Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 Otimizar a Produtividade de um Reator CSTR de Polimerização Através da Determinação das Variáveis Temperatura de Reação e Vazão de Solvente com uso de PSO e Ponto Interior. Ivan Delduga Programa de Engenharia Química – COPPE – Universidade Federal do Rio de Janeiro (UFRJ). Cidade Universitária – Centro de Tecnologia – Bloco G. CEP: 21945-970 – Rio de Janeiro - RJ – Brasil. e-mail: delduga@hotmail.com Resumo: Este trabalho apresenta duas estratégias de otimização com base em PSO (Particle Swarm Optimization) e Otimização por Ponto Interior. Através dessas estratégias e de modelos do processo dos balanços de massa e de energia no reator, obteve-se a estimação simultânea da Vazão do Solvente (Qs) e da Temperatura de Reação (T), maximizando a função objetivo da Produtividade (PR) de um reator contínuo de polimerização, impondo as restrições como índice de polidispersão, temperatura máxima de reação, inerentes ao processo. Para esse trabalho será adotado um reator benchmark. A fim de testar a estratégia proposta, utilizou-se um reator contínuo de polimerização de poliestireno (reator benchmark) proposto na literatura específica de processos, cujo modelo matemático foi validado em uma planta de polimerização real. A escolha das variáveis manipuladas foi validada por uma análise de sensibilidade. As estratégias de otimização propostas foram capazes de encontrar um ponto adequado de trabalho respeitando as restrições. No entanto, seria conveniente acrescentar restrições adicionais ou mais “restritivas” para temperatura de reação e limites de vazão de modo que retratasse melhor a realidade do processo, bem como considerando as restrições impostas por aspetos de segurança e dos materiais constitutivos da instalação. Palavras-chave: Algoritmos de Otimização, Reator de Polimerização de Estireno, Ponto Interior, PSO. 1. INTRODUÇÃO Os polímeros são macromoléculas constituídas pela ligação de um grande número de moléculas menores. Essas pequenas moléculas que se combinam umas com as outras para formar moléculas maiores (polímeros) são denominadas de monômeros e as reações são denominadas de polimerizações (ODIAN, 2004). Esses compostos têm significativa importância no desenvolvimento tecnológico dos séculos XX e XXI e a cada ano observa-se sua participação cada vez mais efetiva no setor industrial, seja na produção, seja no produto final. Esta participação, além de apresentar uma grande variedade de produtos, também possui aplicações específicas com crescente importância tecnológica e econômica, principalmente pela capacidade de aumentar a produtividade através da redução de custo e da praticidade de aplicação (DELDUGA, 2013). De fato, a participação dos polímeros na sociedade moderna tem apresentado um deslocamento dos aspectos quantitativos para os qualitativos. Ou seja, no início, houve uma procura maior pela diversidade de aplicações intensivas desses produtos, porém, atualmente, as aplicações estão mais direcionadas, com uso de produtos com características mais particulares, obtendo, assim, maior importância sob uma ótica tecnológica e, sobretudo, econômica (ALMEIDA, 1997). A busca efetiva por ganho de produtividade é inerente às atividades produtivas e é determinante na existência e longevidade de instituições com fins lucrativos. No entanto, a busca por ganhos de produção com redução de custos esbarra em premissas cada vez mais consolidadas na atualidade. A qualidade, que é uma dessas premissas, tem se tornado um dos mais importantes fatores de decisão dos consumidores e, muitas vezes, concorre com a necessidade de reduzir os recursos empregados no processo (DELDUGA, 2013). Essa nova conjuntura, de busca de produtos com alto valor agregado, foco na qualidade final do produto e na segurança, respeito ao meio ambiente e a preocupação com o aumento de produtividade, privilegia, consequentemente, a utilização da mesma instalação para a fabricação de diferentes produtos. Neste cenário, torna-se, portanto, cada vez mais necessária a busca por equipamentos bem controlados e eficientes. Para indústrias competitivas, incluindo-se aí as empresas de commodities, há uma grande necessidade de se reduzir custos de produção. A prática de se ter processos controlados próximos, ou com tendências de se aproximar, do ponto ótimo de operação é cada vez mais necessária. Isso ocorre devido aos grandes 2 volumes de produção envolvidos, à necessidade de alta disponibilidade das instalações para produção, o baixo valor agregado de produtos dessa natureza e à própria característica do mercado. O