from aiquruguay.org

Análise de estratégias e metodologias para RTO num processo
petroquímico
Carlos A.M. Riascos1,2*, Jose E. Graciano1, Diego F. Mendoza1, Lina M. Palacio1,
Elyser Estrada1, Ardson S. Vianna1, Darci Odloak1, Galo A.C. LeRoux1
1
Laboratório de Simulação y Controle de Processos, Departamento de Engenharia Química,
Universidade de São Paulo
2
Grupo de Ingeniería de Sistemas de Proceso, Departamento de Ingeniería Química y Ambiental,
Universidad Nacional de Colombia
Resumo
A otimização em linha, conhecida como otimização em tempo real (RTO: Real Time
Optimization) permite fazer correções, com menor atraso possível, nas condições de
operação de um processo, buscando manter o desempenho ótimo. A RTO ganha
importância quando há mudanças frequentes nas condições de mercado e das
matérias primas, entre outras, e requer um ciclo constante de análise e correção do
estado do processo que inclui múltiplas etapas: i) identificação do estado
estacionário, ii) identificação e correção dos erros grosseiros, iii) reconciliação dos
dados, iv) ajuste dos parâmetros do modelo, v) estimação das condições
operacionais ótimas e, vi) implementação das condições.
A Petrobras tem investido na avaliação de tecnologia para RTO através de
implantações piloto em unidades industriais, utilizando soluções comerciais. Tais
soluções sofrem de incertezas quanto à qualidade dos modelos, que predizem o
comportamento do processo, e de falta de transparência na tecnologia. Uma
alternativa para fazer frente a essa situação é implementar uma abordagem híbrida,
incorporando modelos de processos desenvolvidos internamente aos ambientes
comerciais de modelagem.
Atualmente está se desenvolvendo uma metodologia que abranja todas as etapas
essenciais do projeto de RTO de um processo de refino. Este documento apresenta
uma análise das estratégias e das metodologias disponíveis para cada etapa de
RTO, identificando as que permitirão desenvolver uma tecnologia própria,
transparente, robusta, ajustável; o que trará ganhos incrementais em relação ao
estado-da-arte e as aplicações no contexto. Como caso de estudo considera-se a
coluna depropenizadora da RECAP, a qual possui 157 pratos e recuperação
energética mediante bomba de calor, e gera propeno com de pureza >99%.
Palavras chave: Otimização
depropenizadora, EMSO.
em
tempo
real,
controle
avançado,
coluna
Área Temática: Diseño, Operación y Gestión de plantas.
INTRODUÇÃO
A crescente competitividade no setor de petróleo e derivados, no Brasil e no mundo,
associada a custos operacionais crescentes do Refino e especificações de produto
*
Autor para correspondência, endereço: Avenida Carrera 30 No. 45-03, edifício 453, oficina 300,
Bogotá Colombia; e-mail: [email protected]
progressivamente mais restritas impõem a necessidade de adoção de novas
tecnologias de otimização da operação dos processos de refino. A otimização em
tempo real (RTO) define periodicamente o ponto ótimo de operação e o envia
automaticamente para o controle avançado (on-line). Assim, o processo opera
continuamente no ponto ótimo, com confiabilidade e baixa variabilidade.
Classicamente, a implantação da estratégia de RTO é feita em três camadas
(Rotava & Zanin, 2005). Essa estrutura de implementação de RTO é representada
na Fig. 1. A camada superior corresponde à camada do otimizador baseado em
modelo rigoroso não-linear e tem como resultado valores ótimos (IRVs – ideal resting
values) para as entradas e saídas do processo. Esses valores ótimos são enviados
para a camada intermediária onde um algoritmo de programação linear (PL), ou
programação quadrática (PQ) baseada em modelo linear produz pontos ótimos de
operação viáveis, que são utilizados na camada inferior pelo controlador que
trabalha com um modelo dinâmico linear e um algoritmo de controle multivariável
para a manutenção dos valores de operação das variáveis controladas (saídas) e
manipuladas (entradas) nos valores ótimos. A camada da otimização não-linear é
executada numa frequência relativamente baixa que, depende da complexidade do
processo podendo chegar a horas o intervalo entre uma execução e outra, enquanto
que a otimização linear e o controlador são resolvidos sequencialmente e na mesma
frequência, na ordem de minutos.
