Análise de emissões em caldeiras de recuperação química de fábricas de celulose Kraft: predição e análise de sensibilidade com redes neurais artificiais
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMG |
Texto Completo: | http://hdl.handle.net/1843/37187 https://orcid.org/0000-0002-2647-949X |
Resumo: | Mundialmente, há um movimento de maior conscientização socioambiental, pautado em interesses da sociedade em geral, de instituições e governos. Disso resulta uma pressão maior sobre setores industriais para o desenvolvimento de processos mais limpos e sustentáveis. Uma das preocupações está relacionada com as emissões de gases, dentre eles, os óxidos de carbono (CO e CO2), de nitrogênio (NOx) e de enxofre (SOx), além das emissões mercaptanas e de material particulado em suspensão, especialmente quando as indústrias se localizam nas proximidades de cidades. Nesse cenário, o monitoramento e controle de emissões ganha importância, e metodologias alternativas a métodos tradicionais, em geral custosos, têm sido desenvolvidas. Dentre as soluções em monitoramento de processos, destacam-se os sensores virtuais, baseados diretamente em dados históricos sobre as operações. Nesse contexto, o objetivo do presente trabalho foi construir sensores virtuais para emissões de gases e material particulado em fábricas de celulose, e então analisar quais variáveis de processo apresentam maior influência sobre tais emissões. O primeiro estudo de caso diz respeito à caldeira de recuperação química de uma indústria de celulose no Brasil, com o foco na construção de um sensor virtual para estimativa das emissões de óxido de enxofre (SO2). O segundo estudo de caso se refere à caldeira de recuperação química de uma indústria de celulose na Finlândia, com o foco nas emissões de material particulado. Para ambas as aplicações, os sensores virtuais se baseiam em redes neurais artificiais com arquitetura MLP (Multi-Layer Perceptrons), a mais usual em aplicações para Engenharia Química em geral. De modo a verificar o seu desempenho, compararam-se os resultados com o modelo de regressão linear múltipla (MLR). Após a variação de um conjunto de parâmetros, como por exemplo, tipo de função de ativação e número de neurônios ocultos, a rede neural que melhor se ajustou aos dados alcançou coeficiente de correlação linear (r) significativamente superior àquele da regressão linear múltiplas, para ambos os estudos de caso, r_mlr = 0:764 e r_mlp = 0:939, para a caldeira do Brasil, e r_mlr = 0:6974 and r_mlp = 0:86, para a caldeira da Finlândia. Ao final, as variáveis de processo que mais influenciam os resultados dos sensores virtuais, para cada um dos casos, foram identificadas por meio de um estudo de análise de sensibilidade. Para o primeiro estudo de caso, as variáveis mais influentes foram vazão do ar terciário, vazão do ar primário, vazão do licor preto e temperatura do ar primário. Para o segundo estudo de caso, as variáveis mais influentes foram vazão do ar secundário, vazão do licor preto e seu teor de sólidos, vazão de gases não condensáveis diluídos e vazão de óleo combustível. |
id |
UFMG_ee9d48be0468d1a23f73863bc8b3d3aa |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/37187 |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Gustavo Matheus de Almeidahttp://lattes.cnpq.br/3191967289613425Marcelo CardosoEduardo Coutinho de Paulahttp://lattes.cnpq.br/9480536074455583Ana Brandão Belisário2021-08-02T17:00:52Z2021-08-02T17:00:52Z2020-02-21http://hdl.handle.net/1843/37187https://orcid.org/0000-0002-2647-949XMundialmente, há um movimento de maior conscientização socioambiental, pautado em interesses da sociedade em geral, de instituições e governos. Disso resulta uma pressão maior sobre setores industriais para o desenvolvimento de processos mais limpos e sustentáveis. Uma das preocupações está relacionada com as emissões de gases, dentre eles, os óxidos de carbono (CO e CO2), de nitrogênio (NOx) e de enxofre (SOx), além das emissões mercaptanas e de material particulado em suspensão, especialmente quando as indústrias se localizam nas proximidades de cidades. Nesse cenário, o monitoramento e controle de emissões ganha importância, e metodologias alternativas a métodos tradicionais, em geral custosos, têm sido desenvolvidas. Dentre as soluções em monitoramento de processos, destacam-se os sensores virtuais, baseados diretamente