Inteligencia Artificial para el Modelado Híbrido en Craqueo Catalítico Fluido (FCC) PDF

Traducido del inglés al español - www.onlinedoctranslator.com procesos Artículo Inteligencia artificial para el modelado híbrido en craqueo catalítico fluido (FCC) Jansen Gabriel Acostaopez y Hugo de Lasa*...

Traducido del inglés al español - www.onlinedoctranslator.com procesos Artículo Inteligencia artificial para el modelado híbrido en craqueo catalítico fluido (FCC) Jansen Gabriel Acostaopez y Hugo de Lasa* Centro de Ingeniería de Reactores Químicos, Departamento de Ingeniería Química y Bioquímica, Universidad de Western Ontario, Londres, ON N6A 3K7, Canadá; [email protected] * Correspondencia: [email protected] ; Teléfono: +1-519-661-2144 Abstracto:Este estudio presenta un novedoso modelo híbrido para la predicción de seis variables críticas de proceso de importancia en un reactor elevador FCC (craqueo catalítico de fluidos) a escala industrial: conversión de gasóleo al vacío (VGO), temperatura del elevador de salida, aceite de ciclo ligero (LCO), rendimientos de gasolina, gases ligeros y coque. El modelo propuesto se desarrolla mediante la integración de una metodología de dinámica computacional de fluidos de partículas (CPFD) con inteligencia artificial (IA). La metodología adoptada resuelve numéricamente las ecuaciones del modelo del primer principio (FPM) utilizando el CPFD Barracuda Virtual Reactor 22.0.®software. Sobre la base de 216 de estas simulaciones CPFD, se evaluó el rendimiento de una unidad de reactor vertical FCC a escala industrial utilizando la cinética de craqueo catalítico VGO desarrollada en CREC-UWO. El conjunto de datos obtenido con CPFD se emplea para entrenar y probar un algoritmo de aprendizaje automático (ML). Este algoritmo se basa en una red neuronal de avance de salida múltiple (FNN) seleccionada para permitir establecer correlaciones entre las condiciones de alimentación del reactor ascendente y sus parámetros de salida, obteniendo un coeficiente de regresión promediado de 0,83 y un RMSE general de 1,93. Esta investigación subraya el valor de integrar simulaciones CPFD con ML para optimizar los procesos industriales y mejorar su precisión predictiva, ofreciendo avances significativos en las operaciones de las unidades de reactor ascendente FCC. Palabras clave:FCC; CPFD; Simulador de contrahuellas CREC; aprendizaje automático Citación:Acosta-López, JG; de Lasa, H. 1. Introducción Inteligencia artificial para el modelado En las últimas décadas, la industria de refinación de petróleo ha enfrentado una convergencia de híbrido en craqueo catalítico fluido desafíos, incluido un aumento en la demanda de productos de refinería, una disminución en la calidad (FCC).Procesos2024,12, 61. https:// del petróleo crudo, así como una calidad de producto más estricta y restricciones ambientales. Para doi.org/10.3390/pr12010061 abordar estos desafíos, las refinerías han invertido sustancialmente en investigación y desarrollo (I+D), Editores académicos: Tamas Varga y particularmente en las áreas de simulación y modelado. Uno de los ejes centrales de esta Dicho Stratiev investigación ha sido el proceso de craqueo catalítico fluido (FCC), que se ha destacado como uno de los Recibido: 23 de noviembre de 2023 procesos más estudiados en el sector moderno de las refinerías de petróleo. Al respecto, cabe mencionar Revisado: 18 de diciembre de 2023 que aproximadamente el 45% del combustible generado en las refinerías se origina en el proceso FCC y Aceptado: 22 de diciembre de 2023 sus unidades auxiliares. En consecuencia, el FCC se ha convertido en uno de los procesos más Publicado: 27 de diciembre de 2023 rentables en las refinerías de petróleo, pero también en una de las unidades de reactores más importantes de la industria moderna. Cifra1describe el posicionamiento clave del reactor FCC como unidad central en la red de refinería, donde una materia prima de gasóleo se puede convertir en gas combustible, gasolina y combustible para calefacción. Derechos de autor:© 2023 por los El proceso FCC abarca tres etapas operativas: (a) la reacción, (b) la separación del producto y autores. Licenciatario MDPI, Basilea, (c) la regeneración del catalizador. Durante estas etapas, el gasóleo crudo o pesado sufre una Suiza. Este artículo es un artículo de conversión en una variedad de especies químicas más ligeras (C1-C4), así como en acceso abierto distribuido bajo los compuestos más valiosos como la gasolina (C+ 5-C12) y aceite diésel/ciclo (C12-Cdieciséis) [3,4]. términos y condiciones de la licencia La etapa de reacción tiene lugar en condiciones cercanas a la presión atmosférica y dentro de un rango de Creative Commons Attribution (CC BY) temperatura de aproximadamente 500 a 570 °C.