Poliestireno (também denominado por PS) é o polímero, cujo processo será avaliado para desenvolvimento e implementação de uma estratégia de controle alternativa. Este polímero pode ser encontrado no mercado sob algumas formas, como mostrado por Odian (2004): cristal de poliestireno (o termo é usado para descrever a clareza óptica do produto e não sua estrutura molecular, que é amorfa), poliestireno expandido (EPS), que é usado na fabricação de espumas, e o poliestireno de alto impacto (HIPS), que apresenta melhor resistência que o poliestireno e baixo custo comparado ao ABS em algumas aplicações, como a de copos. O poliestireno é comercializado nos EUA há mais de 60 anos, sintetizado pela simples polimerização do monômero estireno (MOORE, 1989). Cada tipo possui uma aplicação específica, que pode variar desde a confecção de embalagens de copos descartáveis, no caso do tipo standard à confecção de materiais de isolação térmica, no caso do EPS (SERFATY e MONTENEGRO, 2002). Tem-se observado um aumento global pelo composto. A previsão para 2020, comparada ao ano de 2010, é de 5,6%, conforme apontado pelo site Plastemart. Esse crescimento se justifica pelo desenvolvimento observado do setor nos países emergentes Brasil, Índia e China. O setor de embalagens no Brasil merece destaque, pois o Poliestireno é amplamente empregado, seja na forma cristal, seja como EPS. Os maiores produtores são a Dow e a BASF (SERFATY e MONTENEGRO, 2002). Demonstrada a importância do produto, é de se destacar que o processo tenha uma operação devidamente controlada, a fim de manter os parâmetros atendendo às especificações do produto e buscando redução de custos. Surge, nesse sentido, a necessidade de um sistema de controle ótimo que lide com um processo multivariável e o conceito de controle preditivo com base no modelo é uma alternativa viável. Os modelos dinâmicos do processo são ferramentas básicas para diversos propósitos e os modelos dinâmicos lineares, apesar de restrições, tem sido muito utilizados em razão de sua versatilidade e simplicidade (MELEIRO, 2002). O presente trabalho tem a pretensão de realizar a modelagem de um reator teórico do tipo CSTR de poliestireno, que vem sendo estudado como benchmarking no desenvolvimento de outras estratégias de controle. Os dados, bem como os modelos cinéticos e resultados empíricos, são fornecidos por Alvarez e Odloak (2012).. 2. ALGORITMOS DE OTIMIZAÇÃO 2.1 PSO Criação de Kennedy e Eberhart (1995), a técnica de otimização através do Particle Swarm (enxame de partículas), PSO, teve inspiração na inteligência coletiva dos animais. Essa é uma técnica do tipo populacional que pode ser incluída no grupo de algoritmos considerados evolutivos. Diversas questões com certa complexidade de otimização que não são possíveis de serem resolvidos usando as técnicas clássicas de otimização vem se apoiando e testando diversas técnicas heurísticas populacionais. Nesse sentido, a utilização do PSO tem sido empregada com êxito, mostrado ser bastante interessante em relação a sua eficiência na localização do ótimo global. O PSO, que, como dito acima, é inspirado em enxame de partículas,é uma técnica de busca baseada no comportamento social de indivíduos. Este comportamento apresenta inicialmente uma busca de forma aleatória e desordenada, mas percebe-se uma organização no vôo (fazendo alusão ao comportamento dos pássaros) ao longo do tempo e um padrão de busca é reconhecido. Este mesmo comportamento cooperativo e de troca de informações é encontrado entre várias espécies animais: em revoadas de pássaros, em cardumes de peixes, em enxames de abelhas etc. A busca pela localização do objetivo, faz com que todos os indivíduos se dirijam em direção à localização alvo. Os autores Kennedy e Eberhart (1995) desenvolveram portanto, um algoritmo de caráter populacional, já denominado PSO, onde os indivíduos são tratados partículas e estas estão em um espaço de busca multidimensional. O objetivo a ser alcançado é também um ponto neste mesmo espaço multidimensional. A inicialização da população do PSO é feita de modo aleatória, ou seja, os pontos são escolhidos ao acaso e, ao longo do tempo, o posicionamento das partículas vai sendo atualizado baseado em regras já pré-estabelecidas pelo algoritmo. Uma teoria sócio-cognitiva muito simples está por trás da PSO. Cada indivíduo de uma população possui sua própria experiência e é capaz de estimar a qualidade dessa experiência. Como os indivíduos são sociais, eles também possuem conhecimentos sobre como seus vizinhos comportam-se. Esses dois tipos de informação correspondem à aprendizagem