em dados históricos sobre as operações. Nesse contexto, o objetivo do presente trabalho foi construir sensores virtuais para emissões de gases e material particulado em fábricas de celulose, e então analisar quais variáveis de processo apresentam maior influência sobre tais emissões. O primeiro estudo de caso diz respeito à caldeira de recuperação química de uma indústria de celulose no Brasil, com o foco na construção de um sensor virtual para estimativa das emissões de óxido de enxofre (SO2). O segundo estudo de caso se refere à caldeira de recuperação química de uma indústria de celulose na Finlândia, com o foco nas emissões de material particulado. Para ambas as aplicações, os sensores virtuais se baseiam em redes neurais artificiais com arquitetura MLP (Multi-Layer Perceptrons), a mais usual em aplicações para Engenharia Química em geral. De modo a verificar o seu desempenho, compararam-se os resultados com o modelo de regressão linear múltipla (MLR). Após a variação de um conjunto de parâmetros, como por exemplo, tipo de função de ativação e número de neurônios ocultos, a rede neural que melhor se ajustou aos dados alcançou coeficiente de correlação linear (r) significativamente superior àquele da regressão linear múltiplas, para ambos os estudos de caso, r_mlr = 0:764 e r_mlp = 0:939, para a caldeira do Brasil, e r_mlr = 0:6974 and r_mlp = 0:86, para a caldeira da Finlândia. Ao final, as variáveis de processo que mais influenciam os resultados dos sensores virtuais, para cada um dos casos, foram identificadas por meio de um estudo de análise de sensibilidade. Para o primeiro estudo de caso, as variáveis mais influentes foram vazão do ar terciário, vazão do ar primário, vazão do licor preto e temperatura do ar primário. Para o segundo estudo de caso, as variáveis mais influentes foram vazão do ar secundário, vazão do licor preto e seu teor de sólidos, vazão de gases não condensáveis diluídos e vazão de óleo combustível.Globally, there is a movement of greater social-environmental awareness, based on the interests of society, institutions and governments. As a result, there is an increasing pressure on industrial sectors for the development of cleaner and more sustainable processes. One of the concerns is related to emissions of gases, among them, carbon oxides (CO and CO2), nitrogen (NOx) and sulfur (SOx), in addition to dust emissions, suspended particulate matter, especially when industries are located close to cities. In this scenario, the monitoring and control of emissions gains importance, and alternative methodologies to traditional, usually costly, methods have been developed. Among the solutions in process monitoring, stand out the virtual sensors based directly on historical data from the operations. In this context, the objective of the present work was to build virtual sensors for gas and particulate material emissions monitoring from equipment in pulp mills and then analyse the variables that present the great influence over those emissions. The first case involves a chemical recovery boiler of a pulp industry in Brazil. A virtual sensor was constructed for the estimation of sulfur oxide (SO2) emissions. And the second case study refers to the chemical recovery boiler in a cellulose industry in Finland, with a focus on emissions of particulate matter. For both applications, the virtual sensors are based on a neural network with MLP (Multi-Layer Perceptrons) architecture, the most usual in chemical engineering applications in general. In order to verify their performance, the results were compared with multiple linear regression model. After varying a set of parameters, such as type of activation function and number of hidden neurons, the neural network that best fitted the data reached a linear correlation coefficient (r) higher than that of linear regression multiple, for both case studies, r_mlr = 0:764 e r_mlp = 0:939, for the boiler in Brazil, and r_mlr = 0:6974 and r_mlp = 0:86, for the boiler in Finland. In the end, the process variables that most influence the results of the virtual sensors, for each case, were identified by applying a sensitivity analysis technique. For the first case study, the most influential variables were tertiary air flow, primary air flow, black liquor flow and primary air temperature. For the second case study, the most influential variables were