◦C a lo largo de la unidad del reactor ascendente. En el reactor (https:// creativecommons.org/ ascendente, el gasóleo pesado se alimenta continuamente y se descompone en productos más ligeros con licenses/by/4.0/). sses Procedimiento2024,12, 61. https://doi.org/10.3390/pr12010061 https://www.mdpi.com/journal/processes Procesos2024,12, 61 2 de 25 la ayuda de un catalizador FCC. Los productos más ligeros resultantes de la salida del tubo ascendente se dirigen a la unidad fraccionadora para una separación y preparación efectivas para tratamientos posteriores posteriores. Además, durante el craqueo catalítico en la unidad ascendente, los catalizadores se desactivan debido a la acumulación de coque en su superficie. Esta formación de coque reduce la actividad del catalizador. Para solucionar este problema, se emplea una unidad regeneradora. La unidad regeneradora del catalizador desempeña un papel crucial en la quema del coque formado durante la reacción de craqueo y la recuperación de la actividad del catalizador. Una vez que se completa esta operación, los catalizadores regenerados se reciclan nuevamente a la unidad del reactor ascendente, permitiendo, de esta manera, un proceso de FCC continuo.3]. Figura 1.Diagrama esquemático que describe el papel de la unidad FCC en las refinerías de petróleo modernas. Considerando la naturaleza de los fenómenos inherentes al proceso FCC, se han dedicado importantes esfuerzos a mejorar la eficiencia operativa de las unidades FCC. Sin embargo, la tarea de modelar el proceso de la FCC ha demostrado ser un desafío debido a varios factores. Estos incluyen la gran escala del proceso en sí, la compleja hidrodinámica involucrada y la compleja cinética que gobierna las reacciones de craqueo y de quema de coque.6]. En este sentido, es necesario implementar modelos de procesos que puedan simular adecuadamente las extensas interacciones entre variables que se observan en las unidades industriales de FCC. En este sentido, se han realizado importantes esfuerzos para desarrollar modelos de primer principio (FPM) para la simulación de unidades industriales FCC. Estos FPM se han diseñado utilizando las dimensiones de los reactores industriales FCC e incluyendo modelos de estado estacionario , análisis de comportamiento dinámico [9,10], estudios de control [11,12], y la compleja hidrodinámica que se encuentra en los reactores de craqueo de lecho transportado de dos y tres fases, a menudo aplicando dinámica de fluidos computacional (CFD). Sin embargo, existen limitaciones para el uso de FPM convencionales. La complejidad surge de las fuertes interacciones entre las variables operativas del reactor y el regenerador , así como el alto grado de incertidumbre Procesos2024,12, 61 3 de 25 en su cinética. Por lo tanto, obtener modelos precisos de las unidades FCC industriales que impliquen tiempos de cálculo asequibles utilizando únicamente FPM sigue siendo una tarea muy difícil. Así, durante los últimos 20 años se han buscado diferentes alternativas para superar estas limitaciones inherentes a los métodos convencionales. Los enfoques anteriores implicaban la integración de inteligencia artificial (IA) para el modelado de unidades de la FCC [14,dieciséis–18]. Asimismo, el estudio de las técnicas de optimización y control utilizadas para mejorar el funcionamiento de las unidades FCC , junto con el desarrollo computacional acelerado, ha promovido el desarrollo de diversos modelos basados en datos (DDM) y modelos híbridos (HM) para el proceso FCC. Como se muestra en la figura2, los HM, también conocidos como modelos de caja "gris", son una combinación de modelos FPM que se basan en gran medida en dinámicas de fluidos, mecanismos térmicos y cinéticos (conocimiento) rigurosamente basados en fenomenología y DDM, modelos que dependen en gran medida de los datos del proceso.19]. Por lo tanto, los HM buscan compensar las deficiencias de los enfoques de modelado tanto de los FPM como de los DDM, utilizando restricciones fisicoquímicas basadas en el conocimiento de los procesos químicos y la disponibilidad