individual (cognitiva) e à transmissão cultural (social), respectivamente. Portanto, a probabilidade de que um determinado indivíduo tome uma certa decisão será uma função de seu desempenho no passado e do desempenho de alguns de seus vizinhos, conforme Kennedy et al. (2001) utilizaram três princípios para resumir o processo de adaptação cultural: 3 1. Avaliar: os indivíduos possuem a capacidade de sentir o ambiente de forma a estimar seu próprio comportamento; 2. Comparar: os indivíduos usam uns aos outros como referência comparativa; 3. Imitar: a imitação é central em organizações sociais humanas e é importante para a aquisição e manutenção das habilidades mentais. Assim como as outras abordagens de inteligência coletiva, PSO está baseado em uma população de indivíduos capazes de interagir entre si e com o meio ambiente. Com base nas propriedades de autoavaliação, comparação e imitação, os indivíduos são capazes de lidar com um número de possíveis situações que o ambiente lhes apresenta. Os comportamentos globais serão, portanto, resultados emergentes dessas interações. O princípio do algoritmo é o estabelecimento, em cada passo ou iteração, do movimento de cada uma das partículas do grupo composto por n partículas. Este movimento é norteado pela memória da melhor posição, que é tida pelo melhor valor da função objetivo que foi alcançado, no espaço que a partícula já encontrou em seu movimento e no conhecimento da melhor posição já encontrada por todo o grupo. A utilização da melhor posição individual da partícula garante uma certa tendência e a informação da melhor posição do grupo pode ser classificada como um comportamento coletivo do indivíduo. Para assegurar a existência de uma certa personalidade em cada indivíduo se dota cada indivíduo do grupo de um comportamento distinto e aleatório em que a ponderação destas duas informações é sorteada ao longo do processo, assumindo assim um valor diferente para cada uma das partículas e variando este valor ao longo do processo iterativo. O processo evolutivo do algoritmo se baseia na atualização das velocidades das partículas ao longo do tempo gerando a modificação do posicionamento destas. Considerando que a posição de uma partícula 𝑖 em um tempo 𝑘 pode ser representada por 𝑥𝑖𝑘 e a velocidade da mesma como sendo 𝑣𝑖𝑘. Os vetores de posição e velocidade desta partícula 𝑖 são armazenados durante o processamento do algoritmo em uma geração 𝑘 e utilizados para a atualização da população na geração 𝑘 + 1. Para a atualização da população, além dos vetores velocidade e posição de todas as partículas em uma geração 𝑘, são necessárias duas informações, a saber: a melhor posição da partícula 𝑖 ao longo de todo o processo até o momento definida por 𝑝𝑖𝑘 e a posição da melhor partícula de todo o enxame ao longo do processo até o momento definida por 𝑝𝑔𝑘 A atualização da velocidade de cada partícula é dada por: onde 𝑣𝑖𝑘+1 representa o vetor velocidade da partícula 𝑖 tempo 𝑘 + 1 , 𝑤 é o fator de inércia, 𝑟𝑛𝑑1 e 𝑟𝑛𝑑2 são duas variáveis aleatórias e independentes de distribuição uniforme entre 0 e 1; 𝑐1 e 𝑐2 são parâmetros de confiança em relação ao posicionamento da própria partícula e em relação ao posicionamento da melhor partícula do enxame até o momento em todo o processo, respectivamente. Δ𝑡 é o espaço de tempo e neste trabalho será utilizado como tendo valor unitário. A atualização do posicionamento de cada partícula, a partir da velocidade atualizada, é dada por: O conjunto inicial de partículas é gerado de forma aleatória e independente espalhado pelo espaço de busca conforme: 2.2 Otimização do Ponto Interior Desde a introdução do algoritmo de escala projetiva proposto por Karmarkar em 1984, que tinha o objetivo de tratar problemas de dimensões elevadas, o método de pontos interiores tornou-se o método mais notável para resolver problemas de otimização. Este feito provocou uma agitação nas atividades de pesquisa desta área, pois Karmarkar afirmou que este era mais eficiente que o método Simplex, por utilizar a estratégia de determinar uma solução ótima caminhando por pontos interiores do domínio estrito da região viável, diferentemente do Simplex que a cada iteração percorre as extremidades da região viável (MARTINS, 2011). A tarefa mais difícil na solução do problema primal é determinar quais os componentes de x podem ser estritamente positivos em uma solução viável. Isto é equivalente a determinar quais as restrições do problema dual podem ser satisfeitas somente como restrições de igualdade (ou seja, satisfazer as condições de complementaridade). Os algoritmos de conjuntos