Professional Documents
Culture Documents
P R E S E N T A:
DIRECTOR DE TESIS
JUNIO, 2004.
MXICO, D.F.
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
DEDICATORIAS
El desarrollo, elaboracin y conclusin del presente trabajo esta dedicado a mi bien
amada esposa Ino Cordero Martnez. Nunca voy a dejar de dar gracias a la vida por
tener la suerte de encontrarte y permitirme compartir la vida contigo. Gracias por tu amor,
y apoyo incondicional. Gracias por darme unos hijos maravillosos; siendo t misma una
mujer excepcional, maravillosa, llena de ternura y amor.
Tambin dedico este trabajo a mis hijos, Julio Alberto, Luis Omar, y Jorge Emilio, ojal
les sirva como motivacin para que forjen sus propios caminos y alcancen sus propias
metas.
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
AGRADECIMIENTOS
Al Instituto Mexicano del Petrleo por su apoyo econmico durante el periodo de
estudio de la maestra; y en la preparacin de esta tesis. En particular a las reas de:
Subdireccin de Comercializacin, Gerencia de Ingeniera Bsica, Gerencia de
Aplicacin Industrial de Catalizadores, y a la Coordinacin del Programa de
Tratamiento de Crudo Maya; y dentro de ellas:
Al Instituto Politcnico Nacional por permitirme realizar en esa institucin los estudios
que me han llevado a ser lo que soy.
A la Seccin de Posgrado e Investigacin de la Escuela Superior de Ingeniera
Qumica e Industrias Extractivas, y dentro de ella vaya mi ms sincero reconocimiento
al Dr. Enrique Arce Medina, por la acertada direccin de este trabajo, su inagotable
paciencia, y por su amistad.
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
NDICE
LISTA DE TABLAS _______________________________________________________ i
LISTA DE FIGURAS _____________________________________________________ iii
NOMENCLATURA _____________________________________________________ vii
NOMENCLATURA _____________________________________________________ vii
RESUMEN _____________________________________________________________ ix
ABSTRACT ____________________________________________________________ xi
INTRODUCCIN ________________________________________________________ 1
1.
2.
ANTECEDENTES ______________________________________________ 5
1.2.
FUNDAMENTOS _______________________________________________ 7
1.3.
1.4.
ANTECEDENTES _____________________________________________ 17
2.2.
DESCRIPCIN _______________________________________________ 21
2.3.
MTODO DE APRENDIZAJE____________________________________ 24
4.
5.
3.2.
3.3.
4.2.
4.3.
4.4.
5.2.
29
30
32
35
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
LISTA DE TABLAS
Tabla 1.1 Unidades Hidrodesulfuradoras de Petrleos Mexicanos .................................... 6
Tabla 1.2 Caractersticas fsico-qumicas de varias fracciones del petrleo....................... 8
Tabla 2.1 Prediccin de valores de TOC en una planta de tratamiento de aguas
residuales................................................................................................................ 31
Tabla 2.2 Variables del modelo del proceso FCC y sus intervalos. .................................. 37
Tabla 3.1 Clasificacin de los datos experimentales ........................................................ 42
Tabla 3.2 Valores de Intervalos de Confianza.................................................................. 49
Tabla 3.3 Anlisis estadstico de los datos experimentales.............................................. 50
Tabla 3.4 Nmero de nodos de entrada y salida de los esquemas propuestos................ 54
Tabla 4.1 Clasificacin de las variables, topologa 10-X-7. .............................................. 57
Tabla 4.2 Errores promedio de la topologa 10-6-7, entrenamiento (Caso Global). ....... 59
Tabla 4.3 Errores promedio de la topologa 10-7-7, entrenamiento (Caso Global). ....... 59
Tabla 4.4 Errores promedio de la topologa 10-8-7, entrenamiento (Caso Global). ....... 59
Tabla 4.5 Errores promedio de la topologa 10-9-7, entrenamiento (Caso Global). ....... 60
Tabla 4.6 Errores promedio de la topologa 10-10-7, entrenamiento (Caso Global). ..... 60
Tabla 4.7 Errores promedio de la topologa 10-12-7, entrenamiento (Caso Global). ..... 60
Tabla 4.8 Errores promedio de la topologa 10-14-7, entrenamiento (Caso Global). ..... 61
Tabla 4.9 Errores promedio de la topologa 10-16-7, entrenamiento (Caso Global). ..... 61
Tabla 4.10 Errores promedio de la topologa 10-18-7, entrenamiento (Caso Global). ... 61
Tabla 4.11 Errores promedio de la topologa 10-20-7, entrenamiento (Caso Global). ... 62
Tabla 4.12 Errores de validacin de la Red Neuronal Global......................................... 67
Tabla 4.13 Clasificacin de las variables, topologa 7-X-4. .............................................. 75
Tabla 4.14 Errores promedio de la topologa 7-4-4, entrenamiento (Caso Proceso). .... 76
Tabla 4.15 Errores promedio de la topologa 7-5-4, entrenamiento (Caso Proceso). .... 77
Tabla 4.16 Errores promedio de la topologa 7-6-4, entrenamiento (Caso Proceso). .... 77
Tabla 4.17 Errores promedio de la topologa 7-7-4, entrenamiento (Caso Proceso). .... 78
i
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Tabla 4.18 Errores promedio de la topologa 7-8-4, entrenamiento (Caso Proceso). .... 78
Tabla 4.19 Errores promedio de la topologa 7-10-4, entrenamiento (Caso Proceso).... 78
Tabla 4.20 Errores promedio de la topologa 7-12-4, entrenamiento (Caso Proceso).... 79
Tabla 4.21 Errores promedio de la topologa 7-14-4, entrenamiento (caso Proceso). ... 79
Tabla 4.22 Errores de validacin de la Red Neuronal Proceso ...................................... 79
Tabla 4.23 Clasificacin de las variables. Topologa Propiedades................................ 85
Tabla 4.24 Errores promedio de la topologa 3-2-3, entrenamiento (Caso Propiedades).