de datos.20]. Figura 2.Clasificación del modelo de proceso. Los HM para unidades FCC se han desarrollado principalmente utilizando algoritmos de aprendizaje automático (ML), combinados con FPM, para crear modelos más simples, flexibles, precisos e interpretables para unidades a escala industrial.20–22]. Algunas de las aplicaciones comunes de estos algoritmos ML reportadas en la literatura técnica están relacionadas con la predicción, monitoreo, control y optimización de procesos de unidades FCC. Sin embargo, se debe tener en cuenta que, si bien se informan varios algoritmos, es difícil decidir cuál es el más apropiado para una unidad de FCC o condición operativa en particular, considerando la diversidad de materias primas, catalizadores y relación catalizador/aceite empleada. Además, dados los recientes avances en algoritmos numéricos y el rápido aumento de la potencia computacional , los métodos CFD para aplicaciones FCC están atrayendo gran atención. Este es el caso, dada la capacidad de CFD para proporcionar información hidrodinámica detallada gas-sólido en lechos fluidizados de manera mucho más rápida y económica que los enfoques experimentales tradicionales.24]. Sin embargo, en el caso de flujos multifásicos como los presentes en los risers FCC, es bien conocido que los métodos CFD convencionales, que se basan en un marco eulerian-euleriano, tienen limitaciones para modelar unidades a escala industrial. En vista de esto, el modelo de flujo multifásico Euleriano-Lagrangiano desarrollado por , denominada dinámica computacional de fluidos de partículas (CPFD). Este método ha ganado rápidamente una atención significativa en los últimos años. Este es el caso, considerando sus capacidades para modelar unidades ampliadas, así como su capacidad para ayudar en la optimización de reactores catalíticos multifásicos de gas-sólido. En vista de lo anterior, el propósito de este trabajo es desarrollar e implementar modelos híbridos de IA para FCC. Así, para este estudio se plantearon los siguientes objetivos: Procesos2024,12, 61 4 de 25 El desarrollo y la implementación de un modelo CPFD confiable para simular una unidad de reactor vertical FCC a escala industrial, incluida una cinética confiable determinada en un simulador de elevador CREC. El establecimiento de modelos basados en IA para la predicción del rendimiento de la unidad del reactor ascendente FCC en una amplia gama de condiciones operativas típicas del elevador FCC. Tenemos entendido que no existe ningún estudio en la literatura abierta que aborde un tema tan importante. 2. Metodología Este artículo presenta un marco de modelo híbrido destinado a predecir seis variables críticas de los procesos unitarios del reactor ascendente FCC a escala industrial: (a) conversión de gasóleo al vacío (VGO), (b) temperatura de salida del reactor ascendente, (c) aceite de ciclo ligero (LCO). ), (d) gasolina, (e) gases ligeros y (f) rendimientos de coque. Este enfoque integra una metodología CPFD con algoritmos ML para establecer correlaciones entre las condiciones de arranque del reactor ascendente y las condiciones de salida resultantes del proceso catalítico. Esta integración, como se presenta en la Figura3, permite la predicción de varios escenarios operativos posibles con tiempos computacionales significativamente más cortos que los requeridos para los cálculos CPFD, varios minutos en lugar de varias horas. Figura 3.Marco del modelo híbrido de IA para la predicción de variables del reactor elevador FCC a escala industrial. Nota: El diagrama esquemático muestra el enfoque propuesto, que incluye simulaciones CPFD en 3D, y la cinética CREC se incluye para el desarrollo y las pruebas del modelo de IA. Como se describe en la figura3, cuando se utilizan cálculos CPFD 3D para simular una unidad vertical comercial, se puede establecer una gran base de datos. Estos cálculos de CPFD en 3D incluyen la cinética de craqueo de VGO derivada de experimentos en un simulador de elevador CREC minifluidizado. 