ativos (active set), tal como o método simplex, atualizam repetitivamente um conjunto de no máximo m elementos de x que podem ser positivos a cada vez. Por outro lado, os algoritmos de ponto interior, tal como o de Karmarkar, trabalham com soluções viáveis onde todos os componentes de x são positivos. Eles repetitivamente fazem uma mudança de variável, calculam a direção de busca neste novo conjunto (em geral na direção de maior descida ou conjugada), caminham alguma distância nesta direção e levam o (2.1) (2.2) (2.3) (2.4) 4 ponto resultante para as variáveis originais (ARGIMIRO, 2015). O algoritmo de Karmarkar inicia no centróide do simplex formado pelas restrições de igualdade A x = b, que é um ponto interior viável, x o (pontos próximos as fronteiras podem tornar lenta a convergência). A seguir o vetor direção da maior descida, dado por d = −S(x) = −c é projetado na interseção das restrições de igualdade (que define o espaço nulo, ou núcleo da matriz A, isto é, o conjunto = {dp n | A dp = 0}). A matriz de projeção é obtida sabendo-se que d = dp + dr, onde dr é um vetor do espaço ortogonal ao espaço nulo (conhecido como “range space”), isto é, a imagem de AT , ou seja R = {dr n | dr = AT , m} = ⊥ (ARGIMIRO, 2015) O problema de programação linear mpelo método de Karmakar se torna: min S(x) = c T D x sujeito a: A D x = b x 0 deve-se proceder substituindo a matriz A por A D e vetor cT por cTD. O critério de parada se dá pelos multiplicadores de Lagrange, com segue: = −(A AT )−1 A c ena solução (gradiente projetado) P d = 0. 3. FORMULAÇÃO MATEMÁTICA DO PROBLEMA DE OTIMIZAÇÃO DO REATOR CSTR 3.1 Descrição formal do Processo O reator de polimerização é o coração do processo de produção de polímero e a sua operação pode ocorrer de modo complicado, uma vez que envolve reações exotérmicas, cinéticas de reação algumas vezes desconhecidas e altamente não-lineares e alta viscosidade, ocorrendo, por exemplo, o efeito gel. A maioria dos polímeros de estireno é produzida em processo contínuo. O presente trabalho considera a polimerização em massa e solução de estireno de radicais livres em um CSTR com jaqueta de resfriamento. Como mostrado na Fig. 1, o CSTR tem três correntes de alimentação: a do monômero de estireno puro (Qm) a dada concentração de entrada (Mf) e temperatura de entrada (Tf), a do iniciador 2,2'-azoisobutironitrilo (AIBN) dissolvido em benzeno (Qi) a uma dada concentração de entrada (If) e temperatura de entrada (Tf), e a do solvente benzeno puro (Qs) a uma temperatura de entrada (Tf). O fluxo de saída contém a corrente de polímero (Qm) com sua viscosidade característica (), monômero não reagido (M), iniciador não reagido (I) e solvente. Todos à mesma temperatura do reator (T). Figura 1: Reator de polimerização. O fluido refrigerante passa pela jaqueta a uma vazão característica do processo (Qc), com dada temperatura de entrada (Tcf) e sai com temperatura pós-troca térmica (Tc). A cinética de polimerização é de interesse primordial sob dois pontos de vista: A síntese prática de polímeros requer um conhecimento da cinética da reação de polimerização, e; do ponto de vista teórico, as diferenças significativas entre as reações de polimerização residem em grande parte nas suas respectivas características cinéticas (ODIAN, 2004). Comparando com as demais reações químicas, a reação de polimerização se distingue pelo fato de gerar compostos de alto peso molecular e envolver cinética de reação complexa. Como resultado da polimerização, têm-se o aumento da viscosidade do produto e aumento da temperatura do sistema pelas reações exotérmicas envolvidas. O produto de reação consiste em uma mistura de compostos com diferentes tamanhos de cadeia molecular, sendo a distribuição tamanhos dada por uma curva Gaussiana (JAISINGHANI e RAY, 1997). Este trabalho consiste no estudo de uma homopolimerização radicalar por adição, tendo como reagente o monômero de estireno, iniciador o 2,2’- azoisobutironitrila dissolvido em benzeno puro (ALMEIDA, 2004). Do ponto de vista de um único radical, a seqüência de eventos pela qual o monômero de estireno se converte em um polímero de alta massa molar pode ser dividida em quatro etapas distintas: formação dos radicais de iniciação, iniciação das cadeias, propagação e terminação das cadeias (ALMEIDA, 2004). 