Otimização em trocadores de calor usando inteligência artificial: uma abordagem híbrida de redes neurais para a previsão do acúmulo de depósitos e a eficiência do equipamento

Authors

  • Adroaldo Santos Soares
  • Ana Laise do Nascimento dos Santos
  • Oberdan Rocha Pinheiro
  • Marcelo Albano Moret Simões Gonçalves
  • Fernando Luiz Pellegrini Pessoa

DOI:

https://doi.org/10.55905/oelv21n11-027

Keywords:

inteligência artificial, trocador de calor, processo de deposição, petróleo

Abstract

Este artigo apresenta uma abordagem baseada em técnicas de inteligência artificial para prever a deposição crítica em trocadores de calor utilizados no pré-processamento de petróleo. A deposição na superfície de troca térmica durante a operação pode reduzir a eficiência do equipamento e causar problemas de manutenção. O método proposto utiliza uma rede neural recorrente em um modelo de Multi Layer Perceptron (MLP). Os dados foram coletados de trocadores de uma bateria de pré-aquecimento de petróleo com dados de 2014 a 2021. A rede neural foi treinada com os dados para prever a ocorrência de deposição. Os resultados mostraram que a rede neural é capaz de prever com precisão a ocorrência da deposição em trocadores de calor. A previsão antecipada da deposição pode ajudar a minimizar os custos de manutenção e aumentar a eficiência energética, tornando as operações mais seguras e eficientes. Assim, a abordagem proposta pode trazer benefícios significativos para a indústria do petróleo ao permitir a previsão antecipada da deposição crítica em trocadores de calor.

References

Araújo, Álvaro Souza de; Rocha, Oberdan Pinheiro; Santos, Alex Álisson Bandeira; Modelo computacional para análise de condições e monitoramento de motores elétricos, p. 303-310 .In: VII International Symposium on Innovation and Technology. São Paulo: Blucher, 2021.

Bott, T. R Fouling of Heat Exchangers. In Chemical Engineering monographs. Elsevier. 1995.

Deshannavar, U. B., & Marappagounder, R. Revisiting Threshold Fouling Models for Crude Oil Fouling. Heat Transfer Engineering, 0(0), 1–17. (2020).

Dobbelaere, M. R. et al. Machine Learning in Chemical Engineering: Strengths, Weaknesses, Opportunities, and Threats. Engineering, [s. l.], v. 7, n. 9, p. 1201–1211, 2021.

Júnior, A. R. M.; Análise comparativa de desempenho de modelos semi-empíricos na predição de deposição em baterias de trocadores de calor de refinarias de petróleo; Programa de Pós Graduação, Centro Universitário SENAI CIMATEC , Salvador, 2020.

Santamaria, F. L.; Macchietto, S.; Integration of Optimal Cleaning Scheduling and Flow Split Control for Crude Oil Fouling Mitigation in the Operation of Refinery Heat Exchanger Networks; Computer Aided Chemical Engineering, 2018.

Santana, L. O. S. de; Calixto, Ewerton E. da S.; Pessoa, F. L. P.; Análise de incertezas aplicada ao cálculo da temperatura de bolha de misturas, p. 113-120 . In: VII International Symposium on Innovation and Technology. São Paulo: Blucher, 2021.

Smith, A. D., & Joshi, H. M. (2015). A Critical Look at the Use of Activation Energy in Crude Oil Fouling Models. International Conference on Heat Exchanger Fouling and Cleaning, 2015, 13–21.

Published

2023-11-06

How to Cite

Soares, A. S., dos Santos, A. L. do N., Pinheiro, O. R., Gonçalves, M. A. M. S., & Pessoa, F. L. P. (2023). Otimização em trocadores de calor usando inteligência artificial: uma abordagem híbrida de redes neurais para a previsão do acúmulo de depósitos e a eficiência do equipamento. OBSERVATÓRIO DE LA ECONOMÍA LATINOAMERICANA, 21(11), 19085–19094. https://doi.org/10.55905/oelv21n11-027

Issue

Section

Articles