27]. Por otro lado, el modelo ML incluye reglas difusas relevantes basadas en conocimientos previos para definir valores difusos bajos, medios y altos para algunas de las variables consideradas en el modelo híbrido de IA propuesto. Sobre esta base, se puede desarrollar e implementar un modelo híbrido de IA, como en este estudio, utilizando el 90% de los datos disponibles para el entrenamiento del modelo y el 10% de los datos restantes para las pruebas del modelo híbrido de IA. Además, para cada modelo de IA evaluado alternativamente, un coeficiente de determinación (R2) se puede calcular para establecer la confiabilidad del modelo. Procesos2024,12, 61 5 de 25 2.1. Dinámica Computacional de Partículas y Fluidos (CPFD) La metodología CPFD implica un modelo lagrangiano-euleriano con el fin de simular el flujo de fluidos y partículas. Este método utiliza un enfoque 3D de partículas en celda multifásicas (MP-PIC) para resolver las ecuaciones que gobiernan fluidos y partículas, en tres dimensiones (Tabla1). Esto se realiza para describir la dinámica de partículas y fluidos utilizando las ecuaciones promediadas de Navier-Stokes mientras implica un fuerte acoplamiento con la fase de partículas.25,28]. Cuando se utiliza este enfoque, la ecuación de transporte de fase sólida se modela utilizando una función de distribución de partículas.F, que está relacionado con el producto del número de densidad de partículas local y el espatiotem sólido (propiedades porales, que incluyenXpagubicación,tupagvelocidad,metropagmasa yt tiempo [24,29]:fx,tupag,metropag,t. Tabla 1.MP-PIC Ecuaciones rectoras. Ecuaciones de fase fluida Ecuación de continuidad de la fase fluida: ∂(εFρF) ( ). + ∇· εFρ tu F F = δmetropag (1) ∂t Ecuación del momento de la fase fluida: - -- Modelo A ( ) ∂(ε Fρtu ( ) -- f) --−∇pag F+F+εFρFgramo+∇· ε FτF (2) ∂t + ∇· ε Fρ FtuFtuF = - -- -- Modelo B ( ) -- -−εF∇pagF+F+εFρFgramo+∇· εFτF Entalpía: ∂(εFρFhF) ( ) ( ) ( ).. ∂pag (3) ∂t + ∇· εFρFhFtuF =εF ∂t+tuF·∇pagF + φ-∇· εFq+q+Sh+q D Transporte de especies: ∂(εFρFYF,i) ( ) ( ). + ∇· εFρFYF,ituF =∇·ρFDεF∇YF,i + (4) ∂t δmetro i,química Ecuaciones de fase sólida Ecuación de Liouville para encontrar la función de distribución de partículas f,en cada momento: ∂F ( ) (.) ∂t+∇· fupag+∇tupag· fupag =0 (5) Aceleración de partículas:. ( ) 1 1 (6) =Ds − + pag dupag tupag−tu tupag= dt tuF− túpag ρ∇pagF pag gramo - ε pagρpag ∇τpag+ 2τD Masa de partículas:. t FDMpag δmetropag=− dtDMpagdupagdTpag (7) Fracción de volumen de partículas: t (8) Fmetropag εpag= ρDMpagdupagdTpag pag Energía de partículas: ( ) 1 λF NuF,pagApag (9) CV t F−Tpag dTpag =metro dt pag 2rpag Ecuaciones de la interfase fluido-sólido Transferencia de impulso entre{ s:( een p[hase ) ] } t 1 F= fmpagDpagtu F− túpag − ρ∇pag + tupdt DMpag DMpagdupagdTpag (10) pag Ecuación de interacción partícula-partícula Modelo de tensión normal de colisión de partículas: b τpag= [( ) pag PAGpagε ] (11) máximo α(1−εpag) εCP−ε,pag Por lo tanto, la metodología CPFD implica un método de partículas discretas, donde la fase fluida se trata como un continuo y las partículas del catalizador (sólidos) se modelan utilizando grupos computacionales lagrangianos de partículas, también llamados "nubes" o "parcelas computacionales".26]. Estos paquetes computacionales se utilizan para representar una cierta cantidad de partículas de catalizador reales que comparten las mismas propiedades, incluido el tamaño, la velocidad, la densidad y la temperatura uniformes. Este enfoque reduce el esfuerzo computacional y al mismo tiempo tiene en cuenta Procesos2024,12, 61 6 de 25 Interacciones catalizador-partícula. Además, dado que el método CPFD puede funcionar cuando se utilizan mallas gruesas sin pérdida de precisión, las simulaciones a largo plazo son computacionalmente asequibles y se pueden adoptar pasos de tiempo relativamente grandes, lo que no es el caso con los métodos CFD convencionales.30]. En el presente estudio, la metodología CPFD fue desarrollada e implementada utilizando el Reactor Virtual Barracuda 22.0.®software, teniendo en cuenta: Propiedades de las partículas de fluidos y catalizadores, Balances de momento de fluidos utilizando ecuaciones de Navier-Stokes promediadas junto con la fase de partículas, Interacciones partícula-fluido utilizando un modelo de arrastre multiescala de minimización de energía (EMMS), Interacciones de partículas a través de una función de tensión de partículas.τpag, Balances de entalpía, incluidas las contribuciones de gases y partículas. Distribución del tamaño de partículas del catalizador FCC, Cinética de reacción de craqueo FCC VGO adecuada. 