5 Conforme esclarecido por Almeida (2004), o mecanismo de polimerização pode ser interpretado da seguinte forma: as moléculas do iniciador se decompõem e formam dois radicais livres. A segunda parte da iniciação consiste na adição de um o radical na primeira molécula de monômero, transformando-se em outro radical livre, cuja base é o monômero de estireno. Tal radical reage com outra molécula de monômero e forma um dímero radicalar conforme reação de Diels-Alder. A reação continua e vão surgindo longas cadeias poliméricas. Estas cadeias continuam a aumentar até ocorrer uma das seguintes situações: há a ocorrência de desproporcionamento, quando a temperatura de reação é inferior a 80ºC ou as cadeias poliméricas se unem por combinação, para temperaturas superiores a 80ºC. Conforme apontado por Alvarez e Odloak (2012), a reação de polimerização do estireno possui uma natureza exotérmica e como consequência, seus efeitos não podem passar despercebidos pela estratégia de controle. O reator deve ser constituído de uma jaqueta de refrigeração, pela qual o escoamento de um fluido refrigerante, no caso a água, promoverá a troca de calor desse fluido com o reator, permitindo a manutenção da temperatura em seu interior apesar do efeito exotérmico da reação de polimerização. Para o presente trabalho, foi usado o modelo fenomenológico desenvolvido por Hidalgo e Brosilow (1990) e Maner et al. (1996) para um reator contínuo de mistura perfeita de polimerização de estireno. Foi estudado, e a partir das dos balanços de massa dos componentes presentes na reação e do balanço de energia envolvendo o reator e a camisa de refrigeração, foram obtidas as equações diferenciais para quatro variáveis (ou estados), como se vê a seguir: Q equação do balanço de energia para a jaqueta, embora apresentada, não foi adotada no modelo final da simulação, pois a estrutura de controle não foi implementada. Também foram definidas as seguintes reações: Também é possível, determinar o peso molecular médio, conforme apresentado por Maner et al. (1996) através de duas equações de momento da reação de polimerização: As variáveis ideais para a determinação das especificações do poliestireno são a Temperatura na saída do reator (T) e o peso molecular na saída do reator (Mw). Entretanto, devido à dificuldade de se medir o peso molecular, optou-se por utilizar medidas simuladas da viscosidade intrínseca (GAZI et al., 1996). Considerou-se que a vazão do solvente é determinada pela relação das vazões de monômero e iniciador. Embora a equação da vazão do solvente esteja apresentada, nesse trabalho ela não será adotada na modelagem da otimização. Segue apresentada apenas para uma melhor explicação do processo, conforme artigo original. A tabela 1 mostra a descrição de todos os parâmetros do Modelo de Polimerização. Mais abaixo, no tópico seguinte, serão listados os valores desses parâmetros. (3.1) (3.2) (3.3) (3.4) (3.5) (3.6) (3.7) (3.8) (3.9) (3.10) (3.11) (3.12) (3.13) (3.14) 6 Tabela 1– Parâmetros do Modelo de Polimerização A tabela 2 mostra os valores dos parâmetros em regime estacionário conforme Oadloak (2012). Tabela 2 – Valores dos Parâmetros do Modelo de Polimerização 3.2 Modelagem para Otimização O desenvolvimento foi feito em MATLAB e segue em anexo para verificações diversas. Será buscada a estimação simultânea da vazão do solvente (Qs) e da temperatura de reação (T) que serão adotadas constantes durante o processo, a fim de alcançar satisfatoriamente a função objetivo da produtividade do reator, dada por: Como as estratégias de otimização adotadas farão a minimização da função e para evitar a ocorrência de valores negativos, a função implementada no programa é o inverso da produtividade, como segue: As restrições adotadas, conforme o artigo original seguem que a temperatura de reação (T) não pode ser superior a 423 K e que o índice de polidispersão (PD) deve girar entre 1,49 e 1,51, tendo o valor central como target. T < 423ºC PD < 1,51 PD > 1,49 O modelo ainda permite a estimativa do peso molecular do polímero (MW) e, consequentemente da viscosidade (), conforme modelos apresentados anteriormente. Como não é escopo desse trabalho, a determinação desses parâmetros não terá atenção dada. É importante observar alguns pontos sobre as restrições. A fim de evitar o efeito gel, seria importante estabelecer uma restrição à fração volumétrica que deveria ser mantida superior a 0,6, conforme literatura (Hidalgo e Brosilow, 1990). No entanto, o presente trabalho optou por negligenciar esse ponto porque os próprios dados originais de referência não respeitam essa relação. Outros aspectos que não estão sendo considerados são restrições a limites de vazão ou imitações de temperatura por questão deespecificações Parâm Valor Unidade A d 2,14E+17 h-1 E d 1,49E+04 K A p 3,82E+10 L.mol-1.h-1 E p 3,56E+03 K A t 4,50E+12 L.mol-1.h-1 E t 8,43E+02 K f i 6,00E-01 - (-D H r ) 1,67E+04 cal.mol-1 hA 2,52E+05 cal.K-1.h-1 r C p 3,60E+02 cal.K-1.L-1 r C pc 9,66E+02 cal.K-1.L-1 M m 1,04E+02 g.mol-1 Q t 1,08E+02 L.h-1 Q i 4,59E+02 L.h-1 Q s 3,78E+02 L.h-1 Q m 4,72E+02 L.h-1 Q c 3,00E+03 L V 2,14E+17 h-1 V c 3,31E+03 L [I f ] 5,89E-01 mol.L-1 [M f ] 8,70E+00 mol.L-1 T f 3,30E+02 K T cf 2,95E+02 K [I] 6.68E+02 mol.L-1 [M] 3,32E+00 mol.L-1 T 3,24E+02 K T c 3,05E+02 K D 0 2.75E+00 mol.L-1 D 1 1,61E+01 g.L-1 (3.15) (3.16) (3.17) (3.18) (3.19) (3.20) 7 técnicas, por aspectos de segurança operacional ou por resistência dos materiais constitutivos. O artigo original não traz essas informações e por essa razão, esse trabalho considera que não são relevantes. 4. RESULTADOS E DISCUSSÃO 4.1 Validação do modelo fenomenológico O trabalho tomou como base o estudo realizado por Alvarez e Odloak (2013), onde as equações de balanço de massa e de energia estão devidamente indicadas conforme modelos apresentados no capítulo 1 desse trabalho e que não serão reproduzidos aqui nesse capítulo. Alguns pontos são importantes de serem destacados. Por exemplo, a verificação das unidades dos dados apresentadas foi feita com cuidado para evitar falhas. Outro ponto é que buscou-se os artigos originais (HIDALGO AND BROSILOW 1990 e MANER et al. 1996) que Alvarez e Odloak (2013) se basearam para confirmar se os dados e os modelos não continham erros que pudessem prejudicar o desenvolvimento deste trabalho. Ao analisar a modelagem e os dados apresentados no capítulo 1, percebe-se que não há dado de referência para o D2 (observar equação 1.15 e tabela 2). Essa dificuldade foi superada utilizando-se a equação 1.19 e tomando o índice de PD como 1,5, conforme indicam Alvarez e Odloak (2013). Nesse presente trabalho, optou-se em trabalhar com o reator em regime estacionário e em não implementar o sistema de controle proposto no artigo. Dessa forma, as equações 1.8 e 1.9 não foram implementadas no modelo que se desenvolveu. E a temperatura de reação adotada na equação 1.11 foi tomada como constante no estado estacionário. Após implementação do modelo e dos dados no Matlab®, o programa foi testado para validação e os valores alcançados foram próximos do artigo original, podendo ser utilizado no trabalho. Tabela 3 – Quadro comparativo das variáveis de saída para validação da modelagem 4.2 Testes de Sensibilidade Com o objetivo de se buscar os melhores parâmetros a serem trabalhados, foi feito um teste de sensibilidade do modelo em Matlab®. Esse teste variou os 6 parâmetros (Qi, Qm, Qs, [I], [M] e T) de menos 20% a mais 20% do valor de referência e observou o comportamento de 3 variáveis de saída: viscosidade, produtividade e índice de polidispersão. E os resultados são os apresentados abaixo: Figura 2 – Gráfico de viscosidade (h), produtividade (PR) e índice de polidispersão (PD) versus vazão de monômero (Qm) variando de - 20% a +20% do valor de referência. Figura 3 – Gráfico de viscosidade (h), produtividade (PR) e índice de polidispersão (PD) versus vazão de iniciador (Qi) variando de -20% a +20% do valor de referência. Figura 4 – Gráfico de viscosidade (h), produtividade (PR) e índice de polidispersão (PD) versus vazão de solvente (Qs) variando de -20% a +20% do valor de referência. Coluna1 Faixa artigo original Trabalho Viscosidade (1/g) 3,5 - 4,15 3,8955 Produtividade (kg/h) 12 - 20 15,2304 Polidispersão 1,49 - 1,51 1,5089 8 Figura 5 – Gráfico de viscosidade (h), produtividade (PR) e índice de polidispersão (PD) versus concentração do iniciador (If) variando de -20% a +20% do valor de referência. Figura 6 – Gráfico de viscosidade (h), produtividade (PR) e índice de polidispersão (PD) versus concentração do monômero (Mf) variando de -20% a +20% do valor de referência. Figura 7 – Gráfico de viscosidade (h), produtividade (PR) e índice de polidispersão (PD) versus Temperatura de reação (T) variando de - 20% a +20% do valor de referência. Alguns pontos precisam ser observados a fim de prosseguir com o trabalho. Em todos os casos, a variação do índice de polidispersão variou muito pouco em valores absolutos. Com exceção das correlações com temperatura, todos os demais gráficos apresentam comportamento linear quase retilíneo. A sensibilidade da produtividade com a temperatura é bem significativa e isso justifica o uso dessa variável no trabalho de otimização. Analisando a viscosidade e a produtividade, nota-se que em ordem de grandeza o comportamento de todos é na mesma proporção com a variação das variáveis de entrada. Em relação às demais variáveis de vazão e concentração, podemos imaginar que no processo real, seja mais comum o ajuste de vazões que de concentrações, por essa razão, optou-se por adotar a vazão de solvente como a segunda variável manipulada do problema, já que entre as vazões, a de solvente tem uma sensibilidade ligeiramente maior, embora bem pouco. 