................................................................................................................................ 86
Tabla 4.25 Errores promedio de la topologa 3-3-3, entrenamiento (caso Propiedades).
................................................................................................................................ 86
Tabla 4.26 Errores promedio de la topologa 3-4-3, entrenamiento (Caso Propiedades).
................................................................................................................................ 87
Tabla 4.27 Errores promedio de la topologa 3-5-3, entrenamiento (Caso Propiedades).
................................................................................................................................ 87
Tabla 4.28 Errores promedio de la topologa 3-6-3, entrenamiento (Caso Propiedades).
................................................................................................................................ 87
Tabla 4.29 Errores promedio de la topologa 3-8-3, entrenamiento (Caso Propiedades).
................................................................................................................................ 87
Tabla 4.30 Errores promedio de la topologa 3-10-3, entrenamiento (Caso Propiedades).
................................................................................................................................ 88
Tabla 4.31 Errores de validacin para la topologa Propiedades. .................................. 88
Tabla 4.32 Comparacin de parmetros de regresin. .................................................... 94
Tabla 4.33 Valores de los pesos y sesgos para la topologa Proceso. Capa oculta....... 95
Tabla 4.34 Valores de los pesos y sesgos pata la topologa Proceso. Capa de salida. . 95
Tabla 4.35 Valores de los pesos y sesgos para la topologa Propiedades. Capa oculta 96
Tabla 4.36 Valores de los pesos y sesgos para la topologa Propiedades. Capa de
salida. ..................................................................................................................... 96
Tabla 5.1 Por ciento de error relativo promedio de prediccin. Caso Prueba................. 104
Tabla 5.2 Resultados obtenidos por el simulador cintico Hidro-Naf.............................. 107
Tabla 5.3 Resultados obtenidos por el simulador NeuroNaf........................................... 108
Tabla 5.4 Comparacin entre simuladores..................................................................... 108
ii
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
LISTA DE FIGURAS
Figura 1.1 Diagrama de Flujo de Proceso de Hidrodesulfuracin de Naftas .................... 10
Figura 1.2 Efecto de las variables del proceso de hidrodesulfuracin. ............................. 15
Figura 2.1 Configuracin tpica de una Red Neuronal Artificial ........................................ 23
Figura 2.2 Etapas de procesamiento dentro de una neurona........................................... 23
Figura 2.3 Funcin sigmoidal. .......................................................................................... 25
Figura 3.1 Variacin de la carga. ..................................................................................... 42
Figura 3.2 Variacin de la temperatura de operacin....................................................... 43
Figura 3.3 Variacin de la presin de operacin. ............................................................. 43
Figura 3.4 Variacin de la relacin H2/HC ........................................................................ 43
Figura 3.5 Variacin de la pureza de H2........................................................................... 44
Figura 3.6 Variacin del consumo de H2. ......................................................................... 44
Figura 3.7 Variacin de la TIE de carga. .......................................................................... 44
Figura 3.8 Variacin de la TFE de carga.......................................................................... 45
Figura 3.9 Variacin del peso especfico de carga........................................................... 45
Figura 3.10 Variacin del azufre de carga........................................................................ 45
Figura 3.11 Variacin del flujo de producto ...................................................................... 46
Figura 3.12 Variacin de la TIE de producto. ................................................................... 46
Figura 3.13 Variacin de la TFE de producto. .................................................................. 46
Figura 3.14 Variacin del peso especfico del producto. .................................................. 47
Figura 3.15 Variacin de azufre en el producto................................................................ 47
Figura 3.16 Variacin de la T. ........................................................................................ 47
Figura 3.17 Variacin de la P......................................................................................... 48
Figura 3.18 Esquema de variables de entrada-salida para el caso 10-X-7. ..................... 52
Figura 3.19 Esquema de la topologa Proceso. ............................................................. 53
Figura 3.20 Esquema de la topologa Propiedades. ...................................................... 53
Figura 3.21 Diagrama de flujo de la determinacin de una red neuronal ptima.............. 55
iii
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
NOMENCLATURA
A
Bj
b
BPD
d
E
F
Gb
g()
Ho
K
Kp
LHSV
m
P
Pa
PCA
P
R
RMS
RNA
T
Tj
TIE
TFE
Wj
Xj
x
Yj
y
zj
Superndices.
n
p
Orden de reaccin.