2.1.1. Unidad elevadora FCC El objetivo principal de la simulación del flujo ascendente de la FCC fue calcular las concentraciones de las principales especies de petróleo de interés y evaluar el rendimiento del reactor ascendente. La evaluación del rendimiento del tubo ascendente de FCC se basó en (a) el VGO convertido y (b) los diversos rendimientos de productos de hidrocarburos, las especies químicas producidas a partir del craqueo primario del VGO o de las reacciones de craqueo secundario de gasolina y especies de aceites de ciclo. Considerando que el grado de craqueo de las especies de hidrocarburos depende principalmente del tiempo de residencia gas-sólido, la cantidad de superficie del catalizador disponible, las presiones parciales de varias especies de hidrocarburos y la transferencia de calor desde el catalizador.31], por lo tanto, se deben tener en cuenta la cinética, la termodinámica y la dinámica de fluidos del craqueo catalítico VGO para representar adecuadamente las condiciones de operación en la unidad ascendente FCC. Esto es necesario para calcular con precisión las propiedades del flujo, incluidas las especies gaseosas y las concentraciones de partículas de catalizador. En este sentido, las simulaciones CPFD se desarrollaron para una unidad de reactor vertical FCC a escala industrial, caracterizada por dimensiones de 0,96 a 1,25 m de diámetro con una altura de 43 m. Estas medidas unitarias específicas fueron tomadas de la unidad FCC de la refinería Petronor SA, situada en Bilbao, España, según informó. La representación computacional 3D de la geometría del elevador FCC se discretizó utilizando un tamaño de cuadrícula uniforme en todas las direcciones, lo que ascendió a ~300.000 celdas computacionales. Este elevador de FCC a gran escala estaba compuesto por una zona de preelevación del catalizador, seguida de una zona de inyección de alimentación de gasóleo que albergaba 12 boquillas y una zona del elevador principal que abarcaba una longitud reactiva de 32,5 m. Los procesos seleccionados para la simulación CPFD incluyen la mezcla de fases gaseosa y sólida y las reacciones de craqueo que involucran ambas. En la siguiente figura se proporcionan detalles adicionales de la unidad vertical simulada a escala industrial.4. 2.1.2. Condiciones de operación El reactor virtual Barracuda 22.0®Se empleó un software para generar un banco de valiosos datos simulados a escala industrial de la FCC basados en ecuaciones MP-PIC. Esto se logró evaluando una amplia gama de condiciones operativas, incluidas variables críticas que afectan el rendimiento de la unidad del reactor ascendente FCC, como la relación catalizador-aceite (C/O), temperaturas y flujos másicos. En este sentido, se consideraron un total de 216 combinaciones diferentes de condiciones del proceso de entrada para generar datos de proceso relevantes y obtenidos rigurosamente, adecuados para la implementación de modelos basados en IA. Las variables y condiciones representativas utilizadas para todas las simulaciones se informan en la Tabla2. Procesos2024,12, 61 7 de 25 Figura 4.Geometría y condiciones de contorno para la unidad del reactor ascendente FCC. Nota: BC1: Flujo de entrada de vapor; BC2: flujo de catalizador regenerado, BC3: flujo de entrada VGO, BC4: presión de salida. Tabla 2.Tabla de Diseño de Simulación Factorial. Condición No. variables Unidad −1 0 1 1 Flujo másico del catalizador kg/s 133.80 147,20 160.60 2 Temperatura del catalizador ◦C - 650 700 3 Flujo másico VGO kg/s 19.50 21.45 23.50 4 Temperatura VGO ◦C 210 230 250 5 Flujo másico de vapor inferior kg/s - 0.120 0,132 6 Temperatura del vapor inferior ◦C - 250 300 Para la configuración descrita de todas las simulaciones de CPFD, se supuso que el reactor ascendente estaba inicialmente lleno de nitrógeno y que el flujo másico de VGO era cero. Así, durante los primeros segundos de las simulaciones CPFD, sólo el nitrógeno sale de la unidad del reactor ascendente, mientras que el vapor y los catalizadores se mueven hacia arriba a lo largo de la zona de preelevación. Luego, el flujo de vapor-catalizador se encuentra con la materia prima que se inyecta mediante gotitas atomizadoras de VGO a través del conjunto de 12 boquillas de inyección de aceite de alimentación. La alimentación VGO se configuró para aumentar gradualmente, comenzando a los 6 s y alcanzando su valor final a los 13 s. Para simplificar, se supuso que el VGO entró en el tubo ascendente en forma de vapor. Asimismo, se consideró un valor inicial de coque sobre el catalizador de 0,01% en peso, y este para todas las condiciones de operación