Figura 1 – Estrutura clássica da RTO em três camadas.
Uma solução alternativa é eliminar a camada intermediária e usar uma estratégia de
duas camadas onde os IRVs são enviados diretamente para o controlador
multivariável da camada inferior. Adicionalmente, se o problema de otimização
rigorosa não-linear for resolvido simultaneamente com o problema de controle
preditivo multivariável, tem-se a estratégia de uma camada (Gouvêa & Odloak,
1998). Nessa estratégia, tanto a formulação do controle dinâmico linear, como as
equações de lucratividade e o modelo do sistema no estado estacionário estão
incluídas na função objetivo, neste caso a camada otimizador/controlador será
resolvida através de um algoritmo de programação não-linear juntamente com as
restrições estáticas e dinâmicas. A frequência de execução do algoritmo deve ser
alta para que seja possível rejeitar adequadamente as perturbações dinâmicas do
processo. Essa estratégia foi testada na Petrobras com a aplicação do otimizador
não-linear integrado ao controle para a otimização de GLP em uma unidade FCC
(Zanin, 2001). A experiência mostrou que o enfoque é viável, mas ainda precisa de
alguns desenvolvimentos para garantir que a estratégia seja operacionalmente
segura. No trabalho de Souza et al. (2010), uma versão simplificada do RTO em
uma camada foi proposta. O método é baseado na inclusão dinâmica do gradiente
reduzido da função objetivo econômico como um termo adicional da função objetivo
do controlador.
Além das camas de otimização e controle, a RTO requer etapas de análise dos
dados medidos, essas análises podem ser desenvolvidas de forma sequencial,
como apresentado na Figura 2, o simultaneamente e do seu desempenho depende,
em grande medida, o da otimização (Camolesi et al. 2008).
ANALISE DOS DADOS
- Identificação do Estado Estacionario
- Detecção de erros grosseiros
- Reconciliação de dados
- Estimação de parâmetros
LEITURA das VARIÁVEIS da
BASE de DADOS
DETECÇÃO do ESTADO
ESTACIONÁRIO
EE
CONTROLADOR/
OTIMIZADOR
TRATAMENTO de ERROS
entradas medidas
perturbações não medidas
PROCESSO
saidas medidas
saidas não medidas
AJUSTE de PARÂMETROS
por OTIMIZAÇÃO
Figura 2 – Estrutura da RTO incluindo a análise dos dados, à direita o detalhe dessa análise.
A Petrobras tem investido na avaliação da tecnologia de otimização em tempo real RTO - através de implantações piloto em unidades industriais, utilizando soluções
comerciais que seguem o enfoque convencional em três camadas e os resultados
obtidos sugerem que este tipo de aplicação pode gerar resultados econômicos
significativos. Uma observação importante é que, essas implementações são do tipo
“caixa cinza”, ou seja, não se tem acesso completo à tecnologia e portanto existe
dificuldade em estender as aplicações para outros processos e sistemas não
convencionais. Portanto, fica claro que o domínio dessa tecnologia passa a ser um
imperativo para a efetiva otimização econômica da operação dos processos de
refino na Petrobras.
Este trabalho apresenta a primeira fase, a análise e seleção das estratégias e
metodologias, dentro do projeto “Desenvolvimento de Solução em Tempo Real
Utilizando Abordagem Orientada a Equações com Implantação em Unidade
Industrial” que visa ao desenvolvimento, como projeto de pesquisa, de tecnologia
básica de otimização em tempo real (RTO – Real Time Optimization), tendo como
principais objetivos: a capacitação de recurso humano, a identificação de limitações
e desafios da tecnologia no estado-da-arte atual, o desenvolvimento de uma
metodologia para quantificar benefícios, a identificação de oportunidades de
desenvolvimentos futuros, e a implementação e avaliação de um protótipo em
sistemas industriais de Refino, avaliando os benefícios econômicos produzidos.