secondary air flow, black liquor flow and its solids content, diluted non-condensable gas flow and fuel oil flow.CNPq - Conselho Nacional de Desenvolvimento Científico e TecnológicoporUniversidade Federal de Minas GeraisPrograma de Pós-Graduação em Engenharia QuímicaUFMGBrasilENG - DEPARTAMENTO DE ENGENHARIA QUÍMICAhttp://creativecommons.org/licenses/by-nc-nd/3.0/pt/info:eu-repo/semantics/openAccessEngenharia químicaPredição (Lógica)Análise de sensibilidadeRedes neurais (Computação)Banco de dadosFábrica de celulose KraftCaldeira de recuperação químicaEmissõesPrediçãoAnálise de sensibilidadeRede neural artificialBancos de dados industriaisAnálise de emissões em caldeiras de recuperação química de fábricas de celulose Kraft: predição e análise de sensibilidade com redes neurais artificiaisEmission analysis in chemical recovery boilers of Kraft pulp mills: prediction and sensitivity analysis with artificial neural networksinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINAL01BelisarioAna_dissertacaoFinal_aprovacaoFichaCatalografica.pdf01BelisarioAna_dissertacaoFinal_aprovacaoFichaCatalografica.pdfDissertacao_versaoFinalapplication/pdf8446527https://repositorio.ufmg.br/bitstream/1843/37187/6/01BelisarioAna_dissertacaoFinal_aprovacaoFichaCatalografica.pdf84b7e46aff7b9a28815c2fc93ed91325MD56CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufmg.br/bitstream/1843/37187/2/license_rdfcfd6801dba008cb6adbd9838b81582abMD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82118https://repositorio.ufmg.br/bitstream/1843/37187/7/license.txtcda590c95a0b51b4d15f60c9642ca272MD571843/371872021-08-02 14:00:53.129oai:repositorio.ufmg.br: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ório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2021-08-02T17:00:53Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Análise de emissões em caldeiras de recuperação química de fábricas de celulose Kraft: predição e análise de sensibilidade com redes neurais artificiais |
dc.title.alternative.pt_BR.fl_str_mv |
Emission analysis in chemical recovery boilers of Kraft pulp mills: prediction and sensitivity analysis with artificial neural networks |
title |
Análise de emissões em caldeiras de recuperação química de fábricas de celulose Kraft: predição e análise de sensibilidade com redes neurais artificiais |
spellingShingle |
Análise de emissões em caldeiras de recuperação química de fábricas de celulose Kraft: predição e análise de sensibilidade com redes neurais artificiais Ana Brandão Belisário Fábrica de celulose Kraft Caldeira de recuperação química Emissões Predição Análise de sensibilidade Rede neural artificial Bancos de dados industriais Engenharia química Predição (Lógica) Análise de sensibilidade Redes neurais (Computação) Banco de dados |
title_short |
Análise de emissões em caldeiras de recuperação química de fábricas de celulose Kraft: predição e análise de sensibilidade com redes neurais artificiais |
title_full |
Análise de emissões em caldeiras de recuperação química de fábricas de celulose Kraft: predição e análise de sensibilidade com redes neurais artificiais |
title_fullStr |
Análise de emissões em caldeiras de recuperação química de fábricas de celulose Kraft: predição e análise de sensibilidade com redes neurais artificiais |
title_full_unstemmed |
Análise de emissões em caldeiras de recuperação química de fábricas de celulose Kraft: predição e análise de sensibilidade com redes neurais artificiais |
title_sort |
Análise de emissões em caldeiras de recuperação química de fábricas de celulose Kraft: predição e análise de sensibilidade com redes neurais artificiais |
author |
Ana Brandão Belisário |
author_facet |
Ana Brandão Belisário |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Gustavo Matheus de Almeida |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/3191967289613425 |
dc.contributor.referee1.fl_str_mv |
Marcelo Cardoso |
dc.contributor.referee2.fl_str_mv |
Eduardo Coutinho de Paula |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/9480536074455583 |
dc.contributor.author.fl_str_mv |
Ana Brandão Belisário |
contributor_str_mv |
Gustavo Matheus de Almeida Marcelo Cardoso Eduardo Coutinho de Paula |
dc.subject.por.fl_str_mv |
Fábrica de celulose Kraft Caldeira de recuperação química Emissões Predição Análise de sensibilidade Rede neural artificial Bancos de dados industriais |