Nmero de datos de entrenamiento.
vii
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Subndices
i
j
k
m
Letras griegas
viii
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
RESUMEN
En este trabajo se construy el modelo de un Reactor de Hidrodesulfuracin de Naftas
usando Redes Neuronales Artificiales (RNA).
Los datos utilizados en el desarrollo de este trabajo pertenecen a la Planta
Hidrodesulfuradora de Naftas UPH-600 de la Refinera Fracisco I. Madero, localizada en
Cd. Madero, Tamaulipas. Los juegos de datos de planta se analizaron estadsticamente a
fin de eliminar aquellos que presentan una dispersin mayor a dos desviaciones estndar
respecto a la media; los datos restantes se dividieron en tres subconjuntos:
entrenamiento, validacin y prueba.
Como parte de este trabajo tambin se incluye el programa NeuroNaf el cual hace uso
del modelo de RNA desarrollado para simular el comportamiento del Reactor de
Hidrodesulfuracin de Naftas analizado.
ix
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
ABSTRACT
This thesis demonstrates how Artificial Neural Networks (ANN) can be used to model a
Naphtha Hydrodesulfuration Reactor.
The data used to get the ANN model belong to Naphtha Hydrodesulfuration Plant UPH600, at Francisco I. Madero Refinery, located at Cd. Madero, Tamaulipas, Mexico. The
plant data were statiscally analyzed in order to eliminate those data showing a dispertion
greater than two standard deviations with respect to the mean; the remaining data were
divided into three sets: training, validation and test.
Three ANN topologies were analyzed: Global, Process and Properties. The global
topology included 10 input variables and 7 output variables. In order to evaluate the effect
of dividing the Global topology into smaller topologies, two additional structures were
analyzed: Process topology considering 7 input variables and 4 output variables; and
Properties topology considering 3 input variables and 3 output variables. The training
and validation procedures were made using QwikNet, it uses the Retropropagation
algorithm, using 100 data points on the training set, and 63 data points on the validation
set; the cross-validation criteria was used to stop training. Almost all the training
experiments spend between 10,000 to 25,000 epochs to converge.
The ANN model was evaluated using the test set that was not included during the training
experiments. The average error prediction was 0.6 to 3.0% except for T and P, which
have shown a deviation of 7.9 and 9.0%, respectively. In addition, the ANN model was
compared with a kinetic model; giving almost the same results predicting the naphtha
product sulfur content, but it is superior predicting the T and P values.
The Neuronaf program is included as part of this thesis, which use the ANN model
obtained to simulate the Naphtha Hydrodesulfuration Reactor.
xi
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
INTRODUCCIN
Uno de los procesos que ha venido cobrando mayor importancia dentro de los complejos
industriales de Petrleos Mexicanos (PEMEX) es el de Hidrodesulfuracin. La presencia
de azufre en las diversas corrientes provoca problemas tales como: corrosin de equipo,
deterioro en la calidad del producto terminado, envenenamiento de catalizadores, y
contaminacin ambiental entre otros. (Carrillo, et. al., 1987)
Tambin se puede mencionar que a la fecha los trabajos desarrollados alrededor de las
RNA han hecho uso extensivo de datos provenientes de literatura, de experimentos de
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
laboratorio o de plantas piloto; y aquellos que han utilizado datos de planta industrial, se
han limitado a predecir slo una variable de salida (Michalopoulos, et. al., 2001)
Actualmente, queda claro lo importante que es el hidrotratamiento y que lo seguir siendo
en el futuro, no slo por el incremento de la conciencia ecolgica, sino por el hecho de
que el contenido de azufre en el crudo se ha incrementado lenta pero inevitablemente
debido a que cada vez son ms pesados y estn ms contaminados. Sin duda ha
pasado el tiempo en que el hidrotratamiento era un proceso secundario, dado que
actualmente para asegurar el suministro de hidrgeno en estas unidades se instalan
unidades productoras de H2 del tipo reformacin con vapor (Steam reforming), o Pressure
Swing Adsorption (PSA).
En los ltimos aos los recursos computacionales han tenido un avance espectacular,
pasando de los grandes ordenadores a disposicin slo de los grandes centros
educativos y de investigacin; al uso de las computadoras personales, accesibles
prcticamente a cualquier profesionista. Esto slo hablando del desarrollo de equipo, sin
embargo los algoritmos, mtodos de solucin y lenguajes de programacin tambin han
evolucionado, siendo en la actualidad ms eficientes, y rpidos.
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Por lo antes expuesto, el presente trabajo propone como objetivo principal la construccin
de un modelo que utilice RNA para simular el comportamiento del Reactor de una Planta
Hidrodesulfuradora de Naftas, considerando adicionalmente que:
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
1. PROCESO DE
HIDRODESULFURACIN
1.1. ANTECEDENTES
Las primeras investigaciones sobre desulfuracin de las fracciones del petrleo fueron
realizadas en 1885 sobre un catalizador de oxido de cobre, pero no fue sino hasta los
aos 80 del siglo XX, con la aparicin de la reformacin cataltica, que los procesos de
hidrodesulfuracin se hicieron ms atractivos, ya que el hidrgeno requerido en este
proceso se obtena a un precio razonablemente barato. En aquel entonces la idea de
eliminar el azufre obedeca a la de eliminar un compuesto corrosivo cuya presencia
incrementaba los costos de produccin, disminua la susceptibilidad de las gasolinas al
plomo, y que al reducir su concentracin mejoraba notablemente el color y el olor de los
productos (Rodrguez, 1994).