4.3 Resultados PSO Foi feita simulação atendendo às restrições descritas nas equações 3.17; 3.19 e 3.20. Figura 8 – Gráfico de produtividade (kg/h) versus temperatura (K) e vazão de solvente (L/h). Os resultados da Simulação 1 para PSO mostrados na figura 8 indicam que a produtividade ficou quase 20 vezes maior que os resultados alcançados no artigo original (tabela 3). A temperatura saturou no valor da restrição, o índice de polidispersão girou em torno do target e a vazão de solvente foi inferior ao valor do artigo original. Importante lebrar nesse momento que o trabalho negligenciou o efeito Restrição PD de 1,49 a 1,51 e T<423K FObj = 0,003323 Produtividade = 300,91 kg/h T = 423K Qs = 229,5 L/h PD = 1.502 Número de Partículas = 50/var. Tolerância: 10^-6 9 gel e portanto não considerou a relação volumétrica do solvente como restrição. O número de partículas utilizados foi de 50 por variável e a tolerância foi da ordem de 10^-6. Figura 9 – Gráfico do comportamento do índice de polidispersão girando em torno dos valores máximo e mínimo das restrições. Figura 10 – Gráfico do comportamento da temperatura atendendo o limite máximo da restrição. Os resultados alcançados com a simulação 2 foram muito parecidos com os da simulação 1, dispensando mais detalhes. A única diferença foi a imposição de uma restrição para a temperatura da ordem de 373K, ou seja, mais restritivo que o valor de referência. Como a temperatura é menor, consequentemente a produtividade também foi menor, porém, ainda bem superior ao valor doa artigo original. Figura 11 – Gráfico de produtividade (kg/h) versus temperatura (K) e vazão de solvente (L/h). Figura 12 – Gráfico do comportamento do índice de polidispersão girando em torno dos valores máximo e mínimo das restrições. Figura 13 – Gráfico do comportamento da temperatura atendendo o limite máximo da restrição. As figuras 12 e 13 indicam que as restrições foram devidamente atendidas. Restrição PD de 1,49 a 1,51 e T<423K FObj = 0,004105 Produtividade = 243,58 kg/h T = 373K Qs = 229,5 L/h PD = 1.507 Número de Partículas = 50/var. Tolerância: 10^-6 10 4.4 Resultados Ponto Interior Também foi feita simulação com o algoritmo do Ponto Interior mantendo o atendimento às restrições descritas nas equações 3.17; 3.19 e 3.20. Figura 14 – Gráfico de produtividade (kg/h) versus temperatura (K) e vazão de solvente (L/h). Os resultados da Simulação 1 para Ponto Interior mostrados na figura 14 indicam que a produtividade ficou quase 15 vezes maior que os resultadosalcançados no artigo original. O algoritmo não conseguiu realizar a otimização para a temperatura de 423K e isso requer mais tempo para se entender o motivo. Dessa forma, fez-se a simulação com o maior valor possível de temperatura, no caso 392K. A temperatura saturou no valor da restrição, o índice de polidispersão girou em torno do target e a vazão de solvente foi inferior ao valor do artigo original. A tolerância foi da ordem de 10^-6. Figura 15 – Gráfico do comportamento do índice de polidispersão girando em torno dos valores máximo e mínimo das restrições. Figura 16 – Gráfico do comportamento da temperatura atendendo o limite máximo da restrição. As figuras 15 e 16 mostram que as restrições de polidispersão e temperatura foram satisfeitas pelo modelo adotado. Os resultados alcançados com a simulação 2 foram bem semelhantes ao da primeira simulação e não necessita de mais detalhes. Assi como no PSO, uma temperatura mais baixa também foi adotada como mais restrita para o modelo. Ainda assim os resultados foram muito semelhantes, mostrando consistência. A temperatura adotada foi da ordem de 373K. Como a temperatura é menor, consequentemente a produtividade também foi um pouco menor, porém, ainda bem superior ao valor doa artigo original. Figura 17 – Gráfico de produtividade (kg/h) versus temperatura (K) e vazão de solvente (L/h). Restrição PD de 1,49 a 1,51 e T<392K FObj = 0,0036569 Produtividade = 273,45 T = 391,96 Qs = 229,88 PD = 1.500191 Tolerância: 10^-6 Restrição PD de 1,49 a 1,51 e T<373K FObj = 0,00410628 Produtividade = 243,53 T = 373,70 Qs = 229,72 PD = 1.500530 Tolerância: 10^-6 11 Figura 18 – Gráfico do comportamento do índice de polidispersão girando em torno dos valores máximo e mínimo das restrições. Figura 19 – Gráfico do comportamento da temperatura atendendo o limite máximo da restrição. As figuras 18 e 19 mostram que as restrições foram devidamente satisfeitas. 