topic |
Fábrica de celulose Kraft Caldeira de recuperação química Emissões Predição Análise de sensibilidade Rede neural artificial Bancos de dados industriais Engenharia química Predição (Lógica) Análise de sensibilidade Redes neurais (Computação) Banco de dados |
dc.subject.other.pt_BR.fl_str_mv |
Engenharia química Predição (Lógica) Análise de sensibilidade Redes neurais (Computação) Banco de dados |
description |
Mundialmente, há um movimento de maior conscientização socioambiental, pautado em interesses da sociedade em geral, de instituições e governos. Disso resulta uma pressão maior sobre setores industriais para o desenvolvimento de processos mais limpos e sustentáveis. Uma das preocupações está relacionada com as emissões de gases, dentre eles, os óxidos de carbono (CO e CO2), de nitrogênio (NOx) e de enxofre (SOx), além das emissões mercaptanas e de material particulado em suspensão, especialmente quando as indústrias se localizam nas proximidades de cidades. Nesse cenário, o monitoramento e controle de emissões ganha importância, e metodologias alternativas a métodos tradicionais, em geral custosos, têm sido desenvolvidas. Dentre as soluções em monitoramento de processos, destacam-se os sensores virtuais, baseados diretamente em dados históricos sobre as operações. Nesse contexto, o objetivo do presente trabalho foi construir sensores virtuais para emissões de gases e material particulado em fábricas de celulose, e então analisar quais variáveis de processo apresentam maior influência sobre tais emissões. O primeiro estudo de caso diz respeito à caldeira de recuperação química de uma indústria de celulose no Brasil, com o foco na construção de um sensor virtual para estimativa das emissões de óxido de enxofre (SO2). O segundo estudo de caso se refere à caldeira de recuperação química de uma indústria de celulose na Finlândia, com o foco nas emissões de material particulado. Para ambas as aplicações, os sensores virtuais se baseiam em redes neurais artificiais com arquitetura MLP (Multi-Layer Perceptrons), a mais usual em aplicações para Engenharia Química em geral. De modo a verificar o seu desempenho, compararam-se os resultados com o modelo de regressão linear múltipla (MLR). Após a variação de um conjunto de parâmetros, como por exemplo, tipo de função de ativação e número de neurônios ocultos, a rede neural que melhor se ajustou aos dados alcançou coeficiente de correlação linear (r) significativamente superior àquele da regressão linear múltiplas, para ambos os estudos de caso, r_mlr = 0:764 e r_mlp = 0:939, para a caldeira do Brasil, e r_mlr = 0:6974 and r_mlp = 0:86, para a caldeira da Finlândia. Ao final, as variáveis de processo que mais influenciam os resultados dos sensores virtuais, para cada um dos casos, foram identificadas por meio de um estudo de análise de sensibilidade. Para o primeiro estudo de caso, as variáveis mais influentes foram vazão do ar terciário, vazão do ar primário, vazão do licor preto e temperatura do ar primário. Para o segundo estudo de caso, as variáveis mais influentes foram vazão do ar secundário, vazão do licor preto e seu teor de sólidos, vazão de gases não condensáveis diluídos e vazão de óleo combustível. |
publishDate |
2020 |
dc.date.issued.fl_str_mv |
2020-02-21 |
dc.date.accessioned.fl_str_mv |
2021-08-02T17:00:52Z |
dc.date.available.fl_str_mv |
2021-08-02T17:00:52Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/37187 |
dc.identifier.orcid.pt_BR.fl_str_mv |
https://orcid.org/0000-0002-2647-949X |
url |
http://hdl.handle.net/1843/37187 https://orcid.org/0000-0002-2647-949X |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/pt/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/pt/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Engenharia Química |
dc.publisher.initials.fl_str_mv |
UFMG |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
ENG - DEPARTAMENTO DE ENGENHARIA QUÍMICA |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/37187/6/01BelisarioAna_dissertacaoFinal_aprovacaoFichaCatalografica.pdf https://repositorio.ufmg.br/bitstream/1843/37187/2/license_rdf https://repositorio.ufmg.br/bitstream/1843/37187/7/license.txt |
bitstream.checksum.fl_str_mv |
84b7e46aff7b9a28815c2fc93ed91325 cfd6801dba008cb6adbd9838b81582ab cda590c95a0b51b4d15f60c9642ca272 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1803589332330610688 |