Es durante esta poca cuando las primeras unidades de hidrotratamiento son instaladas
en Mxico, ms precisamente en la Refinera de Minatitln, la cual contaba con un
paquete compuesto por tres unidades que entraron en operacin en 1964: (Rodrguez,
1994)
Este fue slo el principio, ya que antes de 5 aos todas las refineras del sistema PEMEX
fueron dotadas con unidades de hidrotratamiento, e incluso a principio de los aos 70 la
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
UNIDAD
Minatitln
Minatitln
Minatitln
Salamanca
Cd. Madero
Cd. Madero
Salamanca
Salamanca
Salamanca
Tula
Tula
Tula
Cd. Madero
Salamanca
Minatitln
Cadereyta
Cadereyta
Cadereyta
Salina Cruz
Salina Cruz
Cangrejera
Minatitln
Salina Cruz
Salina Cruz
Salina Cruz
Salina Cruz
Tula
Tula
Tula
HDG
HDK
HDD
HDS-1
UPH-500
UPH-600
U-4
U-7
U-8
U-400-I
U-700-I
U-800-I
UPH-501
HDS-2
U-400
U-400
U-700
U-800
U-400-I
U-700-I
HDS
U-100
U-800-I
U-400-II
U-700-II
U-800-II
U-400-II
U-700-II
U-800-II
CARGA
Gasolina
Kerosina
Diesel
Nafta
Destilados Intermedios
Nafta
Lubricantes
Diesel-Sin
Diesel-Sin
Nafta
Diesel-Sin
Diesel-Sin
Diesel-Sin
Nafta
Nafta
Nafta
Diesel-Sin
Destilados Intermedios
Nafta
Destilados Intermedios
Nafta Ligera
Diesel-Sin
Diesel-Sin
Nafta
Destilados Intermedios
Diesel-Sin
Nafta
Diesel Sin
Diesel-Sin
CAPACIDAD
BLS/DIA
21,000
12,000
17,000
8,000
15,000
18,000
10,000
14,000
14,000
36,000
25,000
25,000
25,000
25,000
36,000
25,000
25,000
25,000
25,000
25,000
86,000
25,000
25,000
36,000
25,000
25,000
36,000
25,000
25,000
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
1.2. FUNDAMENTOS
La hidrodesulfuracin cataltica es el proceso mediante el cual se reduce el contenido de
compuestos de azufre presentes en las diferentes fracciones del petrleo, por reaccin de
estos compuestos con hidrgeno, en presencia de un catalizador a condiciones de
operacin convenientes.Adems de remover el azufre, se tienen importantes
remociones de compuestos de nitrgeno, cloro, metales pesados, metales alcalinos y
alcalinotrreos. Por otra parte, dado que se efectan reacciones de hidrogenacin, se
obtienen substanciales incrementos en la calidad de los productos hidrotratados debido a
la disminucin en el contenido de compuestos insaturados tales como: aromticos y
olefinas.
Modificando las condiciones de operacin del proceso es posible hidrotratar una gran
variedad de fracciones lquidas del petrleo, de acuerdo a su contenido de azufre y peso
molecular, como se muestra en la tabla 1.2.
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
*TIE/TFE
TIE/TFE*
O( C)
37/195
155/270
160/320
180/380
220/380
-240/530
Peso especfico
20/4 OC
0.708/0.730
0.780/0.810
0.790/0.820
0.840-0.860
0.950-0.960
-0.890-0.910
Azufre
(% peso)
0.03-0.13
0.2-0-4
0.5-0.8
0.9-1-6
2.4-2.6
0.7-0-9
2.0-2-3
Los contaminantes tales como: cido sulfhdrico, amonaco, cloruros de amonio, etc.,
pueden ser fcilmente separados en las etapas posteriores del proceso; adems, el
catalizador al actuar como filtro, retiene importantes cantidades de compuestos metlicos,
los cuales pueden ser dainos para los procesos subsecuentes.
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Cabe mencionar que esta descripcin aplica para aquellas plantas que operan entre 24 y
28 kg/cm2 man, aun cuando existen plantas que operan a presiones de 40-50 kg/cm 2
man, como es el caso de la unidad UPH-600 de la Refinera de CD. Madero, Tamaulipas.