5. CONCLUSÕES Este trabalho apresentou duas estratégias de otimização com base em PSO (Particle Swarm Optimization) e Otimização por Ponto Interior. Através dessas estratégias e de modelos do processo dos balanços de massa e de energia no reator, obteve-se a estimação simultânea da Vazão do Solvente (Qs) e da Temperatura de Reação (T), maximizando a função objetivo da Produtividade (PR). O modelo fenomenológico implementado apresentou consistência quando comparado seus resultados aos resultados encontrados no artigo original. O uso da análise de sensibilidade validou as variáveis manipuladas adotadas em razão de questões operacionais e de influência na função objetivo de fato. O método de Otimização do Ponto Interior apresentou dificuldade com restrições de maior magnitude para a temperatura de reação e precisaria de mais tempo para verificação das causas e possíveis ajustes. De modo geral, todos os métodos adotadas apresentaram resultados gerais consistentes, maximizando a função objetio e atendendo às restrições do processo. Fica como oportunidades futuras a possibilidade de se estudar a característica dos periféricos, bem como dos itens constitutivos da instalação para certificar se outras restrições não deveriam ser adotadas, deixando o modelo mais realista. 6. REFERÊNCIAS ALMEIDA, A. Balanço de energia em tempo real para o monitoramento e controle de reatores de polimerização não-contínuos. 1997. VI, 192 f. Tese (Doutorado em Engenharia Química) – COPPE/UFRJ. Universidade Federal do Rio de Janeiro, Rio de Janeiro. ALMEIDA, A. Simulação de Reatores de Polimerização de Estireno: Modelagem Cinética e Termodinâmica. Dissertação de Mestrado, Universidade Federal do Rio Grande do Sul, pg. 27- 40. 2004. ALVAREZ, L. A, ODLOAK, D. Optimization and control of a continuous polymerization reactor. Braz. J. Chem. Eng.,v.29,n.4,p.807-820,2012. ALVAREZ, L. A, ODLOAK, D. Robust Operation of a continuous polymerization reactor. Universidade de São Paulo. 2013. ARFKEN, G.; WEBER, H. Física-Matemática: Métodos Matemáticos para Engenharia e Física. Campus. São Paulo. 2007. ARGIRMIRO SECCHI; Apostila Otimização de Processos. Programa de Engenharia Química / UFRJ. 2015. BEVERIDGE, G. S.; SCHEHTER, R. S.; Optimization Theory and Practice. McGraw-Hill, 1970. DELDUGA, I. Controle de temperatura em reatores de polimerização baseado em modelos simplificados do balanço de energia com estimação de parâmetros em tempo real. Dissertação (mestrado) – Universidade Federal Rural do Rio de Janeiro, Curso de Pós-Graduação em Engenharia Química. 2013. f. 139-145. HIDALGO, P., BROSILOW C. Nonlinear model predictive control of styrene polymerization at unstable operating points. Comp. Chem. Eng. 14, pp. 481-494. 1990. 12 HIMMELBLAU, D. M.; EDGAR, T. F.; Optimization of Chemical Process. McGraw-Hill, 1989. HIMMELBLAU, D. M.; Process Analysis by Statistical Methods. Jonh Wiley & Sons, 1970. http://www.plastemart.com/Plastic-Technical- Article.asp?LiteratureID=1916&Paper= polystyrene- expandable-polystyrene-eps-market-to-grow-healthy- rate-5.6-percent-from-2010-2020. Acessado em 26.09.2016 JAISINGHANI, R., RAY, W. On the dynamic behavior of a class of homogeneous continous stirred tank polimerization reactor. Chem. Eng. Sci. 32, pg. 811-825. 1997. KENNEDY, J. & EBERHART, R. C., Particle swarm optimization. In Proceedings of the 1995 IEEE International Conference on Neural Networks, volume 4, pp. 1942–1948, Perth, Australia, IEEE Service Center, Piscataway, NJ. KENNEDY, J.; EBERHART, R. C., SHI, Y. Swarm Intelligence: A volume in The Morgan Kaufmann Series in Artificial Intelligence. Elsevier Inc. 2001. MARTINS, A. S. O METODO DE PONTOS INTERIORES NO PLANEJAMENTO DA RADIOTERAPIA. 2011. Dissertação (Mestrado em Biometria) – Universidade Estadual Paulista, Botucatu. MELEIRO, L. A. C. Projeto e aplicação de controladores baseados em modelos lineares, neurais e nebulosos. 2002. Tese (Doutorado em Engenharia Química) – DEQ/UNICAMP. Universidade Estadual de Campinas, Campinas. MOORE, E. R., ed., Styrene Polymers, The Dow Chemical Company, Encyclopedia of Polymer and Engineering, v. 16, p. 1-246, 2ª ed. by John Wiley & Sons, Inc.,1989. NUNES, G. C.; MEDEIROS, J. L.; ARAÚJO, O. Q. F., Modelagem e Controle na Produção de Petróleo. Aplicações em Matlab. São Paulo: Blucher. 1ª edição. 2010. ODIAN, G. Principles of Polymerization. Nova Jersey: John Wiley, 4ª edição, 2004. SERFATY, M., MONTENEGRO, R. Aspectos Gerais do Poliestireno. BNDES Setorial, Rio de Janeiro, n. 16, pg. 123-136. 2002.
Compartilhar