DESCRIÇÃO DO SISTEMA ESTUDADO (COLUNA DEPROPENIZADORA)
Como caso de estudo considera-se a depropenizadora da RECAP (Refinaria de
Capuava da Petrobras): uma coluna de destilação com 157 pratos e recuperação
energética mediante bomba de calor, na qual se obtém propeno com pureza >99%
como destilado, e uma mistura rica em propano (∼90%) pelo fundo.
O fluxograma da Figura 3 apresenta as principais características do processo e das
correntes. A coluna de destilação DC é alimentada com uma mistura de dez
componentes, que é despressurizada de 25 atm., pressão de operação da coluna
deetanizadora que precede o sistema analisado, a 10 atm. O produto da cima
mistura-se com vapor do tanque de distribuição DT e posteriormente é comprimido,
no CP, para incrementar sua temperatura de condensação. Uma fração do vapor
comprimido é enviada ao trocador de calor HX1, onde se emprega água como fluido
de transferência, enquanto o restante condensa no refervedor RB, uma parte do
condensado é subresfriado no trocador HX2, as três correntes são despressurizadas
nas válvulas V2, V3 e V4 e se misturam, a corrente obtida se leva ao tanque onde
uma fração líquida é retornada a coluna como refluxo e a outra é o produto.
Figura 3 – Esquema simplificado da coluna depropenizadora da RECAP.
ESTRATÉGIAS PARA ANÁLISE DE DADOS
A análise de dados se torna imprescindível devido a que qualquer ferramenta de
RTO é alimentada com medições de variáveis de entrada e saída do processo, e
essas medições podem conter erros de diferente tipo, os quais, se não forem
identificados e corrigidos, gerarão desajustes do modelo que a cada iteração da
otimização se propagarão, afastando o valor ótimo calculado do ótimo real da planta.
Adicionalmente, para o presente projeto, que considera a RTO em estado
estacionário, é necessário garantir, com a maior certeza possível, que os dados
representam o comportamento do sistema nesse estado.
Quanto à identificação de estado estacionário, Cao e Rhinehart (1995) apresentam
um método eficiente para identificação on-line, baseado na filtragem das medições e
comparação da variância estimada entre valores de medições sucessivas e entre o
valor medido e filtrado. Jiang et al. (2003) usam uma análise de wavelet multi-escala
para a detecção de estado estacionário em processos contínuos, onde as medições
nas variáveis são representadas como uma superposição de ondas (serie de
wavelet) as de menor frequência representam mudanças reais do processo
enquanto as de maior, contêm o ruído na medição. Savitzky e Golay (1964),
empregam uma abordagem semelhante com polinômios de grau baixo. No presente
projeto, os métodos foram validados e comparados com um teste empregado por
simuladores comerciais (ASPEN), encontrado respostas significativamente melhores
e tempos computacionais baixos para os wavelet, que apresenta melhores respostas
para dados com erros sistemáticos maiores já que inclui uma filtragem dos pontos
fora de tendência deixando-os sem influencia no critério de identificação de estado.
Quanto aos erros, os sistemáticos ou grosseiros (outliers, bias) apresentam-se em
situações nas quais as medições obtêm valores sistematicamente altos ou baixos,
fora do comportamento regular. Técnicas de estatística multivariada como análise de
componentes principais, análise de clusters ou redes neurais são usadas na
identificação desses erros. Para os erros aleatórios, a reconciliação de dados faz o
ajuste dos mesmos aos balanços de massa e energia, para essa análise deve se
minimizar a diferença entre os valores medidos e os calculados com os balanços,
empregando funções de máxima verossimilhança; tradicionalmente, a função de
mínimos quadrados, que faz fortes hipóteses: a inexistência de erros grosseiros e
função de probabilidade dos erros conhecida. Para o tratamento simultâneo dos
erros pode ser empregada estatística robusta, Özyurt e Pike (2004) apresentam
funções de verossimilhança robustas para a abordagem simultânea, entre as quais
estão os estimadores redescendentes que reduzem significativamente o efeito de
pontos fora de tendência.
Finalmente, depois de verificar o estado estacionário e corrigir os erros nos dados,
deve se desenvolver a estimação de parâmetros, que permite ajustar o modelo
paramétrico aos dados experimentais. Assim como na reconciliação, na estimação
minimiza-se uma função de verossimilhança, para ajustar as respostas do modelo
com os dados experimentais reconciliados.