La nafta llega al Tanque de Carga C1, a las condiciones de 35-40 C y 25-30 kg/cm 2 man,
en donde por una pierna de extraccin se elimina el agua que pudiera ser arrastrada junto
con la corriente de carga. La carga se enva a precalentamiento en los Intercambiadores
de Calor E1 a travs de las bombas de carga que opera a una presin de descarga de
35-40 kg/cm2 man, en los cuales el efluente del Reactor cede parte de su carga trmica,
para de esta forma incrementar la temperatura de la carga desde 40-50 C, hasta 270285 C, con lo cual se vaporiza parcialmente, en este punto se une a esta corriente, otra
compuesta de gas rico en hidrgeno a 85-90 C, y 35-40 kg/cm2 man; esta ltima
corriente est formada por una mezcla de las corriente de hidrgeno de recirculacin
procedente del Compresor K1 y del hidrgeno fresco de reposicin, el cual normalmente
es proporcionado por la Planta Reformadora de Naftas a 60-65 C y 35-40 kg/cm 2 man.,
la cual se inyecta en la lnea de descarga del Compresor K1.
SECCIN DE REACCIN.
La mezcla de gasolina e hidrgeno que sale del Calentador a Fuego Directo F1, entra al
Reactor de Hidrodesulfuracin C2, donde se llevan a cabo todas las reacciones de
hidrotratamiento, a temperaturas que se encuentran en el intervalo de 290-325 C.
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
F-1
E-3
C-7
C-5
C-4
C-2
G-2
E-1
G-3
E-2
C-1
C-6
C-3
G-1
F-2
K-1
G-4
NAFTA
GAS AMARGO A
LA SECCIN DE
TRATAMIENTO
CON DEA
HIDRGENO
GASOLINA A LA TORRE
FRACCIONADORA C-8
10
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
El Reactor C2, cuenta con un indicador de presin diferencial para conocer la cada de
presin a travs del lecho cataltico, el cual entre otros factores es una medida de la
resistencia al flujo por acumulacin excesiva de material extrao en la parte superior de
Reactor.
El efluente del Reactor C2 sale a 305-330 C, y 25-30 kg/cm 2 man., para posteriormente
pasar a los Precalentadores de Carga E1 y por un banco de enfriadores E2, despus de
los cuales alcanza una temperatura de 40-45 C, para posteriormente llegar al Tanque
Separador de Alta Presin C3. De este tanque la fase lquida ligera se enva a la Torre
Desbutanizadora C6, de la Seccin de Estabilizacin. En este mismo recipiente se
separa el agua a travs de una pierna de extraccin. La fase gaseosa rica en hidrgeno,
se enva al Tanque de Succin C4, del Compresor de Recirculacin de Hidrgeno K1, de
donde se recircula a la lnea de alimentacin de carga a la planta.
SECCIN DE ESTABILIZACIN.
La finalidad de esta seccin es la separacin de hidrocarburos ligeros del efluente del
Reactor C2, por medio de una Torre Desbutanizadora C6, y una Torre Fraccionadora C8.
La fase lquida procedente del Tanque Separador de Alta Presin C3, a una temperatura
de 40-45 C y una presin de 20-25 kg/cm2 man, se precalienta por medio de bancos de
cambiadores de calor hasta una temperatura de 140-145 C, para despus alimentarse al
Tanque Separador de Baja Presin C5, que alimenta a la Torre Desbutanizadora C6. En
este recipiente tambin se reciben los lquidos procedentes del fondo del Tanque de
Succin C4, del Compresor K1, y opera a una presin de 5-10 kg/cm 2 man, y a una
temperatura de 140-145 C. Debido a la disminucin de presin, se efecta la separacin
de hidrocarburos ligeros e hidrgeno en la fase gaseosa, e hidrocarburos pesados en la
fase lquida. La fase lquida sirve de alimentacin a la Torre Desbutanizadora C6, por
medio de la bomba de carga. La fase gaseosa se enfra y condensa en el enfriador de
gas amargo y se recibe a 35-40 C en un segundo separador que opera a 5-10 kg/cm 2
man, y cuya funcin es recuperar los hidrocarburos de la fase gaseosa del primer
separador y dejar libre el gas amargo que se enva a la seccin de tratamiento con DEA.
11
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
El Tanque acumulador de Reflujo C7, tiene una lnea de purga para recuperar el agua
amarga, separada de la nafta desulfurada. El drenado de agua de esta lnea de purga se
realiza de forma manual, y se enva de forma intermitente al cabezal de aguas amargas.
En general las condiciones menos severas se aplican a las naftas, seguidas por los
destilados intermedios y las ms severas para las fracciones pesadas.
Las variables de operacin de mayor importancia, que influyen considerablemente en el
buen funcionamiento tanto del catalizador como de la planta son:
1. Temperatura.
2. Presin.
3. Espacio-Velocidad (LHSV).
4. Relacin Hidrgeno/Hidrocarburo(H2 / HC).
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Efecto de la temperatura.
La severidad del tratamiento se incrementa directamente con la temperatura,
debido al aumento en las velocidades de reaccin, incrementando el depsito de
carbn sobre la superficie del catalizador y acortando el tiempo de vida del mismo.
En las reacciones de hidrogenacin el consumo de hidrgeno aumenta, pasando
por un mximo que posteriormente declina como consecuencia del inicio de las
reacciones de deshidrogenacin. (Ver figura 2.2)
Efecto de la presin.