simuladas. En este sentido, los cálculos se consideraron como simulando el arranque del reactor riser hasta alcanzar los 80 s de tiempo en funcionamiento. Cifra4proporciona una descripción general de las condiciones de contorno (BC) requeridas para las simulaciones CPFD. Estos BC se establecieron en la entrada y salida de la unidad ascendente FCC de la siguiente manera: (a) BC 1: valores establecidos para la presión del vapor, la temperatura y el flujo másico de entrada, (b) BC 2: valores establecidos para el catalizador presión, temperatura y flujo másico de entrada, (c) BC 3: establecer valores para la presión, temperatura y flujo másico de entrada del VGO, y (d) BC 4: establecer valores para la presión de salida del flujo gas-sólido. Procesos2024,12, 61 8 de 25 2.1.3. Cinética del craqueo catalítico En el reactor ascendente FCC, las reacciones de craqueo catalítico producen una gran cantidad de moléculas con un C1-C20número de carbonos de una materia prima de gasóleo con un número de carbonos en el C21-C40rango. Estos cambios en el peso molecular de los hidrocarburos condujeron a cambios en el número de moles de productos generados, lo que resultó en un cambio significativo en el flujo volumétrico a lo largo de la altura de la unidad ascendente.33]. Por lo tanto, la inclusión de una cinética de craqueo adecuada para modelar no sólo la química sino también la hidrodinámica a lo largo del tubo ascendente es de gran importancia. Para el craqueo catalítico, se implementa una cinética de 5 grumos para el craqueo catalítico VGO, incluida la desactivación del catalizador. El modelo cinético concentrado considera la presencia de cinco componentes pseudohidrocarburos en el reactor ascendente multirégimen, los cuales son A: VGO (C26-C40), B: LCO (C12-Cdieciséis), C: gasolina (C+5-C12), D: gases ligeros (C1-C4), y E: coque (Figura5). Figura 5.Red de reacción de cinco bultos. Por lo tanto, la cinética de craqueo VGO se incorpora a la metodología CPFD basándose en un cálculo del tamaño promedio de celda. Esto significa que las propiedades promedio tanto para el fluido como para la fase de partículas involucradas en las ecuaciones de velocidad química se calculan interpolando las propiedades computacionales discretas de las partículas en la celda de la cuadrícula. En vista de esto, las velocidades de reacción se establecen en cada celda resolviendo un conjunto de ecuaciones diferenciales ordinarias. En. base a esto, el término fuente/sumidero de la velocidad de reacción, para cada grumoi(δmetroi,química) en la Ecuación (4), se calcula mediante : ( ). − eaj ρFminorte δmetroi,química=∑δjrj=∑−δjk0jExp (12) R t gramo εF pf,iϕ donde δjes el coeficiente estequiométrico del bultoien el camino de la reacciónj;rj es el tasa aparente dejcamino de reacción;YF,iymetropagson la fracción de masa del bultoiy la masa de catalizador por celda unitaria, respectivamente;Rgramoes la constante universal de los gases (8,314 J· moles/K);t es la temperatura media de las fases fluida y sólida;nortees el orden de reacción; y dondek0 yeason el factor preexponencial y la energía de activación, respectivamente, para cada ruta de reacciónj. En este estudio, los valores de los parámetros cinéticos involucrados en los cálculos del tamaño de la celda se tomaron de los informados por , obtenido a partir de ejecuciones experimentales de craqueo desarrolladas Procesos2024,12, 61 9 de 25 operado con materia prima VGO, en un simulador de riser CREC. Las principales propiedades de los terrones propuestos y los valores de los parámetros cinéticos considerados para este estudio están disponibles en el Apéndice.A, en TablasA1yA2, respectivamente. 2.2. Modelo basado en IA La implementación de modelos basados en IA como evaluadores del desempeño de procesos químicos está recibiendo cada vez más atención debido a su robustez, formulación simple, facilidad de diseño y flexibilidad.20]. Como se mencionó anteriormente, las técnicas de IA pueden superar los inconvenientes de los FPM cuando se trata de sistemas complejos y no lineales. En consecuencia, la aplicación de la IA en el modelado, optimización, control de procesos, detección y diagnóstico de fallas ha aumentado dramáticamente en los últimos años.35]. Además, una de las ramas de la IA que se aplica de forma más directa e inmediata a los sistemas de procesos químicos son los algoritmos de aprendizaje automático. Estos han sido investigados