Tradicionalmente as análises são desenvolvidas sequencialmente, gerando uma
evolução nos dados como a apresentada na Figura 4.
Dados Originais
Estado estacionário
Erros grosseiros eliminados
Dados reconciliados
Figura 4 – Esquema da evolução dos dados medidos, nas etapas de análise.
Um segundo enfoque é a solução simultânea da eliminação de erros grosseiros,
reconciliação e estimação, resolvendo um problema de otimização que ajusta tanto
os dados medidos quanto os parâmetros do modelo, usando funções de
verossimilhança robustas como os estimadores redescendentes. MacDonald e
Howat (1988) compraram enfoques sequenciais e simultâneos, observando
resultados equivalentes.
No presente projeto, considerando que na analise de dados é necessário fazer duas
otimizações, que poderiam se desenvolver conjuntamente evitando a propagação de
erros em estratégias desacopladas, escolheu-se uma função de verossimilhança
com estatística robusta para diminuir a influencia dos erros grosseiros, reconciliar os
dados com as restrições do modelo e, assim, obter estimativas sem tendências e
com uma fiel representação da operação, as quais serão as entradas para o estagio
subsequente de otimização.
ESTRATÉGIA E PLATAFORMA PARA SIMULAÇÃO E OTIMIZAÇÃO DO
PROCESSO
Para o desenvolvimento de uma simulação é fundamental selecionar as ferramentas
em concordância com o objetivo da simulação. As ferramentas empregadas em RTO
devem permitir a solução e otimização rápida e robusta de modelos complexos que
representam processos completos. A complexidade dos modelos para RTO deve-se
à necessidade de predizer de forma rigorosa uma planta de processamento.
Existem duas abordagens principais para resolver as equações do modelo:
sequencial modular (SM) e orientada a equações (EO). Na abordagem SM as
unidades da planta são resolvidas individual e sequencialmente, empregando
estratégias de corte (tearing) quando existem correntes de recirculação para lograr a
convergência do modelo completo. Já na abordagem EO as equações do sistema
que modela o processo completo são resolvidas simultaneamente. Considerando a
velocidade de execução e a robustez, a abordagem EO tem mostrado ser mais
eficiente na solução de modelos complexos, adicionalmente permite o cálculo das
derivadas de primeira e segunda ordem (Jacobiano e Hessiano) sem esforço
computacional adicional.
Como plataforma de modelagem escolheu-se o simulador EMSO (Soares e Secchi,
2003), que emprega uma estratégia orientada a equações e desenvolve a
diferenciação automática das equações do modelo, o que facilita a resolução e
otimização de modelos de grande porte. O EMSO® possui modelos dinâmicos para
diversas operações unitárias e permite que o usuário programe novos modelos
empregando uma sintaxe relativamente simples (Soares, 2007).
Apesar de que modelos para todas as operações da planta (coluna de destilação,
refervedores, tanque, compressor, trocadores de calor, misturadores, divisores,
válvulas) estão disponíveis na biblioteca de modelos, para o presente projeto foram
construídos modelos em estado estacionário para reduzir o número de variáveis no
sistema de equações (de 7668 a 5208) o que simplifica o procedimento de
inicialização dos cálculos e aumenta a robustez da solução, para a resolução do
modelo foram necessários 2,6 seg. em um PC core i5.
A coluna de destilação foi modelada usando modelos rigorosos que consideram a
eficiência de Murphree (Taylor e Krishna, 1993) para a fase de vapor, enquanto os
equipamentos de transferência de calor assim como o tanque foram modelados
considerando só os fenômenos termodinâmicos, no compressor considerou-se um
modelo de eficiência isentrópica, as válvulas, misturadores e divisores foram
assumidos como adiabáticos, e a perda de pressão na coluna foi desconsiderada,
essa última consideração é suportada nos dados de processo.
