[pt] CONTROLE PREDITIVO BASEADO EM MODELO NÃO LINEAR APLICADO A UMA COLUNA DESPROPANIZADORA

• Ano de defesa: 2020
• Autor(a) principal: ANA CAROLINA GUIMARAES COSTA
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] REDE NEURAL ARTIFICIAL; [pt] MODELO DE HAMMERSTEIN; [pt] CONTROLE PREDITIVO BASEADO EM MODELO NAO LINEAR; [pt] DESPROPANIZADORA; [pt] COLUNA DE DESTILACAO; [en] ARTIFICIAL NEURAL NETWORKS; [en] HAMMERSTEIN MODEL; [en] NONLINEAR MODEL PREDICTIVE CONTROL; [en] DEPROPANIZER; [en] DISTILLATION COLUMN
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=49673&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=49673&idi=2; http://doi.org/10.17771/PUCRio.acad.49673

[pt] Este trabalho tem como objetivo estudar estratégias de Controle Preditivo baseado em Modelo Não-Linear (NMPC) aplicadas a uma coluna de destilação despropanizadora simulada. Essas colunas são empregadas em unidades de processamento de gás natural (UPGNs) para a separação do produto propano do butano. Colunas de destilação possuem características particularmente desafiadoras sob o ponto de vista de controle, como: não-linearidades, grandes constantes de tempo, atraso, restrições de variáveis e inversão do sinal de ganho estático. Como as medidas de composição frequentemente possuem atrasos e dados esparsos, os sistemas de controle convencionais não são capazes de controlar a composição diretamente e possuem dificuldade em manter os produtos dentro das especificações. Contudo, controladores baseados em modelo possuem a habilidade de prever a composição através do modelo interno do processo, além de serem capazes de lidar com restrições. Na literatura, nenhuma aplicação do modelo de Hammerstein modificado para coluna de destilação ou para sistemas multivariáveis foi encontrada, sendo esta uma novidade. Desta forma, foram estudadas três estratégias de controle: controle PID tradicional, NMPC com modelo de Hammerstein modificado (H-NMPC) e NMPC com modelo por Redes Neurais (NN-NMPC). O sistema estudado foi identificado de forma a se obter valores numéricos adequados aos parâmetros dos modelos. A identificação dos parâmetros dos modelos e os algoritmos de NMPC foram implementados no ambiente MATLAB. A coluna de destilação foi simulada usando o Aspen Plus Dynamics. Como resultado, o H-NMPC teve o melhor desempenho de controle ao rastrear diferentes trajetórias de referência, a desacoplar as variáveis controladas e a rejeitar os distúrbios. Além disso, esta apresentou maior rapidez computacional comparado com a estratégia NNNMPC.