13
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Buteno + H2S
Butil-mercaptano
14
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
D
E
S
U
L
F
U
R
A
C
I
O
N
H2/HC
LHSV
15
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
2. REDES NEURONALES
ARTIFICIALES
2.1. ANTECEDENTES
Recientemente las RNA han venido a ser el centro de atencin dentro de la Inteligencia
Artificial, debido principalmente a su amplio campo de aplicabilidad y su habilidad para
manejar problemas complejos y no lineales. La tecnologa de las RNA es aplicable en la
solucin de problemas de la Industria Qumica, y se espera que tenga un impacto
significativo en muchas reas tcnicas y comerciales. (Bhagat, P., 1990)
Tomando como base estas cualidades, diversas reas de la Ingeniera Qumica, tales
como el diagnstico de fallas, control, diseo y simulacin de procesos; se han visto
beneficiadas, ya que las RNA han permitido simular procesos complejos a partir de datos
imprecisos y/o incompletos (Hoskins y Himmeblau, 1988).
La idea de usar las RNA como una herramienta alternativa para solucionar problemas que
requieren un anlisis complejo de datos, no es nueva. Durante los ltimos 40 o 50 aos,
se ha intentado establecer la estructura neuronal real del cerebro, y desarrollar un
algoritmo matemtico equivalente al proceso de aprendizaje de los seres humanos (Willis,
et.al., 1991). La principal motivacin detrs de estas investigaciones es emular el alto
nivel de procesamiento de informacin que el cerebro humano es capaz de realizar. Sin
embargo, la estructura cerebral es extremadamente compleja, con aproximadamente 10 11
neuronas y alrededor de 1014 - 1015 sinapsis (conexiones entre neuronas).
Mientras que el funcionamiento de una sola neurona est relativamente bien entendido,
su contribucin dentro del conjunto de los elementos cerebrales es menos clara y objeto
de varias teoras (Willis, et.al., 1991). Como consecuencia, la topologa de las RNA est
basada en un conocimiento limitado de las funciones del sistema biolgico neuronal.
Aun si la neurofisiologa fuera capaz de descifrar las complejidades del cerebro, sera
extremadamente difcil, si no es que imposible simular su inmensa estructura distribuida,
17
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
El primer modelo formal de una RNA fue desarrollado por W.S. McCulloch y W. Pitts, de
la Universidad de Chicago en 1943, y a partir de entonces surgieron 3 etapas bien
definidas en este campo (Palomares, et.al., 1991):
Por otra parte cabe mencionar que Werbos, P.J. (1974) elabor un algoritmo de
adiestramiento para las Redes Neuronales denominado RETROPROPAGACION, el
cual qued en el olvido por mucho tiempo hasta que fue reconsiderado en la dcada de
los 80s; en la que Rumelhart (1986) reconoci la importancia del algoritmo de
retropropagacin el cual se ha convertido en uno de los principales mtodos de
entrenamiento de las RNA. (Palomares, 1991)
18
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Algunos de los trabajos que permiten vislumbrar la posibilidad de aplicacin de las Redes
Neuronales a la modelacin de procesos son aquellos desarrollados por Bath, N.V., et.al.,
(1990); donde se analizan tres casos: un reactor en estado estacionario, el seguimiento
dinmico del pH en un tanque agitado, y la interpretacin de datos usando las redes
neuronales como un biosensor. En Willis, et.al., (1991); se utilizan para estimar la
concentracin de biomasa en sistemas de fermentacin industrial, as como la
composicin de la corriente de domos de una torre de destilacin. Mientras que
Psichogios y Ungar, (1992); las usan para modelar un bio-reactor en modo batch.
Lennox, et.al., (1998); las aplicaron para modelar un proceso de vitrificacin; Molga, y
Cherbanski, (1999); modelaron un sistema reaccionante lquido-lquido, el cual presenta
simultneamente la transferencia de masa y reaccin qumica; Nascimento, et.al., (1999);
19
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
20
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
2.2. DESCRIPCIN
Una de las muchas definiciones que se pueden dar a las RNA, fue proporcionada por
Robert Hecht-Nielsen de la siguiente forma (Ripley, 1996):
......es un sistema computacional que est constituido por cierto nmero de
elementos simples, altamente interconectados, los cuales procesan informacin
por medio de un estado dinmico de respuesta a los estmulos externos
La tecnologa de las RNA est basada en los estudios realizados sobre el cerebro de los
mamferos, especficamente de la corteza cerebral. Las RNA pretenden emular la forma
en que el cerebro humano procesa informacin.
El entrenamiento de las RNA puede llevarse a cabo a travs de dos formas: supervisada
y no supervisada (Sarle, 1997). El aprendizaje supervisado significa que la RNA tiene
alguna informacin de referencia durante el entrenamiento, de tal forma que est en
posibilidades de saber cual debe ser la respuesta correcta y saber como aplicar sus
reglas de aprendizaje para autoajustarse. Esto es similar al proceso de aprendizaje de
formas y colores por el nio.
21
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Las siguientes cuatro etapas, mostradas en la figura 2.2, se llevan a cabo cuando cada
neurona es activada o procesada:
1. Se reciben varias seales de entrada a partir de otras neuronas (Xi).
2. Se calcula la suma ponderada de esas seales.
3. La suma calculada se transforma por medio de una funcin de transferenciaque normalmente, aunque no siempre, se fija al momento que se disea la
RNA-.