Para predizer o equilíbrio de fases e outras propriedades termodinâmicas empregouse a equação de estado de Peng-Robinson (PR), disponível no complemento
termodinâmico VRTherm® (vrtech, 2008). A exatidão do equilíbrio de fases usando
esse modelo termodinâmico foi analizada com dados experimentais (Dechema,
2000) para os dois principais componentes do sistema, propeno e propano. Na
Figura 5 pode se observar que a predição do PR não ajusta perfeitamente o
comportamento do sistema, isto é atribuído à ausência de parâmetros de interação
binária kij. Considerando à diferença na predição do equilíbrio de fases, a eficiência
de Murphree, que será um parâmetro estimado para ajustar o modelo ao processo
real, deverá compensar as imprecisões na estimação da transferência de massa e
no equilíbrio de fases.
Nas operações de troca térmica, as eficiências são tratadas como parâmetros de
ajuste do modelo, para permitir o ajuste do modelo à operação.
Figura 5 – Equilíbrio de fases para o sistema Propeno-Propano a 300 K. L(exp), V(exp) são os
valores experimentais para as composições das fases, L(PR) e V(PR) são os valores preditos
com a equação de Peng-Robinson.
ESTRATEGIAS DE PROGRAMAÇÃO
Como critérios de seleção das estratégias de programação para implementação do
protótipo de solução de RTO se considera o grau de escalabilidade assim como a
integração e interoperabilidade entre os elementos da ferramenta. Durante o projeto
e implementação escolhem-se técnicas e paradigmas de programação que
satisfaçam essas necessidades: projeto e implementação orientada a objetos;
arquitetura orientada a componentes e frameworks, e programação orientada a
aspectos. A continuação apresentam-se as principais características dessas
estratégias.
A Programação Orientada a Objetos (POO) considera que o software pode ser
desenvolvido na forma de um modelo mental de objetos reais o imaginados. Dessa
forma, o sistema é conformado por uma coleção ou sociedade de objetos que
interagem entre si, gerando como resultado de essa interação a realização das
funções e objetivos do sistema. A utilização da POO favorece o reuso e extensão do
código, facilitando a manutenção, adaptação e o escalamento de sistemas
complexos.
O Desenvolvimento de Software Baseado em Componentes (DSBC) considera que
o software deve ser desenvolvido a partir de componentes pré-fabricados. O DSBC
ou a Programação Orientada a Componentes (POC) aparece como uma extensão
natural da orientada a objetos para os ambientes abertos, permitindo a extensão e
aplicação, dos códigos desenvolvidos, em outros processos ou operações. Dessa
forma, a POC se define como um paradigma de programação centrado no projeto e
implementação de componentes, particularmente nos conceitos de encapsulamento,
polimorfismo, composição tardia e segurança.
O reuso de arquiteturas e componentes do software é realizado com o uso de
Marcos de Trabalho (framework, ou abreviadamente MT). Um MT é o projeto ou
esqueleto de um sistema reusável total ou parcialmente, que é representado por um
conjunto de categorias abstratas e a forma em que seus elementos interagem, o MT
deve ser adaptado a necessidades concretas. As principais vantagens dos MT são a
redução dos custos nos processos de desenvolvimento de aplicações de software
para domínios específicos e a melhoria na qualidade do produto final (Fayad e
Schmidt, 1997).
A Programação Orientada a Aspectos (POA) é baseada na decomposição dos
programas em diferentes aspectos, onde cada aspecto é encarregado de uma
exigência do programa (execução, segurança, concorrência, fiabilidade), e pode ser
desenvolvido separadamente, até em linguagem diferente (Kiczales et al., 1997).
Nessa estratégia, uma ferramenta especial, conhecida como tecedor (weaver),
encarrega-se de juntar ordenadamente todos os aspectos e o núcleo computacional
do programa.
Considerando as características das estratégias de programação consideradas, a
solução de RTO terá uma arquitetura orientada a componentes, permitindo o reuso
dos mesmos –por exemplo um único componente de simulação poderá ser usado no
ajuste de parâmetros e na otimização–; a definição dos componentes e da sua
estrutura interna será orientada a objetos, favorecendo as interações, e a
programação dos componentes será desenvolvida seguindo o paradigma de
programação orientada a aspectos, permitindo especificidade e interação de
componentes programados em diversas linguagens.
CONCLUSÕES E DESAFIOS
O estudo e desenvolvimento de estratégias e metodologias para RTO deverá gerar
ganhos no estado-da-arte e nas aplicações em processos de refino.