durante más de 30 años por investigadores de IA en ingeniería química. Se han obtenido resultados notables a pesar de las lagunas de conocimiento fenomenológico que aún persisten con estos algoritmos.19,36]. En general, las tareas de los modelos basados en IA desarrollados con algoritmos de ML comparten ciertas características comunes. Todos implican reconocimiento de patrones, razonamiento y toma de decisiones. En el caso de los sistemas de procesos químicos, los algoritmos de ML a menudo enfrentan problemas mal definidos, datos ruidosos, incertidumbres en los modelos, no linealidades y la necesidad de soluciones rápidas a condiciones complejas.36]. En este sentido, uno de los pasos más importantes en el desarrollo de un modelo eficiente basado en IA es definir las variables de entrada/salida apropiadas del sistema a modelar.35]. En base a esto, los modelos basados en IA se pueden utilizar para analizar el comportamiento de los procesos químicos mediante el mapeo de las entradas y salidas del proceso.19]. En este estudio, se propone un conjunto de características de entrada que consta de seis condiciones de entrada de proceso independientes y dos condiciones operativas dependientes como base para las predicciones del modelo basado en IA, como se resume en la Tabla3. Estos ocho predictores se eligen para usarse en la estimación de seis condiciones de interés en la operación de las unidades de reactor vertical FCC a escala industrial. Estas condiciones son: (a) la conversión de VGO, (b) la selectividad de LCO, (c) la selectividad de la gasolina, (d) la selectividad de los gases ligeros, (e) el coque y (f) la temperatura de salida del fluido. Tabla 3.Predictores propuestos para el modelo basado en IA. No. Condición Unidades Tipo 1 Flujo másico del catalizador kg/s 2 Temperatura del catalizador k 3 Flujo másico VGO kg/s Independiente 4 Temperatura VGO k 5 Flujo másico de vapor inferior kg/s 6 Temperatura del vapor inferior k 7 Relación C/O kg catalizador/kg VGO Dependiente 8 Temperatura del punto de mezcla k Para el desarrollo del modelo basado en IA, se importa al entorno MATLAB un conjunto de datos generado para el funcionamiento del reactor vertical FCC mediante simulaciones CPFD, donde los datos se procesan de la siguiente manera: 1. Primero, los conjuntos de condiciones operativas que conducen a temperaturas en la sección inferior de mezcla superiores a 570◦C o inferior a 510◦C se descartan del conjunto de datos original. Esto se realizó considerando los límites del rango de temperatura utilizado para la cinética de craqueo VGO según lo informado por. 2. Luego, un método de “retención” consideró el 90% de todos los datos seleccionados al azar para el entrenamiento de IA. El 10% restante de los datos se reserva para usarlo en la prueba final del Modelo de IA. 3. Además, todos los datos de entrenamiento se dividen en 10 subconjuntos o pliegues diferentes. Esto se realiza para la implementación de validación cruzada K-fold y se basa en la reducción Procesos2024,12, 61 10 de 25 número de puntos de datos disponibles, según lo recomendado por. Respecto a los 10 pliegues seleccionados, el 90% de los datos se consideran para entrenamiento de IA y el 10% para validación. 4. A continuación, se desarrolla y valida el modelo de IA para cada uno de los K-folds seleccionados. 5. Una vez completado este paso, los diversos parámetros del modelo de IA establecidos para cada uno de los K-folds se promedian con la selección de los parámetros de mejor ajuste, proporcionando un modelo de “conjunto” designado con los indicadores estadísticos correspondientes. 6. Finalmente, el modelo de “conjunto” desarrollado se evaluó comparándolo con el 10% de los datos originales elegidos al azar, como se describe en el paso 2. 