4. El resultado de la transformacin (seal de salida Y de la neurona) se enva a
otras neuronas.
Estas etapas se repiten para cada una de las capas de la RNA hasta llegar a la capa de
salida.
El proceso de aprendizaje implica que de algn modo la neurona cambia su relacin
entrada/salida en repuesta a los datos de entrada. Debido a que la funcin de
transferencia normalmente est fija, la nica forma en que la salida de la neurona puede
variar es ajustando sus factores de ponderacin. As las neuronas de la RNA aprenden,
ajustando los pesos de los datos de entrada, y el modelo interno de la RNA es asimilado
por el conjunto de esos factores. Aunque existen varias configuraciones de RNA, en
particular las denominadas RNA de alimentacin progresiva son ampliamente usadas en
la Ingeniera Qumica (Michaloupoulos, et. al., 2001; Rasamany, et. al., 1995).
22
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Variables
de entrada
X1
Variables
de salida
Y1
X2
Y2
X3
Y3
.
.
.
.
.
.
.
.
.
Xn
Yn
CAPA
OCULTA
CAPA DE
ENTRADA
CAPA DE
SALIDA
X1
X2
X3
Xn
W1
W2
SUMA
W3
ADICION
DEL
VALOR
DE
SESGO
FUNCION
DE
TRANSFERENCIA
Yi
Wn
SEALES DE
ENTRADA A
LA NEURONA
SEALES DE
SALIDA A OTRAS
NEURONAS
23
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Las RNA de alimentacin progresiva, siempre consisten de por lo menos tres capas de
neuronas: una capa de entrada, una capa intermedia (algunas veces denominada capa
oculta), y una capa de salida (ver figura 2.1).
La RNA se disea para que cada elemento de cada capa est totalmente conectado a
cada elemento de la siguiente capa. En otras palabras, cada neurona de la capa de
entrada manda su salida a cada una de las neuronas de la capa intermedia, las cuales a
su vez mandan su salida a cada neurona de la capa de salida; para el caso de una RNA
de tres capas.
El nmero de neuronas en la capa intermedia puede variar segn sea la complejidad del
problema de la informacin que deba procesar. Para un nmero dado de datos de
entrada, si la capa intermedia es muy grande, puede suceder que la RNA no desarrolle un
modelo til. Por otra parte, una capa intermedia con pocos elementos, incrementar
drsticamente el nmero de iteraciones requeridas para lograr la convergencia del
entrenamiento de la RNA sin obtenerse una generalizacin adecuada (Michalopuolos, et.
al., 2001).
I j = Wi , j 1 X i , j 1 + B j
(3.1)
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
1
1 + exp( I j )
X i, j = f ( I j ) =
(3.2)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-5
-3
-1
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
b) Clculo regresivo.
La salida calculada a partir de la activacin progresiva se compara con los valores
reales de salida. La diferencia (error) es la base para modificar los factores de
ponderacin, generalmente para alcanzar los valores deseados son necesarias
varias iteraciones. El principio aplicado por el mtodo de retropropagacin es la
denominada regla delta generalizada; dicha regla, minimiza en forma iterativa el
cuadrado promedio del error entre los valores de salida de la neurona y los datos
conocidos. Esto se lleva a cabo calculando el gradiente del error j para cada
neurona de la capa de salida:
j = X j (1 X j )(T j X j )
(3.3)
j = (1 X j ) kWk j
(3.4)
Los gradientes de error son usados para actualizar los factores de ponderacin de
la RNA:
W j i (n) = j X i
(3.5)
W j i (n + 1) = W j i (n) + W j i (n)
(3.6)
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
W j i (n) = j X i + W j i (n 1)
(3.7)
Los fundamentos tericos de la capacidad predictiva de las RNA estn dados por el
teorema de la superposicin de Kolmogorov, el cual en trminos sencillos establece que
(Bishop, 1998): cada funcin continua multivariable (para un dominio cerrado y limitado)
puede ser representado como la superposicin de un pequeo nmero de funciones. En
trminos de las RNA este teorema establece que: cualquier mapeo continuo y(x) de d
variables de entrada xi respecto a una variable de salida y se puede representar
exactamente por una RNA de tres capas, teniendo d(2d+1) neuronas en la primera capa
oculta y (2d+1) neuronas en la segunda capa oculta.
= Lnea real.
In
Debido a que una RNA con ms de una salida se puede caracterizar como varias RNA
con una salida cada una, es suficiente enfocar nuestro anlisis en RNA con una sola
salida. Una RNA con una sola salida, donde cada nodo tiene una funcin de activacin,
matemticamente se puede caracterizar como la funcin:
xx
f ( x) = x a + bi (ci x + d i ) xxx
(3.8)
i =1
xx
27
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
donde:
: I
a
bi
q
ci
x
di
Ahora bien es tpicamente una funcin (uno a uno) monotnica y la adicin de una
constante a slo representa una translacin. Por lo tanto, sin perder generalidad, se
puede escribir la ecuacin anterior como:
f ( x) = bi (ci x + d i )
(3.9)
i =1
f.