A otimização em tempo real da unidade depropanizadora é um problema desafiador
sem uma ferramenta definitiva, apesar dos vários estudos desenvolvidos neste
sentido.
O estudo de caso considerado, a coluna depropanizadora com integração energética
é um sistema complexo devido a: natureza multicomponente da mistura a separar,
dimensão do sistema, integração energética por recompressão do vapor,
variabilidade da carga (alimentação), limitação das medições, restrições
operacionais.
A análise dos dados e o ajuste de parâmetros são etapas chave para o bom
desempenho da RTO, pois garantem que o modelo ajuste o sistema real. A
execução simultânea dessas tarefas reduz a possibilidade de propagação de erros.
Os paradigmas modernos de programação: projeto e implementação orientada a
objetos, arquitetura orientada a componentes e frameworks, e programação
orientada a aspectos, permitem o desenvolvimento de códigos e estruturas mais
eficientes.
Devido ao trabalho com um simulador de código aberto requer-se maior esforço de
programação, porem obtém-se maior flexibilidade no estudo e implementação de
estratégias.
AGRADECIMENTOS
Os autores agradecem o apoio financeiro da FUNDESPA, sob o projeto 15014.
REFERÊNCIAS BIBLIOGRÁFICAS
Camolesi, V.J.; Moro, L.L.F.; Zanin, A.C. (2008). Implantação de um otimizador em
tempo real (RTO) no conversor de uma unidade de craqueamento catalítico. Sba:
Controle & Automação. pp. 128-137.
Cao, S.; Rhinehart, R. R. (1995). An efficient method for on-line identification of
steady state. Journal of Process Control, 5(6), p. 363-374.
Dechema (2000). Vapor-liquid equilibrium data collection.
Fayad; Schmidt, (1997). Object-oriented application frameworks. Communications of
the ACM. 40(10), pp. 32-38.
Gouvêa, M.T.; Odloak, D. (1998). One-layer real time optimization of LPG production
in the FCC unit: procedure, advantages and disadvantages. Computers & Chem.
Eng. 22 S1, pp. S191-S198.
Jiang, T.; Chen, B.; He, X.; Stuart, P. (2003). Application of steady-state detection
method based on wavelet transform. Computers & Chem. Eng., 27(4), p. 569-578.
Kiczales, G.; Lamping, J.; Mendhekar, A.; Maeda, C.; Lopes, C.; Loingtier, J.M.;
Irwin, J. (1997). Aspect-Oriented Programming, Proc. Euro. Conf. OOP, LNCS 1241,
pp. 220-242.
MacDonald, R.J.; Howat, C.S. (1988). Data reconciliation and parameter estimation
in plant performance analysis. AIChE Journal, 34(1), pp. 1–8.
Özyurt, D.B.; Pike, R.W. (2004). Theory and practice of simultaneous data
reconciliation and gross error detection for chemical processes. Computers & Chem.
Eng. 28(3), pp. 381-402.
Rotava, O.; Zanin, A. C. (2005). Multivariable control and real-time optimization – an
industrial practical view. Hydrocarbon Processing, pp. 61-71.
Savitzky, A.; Golay, M.J.E. (1964). Smoothing and Differentiation of Data by
Simplified Least Squares Procedures. Anal. Chem., 36(8), p. 1627-1639, 1964
Soares, R.P., Secchi, A.R. (2003). EMSO: a new environment for modelling,
simulation and optimisation. In: ESCAPE 13, Lappeenranta, Finland: Elsevier, pp.
947-952.
Soares, R.P. (2007) EMSO: user's and programming manual. Available at:
http://www.vrtech.com.br/rps/emso.html.
Souza, G; Odloak, D. Zanin, A.C. (2010) Real time optimization (RTO) with model
predictive control (MPC). Computers & Chem. Eng. 34(12), pp. 1999-2006.
Taylor, R.; Krishna,R. (1993). Multicomponent mass transfer. Wiley, New York.
VRTECH. (2008) VRTherm manual do usuário. Available at: www.vrtech.com.br.
Zanin, A.C. (2001) Implementação industrial de um otimizador em tempo real. Tese
(Doutorado) - Escola Politécnica, Universidade de São Paulo, São Paulo.