural e Modelo Híbrido). O Modelo determinístico inclui transferência de massa e reações cinéticas intrínsecas baseadas em reações paralelas de lignina, celulose e hemicelulose. Este divide o processo de deslignificação em 3 estágios ou fases, sendo que as 3 fases correspondem a 3 diferentes tipos de lignina (inicial, principal e residual). O modelo é específico para polpa de eucalipto (fibra curta) e digestor batelada. Umas das contribuições para este modelo proposto foram às inclusões de reações para lignina, hemicelulose e celulose total, carboidratos, além do Número Kappa. Para Modelo Determinístico foram utilizados dados experimentais coletados no RAIZ - Instituto de Investigação da Floresta e Papel e dados gerados pelas simulações. As variáveis operacionais utilizadas como dados de entrada foram: espessura, temperatura inicial, álcali efetivo, relação licor madeira, tempo de cozimento, densidade e porosidade. O Modelo Determinístico também foi desenvolvido para digestor contínuo e foi validado com dados industriais para fibra curta de eucalipto. A modelagem feita para um digestor batelada é a mesma que para um digestor contínuo, sendo que no contínuo existem de 3 a 4 etapas dentro do equipamento. Por conseguinte, o digestor contínuo é modelado como se fosse um batelada só que fracionadamente (temperaturas e tempos para cada estágio do equipamento e de forma seqüencial). Neste trabalho foi empregado um método de otimização (Programação Quadrática Sucessiva) para definir o procedimento de operação no digestor contínuo permitisse a obtenção do produto (polpa) com teores inferiores a 1,5 % de lignina residual. Industrialmente este valor está em torno de 3 % de lignina residual. O Modelo Neural proposto é do tipo "feedforward" e com treinamento por retropropagação. Para este modelo as variáveis de entrada (inputs) foram temperatura, álcali efetivo e Fator H. A variável de saída (output) é o Número Kappa. A quantidade de neurônios ocultos foi definida pelo modelo neural que apresentou o menor erro para o conjunto de validação e treinamento. O número de interações também foi definido a partir do menor erro gerado pelas simulações. Este modelo foi validado com dados industriais e experimentais. O Modelo Híbrido utilizou como variáveis de entrada Kappa Neural e Teórico, temperatura e Fator H e a variável de saída é o Número Kappa Híbrido. Este foi validado com dados industriais. Os modelos apresentados (Determinístico, Neural e Híbrido) são ferramentas úteis para as fábricas de celulose e papel, uma vez que existe a possibilidade de serem aplicados para simulação de processos, otimização e controle. Os modelos podem ser testados para diferentes condições operacionais sem alterar a produção. Além de possibilitarem melhor controle de algumas variáveis no processo fabril, isto, sem perda de qualidade do produto. Neste estudo a rede neural e os modelos cinéticos apresentaram resultados equivalentes. Palavras-chaves: Número Kappa, Modelo Determinístico, Modelo Neural e Modelo Híbrido

ASSUNTO(S)

kraft process lignocellulose neural networks (computer science) eucalyptus autoclaves polpação alcalina por sulfato lignocelulose redes neurais (computação) eucalipto autoclaves

ACESSO AO ARTIGO

Documentos Relacionados