2.2.1. Red neuronal artificial (RNA) Desde el desarrollo del algoritmo de retropropagación para entrenar redes neuronales feedforward (FNN) en 1986 y la investigación posterior sobre redes neuronales a principios de los años 1990.36], ANN ha estado entre los algoritmos de ML más utilizados en diversos procesos industriales. Esto se debe a su gran capacidad para "aprender" patrones ocultos en los datos del proceso de entrada y salida.5]. Además, debido a su alto potencial para manejar relaciones no lineales a través de diferentes funciones de activación, ha habido un interés considerable en el uso de redes neuronales en los diferentes campos de los procesos químicos.35]. Asimismo, dentro de la literatura técnica, FNN ha sido una de las topologías implementadas con mayor éxito y actualmente continúa siendo uno de los enfoques más favorables para tareas de modelado. En general, las RNA se inspiran en la estructura y función del cerebro humano. En las RNA, las neuronas o nodos simples interconectados, que funcionan como procesadores, se organizan en tres tipos de capas: la capa de entrada, la capa de salida y la capa oculta.20,38], como se ilustra en la Figura6. Estas conexiones entre nodos se cuantifican mediante pesos, que determinan la fuerza de cada conexión. Además, cada neurona o nodo de la red está equipado con un término de sesgo que desempeña un papele en shapi ng el comportamiento de las neuronas individuales y contribuye al rendimiento general de la red. Figura 6.Arquitectura de una red neuronal de múltiples salidas. Como lo describe , los pesos y sesgos de una FNN se ajustan mediante cálculos hacia adelante y hacia atrás durante la fase de entrenamiento de la ANN. Esto se puede realizar iterativamente hasta que se minimice una función de pérdida predefinida. Por lo tanto, la selección de los hiperparámetros adecuados juega un papel de gran importancia para guiar eficazmente este proceso de entrenamiento iterativo. Teniendo esto en cuenta, el rendimiento de diferentes configuraciones de FNN se evaluó utilizando un coeficiente de determinación promediado (R2), como referencia de evaluación: norte(iy − ŷi)2 R2(y,ŷ) =1−∑ (13) i=1 (yi− y)2 Procesos2024,12, 61 11 de 25 dóndeyies la variable de salida de los datos CPFD,ŷies la variable de salida de los datos predichos, yyes el promedio deyi. Los diversos hiperparámetros de ANN adoptados en el presente estudio, para desarrollar una FNN de salida múltiple, se informan en la Tabla4. Estos hiperparámetros, incluidas las tasas de aprendizaje y las funciones de activación, se ajustaron sistemáticamente para lograr un rendimiento óptimo al minimizar la función de pérdida especificada durante el entrenamiento. Cabe señalar que se tomó la decisión deliberada de limitar el número de parámetros en los modelos FNN a un máximo de 200. Esta limitación de parámetros considera el conjunto de datos disponible: 216 condiciones operativas y 6 variables de salida. Por lo tanto, esta limitación de parámetros cumplió el doble propósito de limitar la complejidad del modelo y evitar el sobreajuste de parámetros. Tabla 4.Hiperparámetros utilizados para desarrollar FNNC. Notas: Nombres de hiperparámetros seleccionados según lo designado en el entorno MATLAB. Tipo Hiperparámetro Valor Descripción Esto proporciona el error cuadrático medio (RMSE) como realizarFcn RMSE función de desempeño. Actuación realizarParam.regularización 0,15 Esto considera un ratio de desempeño para la regularización. Esto proporciona una normalización estándar del objetivo. realizarParam.normalización 'estándar' valores de las variables. trenParam.objetivo 0,01 Esto considera un valor deseado de RMSE como objetivo del entrenamiento. Esto proporciona capacitación mediante el uso de descenso de gradiente con trenFcn entrenamientodx impulso y propagación hacia atrás de la tasa de aprendizaje adaptativo. trenParam.lr 0,01 Esto considera una tasa de aprendizaje inicial para la capacitación. Esto mejora la formación empleando un ratio de aumento en el trainParam.lr_inc 1.005 tasa de aprendizaje. Esto mejora la formación empleando un ratio de disminución en el Capacitación trainParam.lr_dec 0,05 tasa de aprendizaje. Esto incorpora un valor de impulso para actualizar los pesos. trenParam.mc 0,75 durante el entrenamiento. Esto implica entrenar con una función de división de datos para el entrenamiento. dividirFcn 'divisor' y validación. dividirParam.trainRatio 0,9 Esto considera una proporción de división de datos para el entrenamiento. dividirParam.valRatio 0.1 Esto considera una proporción de división de datos para la validación. Esto trainParam.max_fail 20 considera un tope máximo de validación para fallas. Esto implica una función de activación sigmoidea tangente hiperbólica. transferirFcn 'tansig' para conexiones de nodos. Arquitectura Capas ocultas 1, 2, 3 Se consideran hasta un máximo de tres capas ocultas. Hasta un máximo de 12 nodos por cada capa oculta Nodos de capas ocultas 1–12 son considerados. Se seleccionan hasta un máximo de 200 parámetros para evitar Parámetros