Definiendo
= como:
( x) f ( ( x))
(3.10)
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
xx n
(3.11)
f ( x1 ,..., xn ) = i x ip ( x p ) xxx
i =1
{}
xx p =1
Haciendo una comparacin entre las ecuaciones 3.8 y 3.11 se puede ver la
correspondencia entre sus variables: Se puede establecer que q = 2n + 1 , i ( z ) = bi ( z ) ,
y ip ( z ) = cip z + d i , donde cip es la p-sima coordenada de ci .
2.4. APLICACIONES
QUMICA.
EN
LA
INGENIERA
Existe una gran variedad de reas donde se pueden aplicar las RNA en forma
conveniente en la Industria Qumica. Un rea de aplicacin es la determinacin de la
composicin qumica, en la cual los datos obtenidos del anlisis por espectrometra
infrarroja, cuasi-infrarroja o de resonancia magntica nuclear, se utilizan como datos de
entrada para identificar los componentes y poder predecir las propiedades de una mezcla.
(Hecht-Nielsen, 1990)
Usando las RNA con los datos del monitoreo de las variables de operacin de una planta
de proceso, puede realizarse un mejor control de la calidad. Debido a que la RNA es
actualizada continuamente con nuevos datos, a fin de incrementar su conocimiento del
proceso, sus datos de salida pueden ser usados por el sistema de control de la planta
para establecer las condiciones de operacin, que permitan optimizar el desempeo de
esta. (Hecht-Nielsen, 1990)
29
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
aproximaciones basadas en las RNA para diagnosticar las causas que originan tales
desviaciones. (Venkatasubramaian y Chan; 1989; Ungar, et.al.; 1990)
En conclusin, como se ha visto, las RNA pueden apoyar a la Industria Qumica de
muchas formas, desde la investigacin bsica hasta la investigacin de mercados. Sin
embargo para usar las RNA de una forma confiable, es necesario que los datos de
entrada y salida incluyan todas las condiciones significativas, as como sus caractersticas
de funcionamiento, de tal forma que el modelo desarrollado internamente por la RNA
describa adecuadamente el proceso fsico.
A fin de establecer la aplicabilidad de las RNA a los diversos problemas que surgen en la
Ingeniera Qumica a continuacin se presentan a detalle tres casos:
Simulacin de una planta de tratamiento de aguas residuales.
Modelacin de una columna de extraccin lquido-lquido.
Modelacin de una planta industrial de Craqueo Cataltico Fluidizado.
En esta aplicacin, se usan RNA para predecir la eliminacin del carbn orgnico total
(TOC) en la planta de tratamiento, usando el algoritmo delta-bar-delta para la estimacin
de los pesos y la funcin sigmoidal como la funcin de transferencia entre neuronas.
La base de datos original obtenida del sistema de control de planta y del laboratorio,
contiene muchos datos inservibles y otros correspondientes a situaciones inestables de la
30
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Los errores RMS de los resultados obtenidos en esta planta aplicando el modelo de RNA,
se muestra en la tabla 2.1.
Equipo
Reactor 1A
Reactor 2A
Reactor 3A
Reactor 1B
Reactor 2B
Reactor 3B
Tanque final
RMS
entrenamiento
0.0155
0.0445
0.0244
0.0187
0.0285
0.0309
0.0396
RMS
validacin
0.0265
0.0463
0.0307
0.0229
0.0339
0.0311
0.0401
ndice de
correlacin
entrenamiento
0.9928
0.9709
0.9825
0.9879
0.9825
0.9769
0.9730
ndice de
correlacin
validacin
0.9779
0.9615
0.9724
0.9807
0.9699
0.9812
0.9684
31
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
La principal conclusin es que las RNA pueden ser usadas para establecer mejores
condiciones de operacin, lo cual se establece a travs de variables tales como la
relacin de divisin de la corriente de entrada a cada reactor.
Tambin se establece que las RNA representan una posible ayuda en la operacin, ya
que son capaces de predecir perturbaciones y actuar pro-activamente para minimizar las
fluctuaciones de la salida.
32
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Los experimentos de la recuperacin del cido oxlico de las aguas residuales se llevaron
a cabo en una columna de disco y orificio, continua y agitada. Despus de la etapa de
extraccin, la regeneracin del solvente se realiza fcilmente por agotamiento del soluto
de la fase orgnica usando una solucin acuosa bsica. En este estudio, el objetivo es
minimizar la concentracin del cido oxlico en el rafinado.
Las caractersticas del conjunto pueden ser analizadas en trminos del transporte de las
gotas debido a la fuerza de flotacin, y al rompimiento y coalescencia debido a la
intensidad del mezclado. La mayora de estos mecanismos se deben a la turbulencia,
provocada por la agitacin mecnica (por ejemplo la intensidad de la pulsacin en este
caso). El rompimiento de la gota se puede ver como un mecanismo aleatorio debido a la
turbulencia y coalescencia y puede ser considerado como el resultado de contactos
aleatorios entre las gotas en un flujo agitado.
Para obtener el modelo de proceso, antes que nada la RNA se debe entrenar fuera de
lnea. Se utilizan dos conjuntos de datos, usando validacin cruzada para ensear a la
RNA el comportamiento dinmico de la columna de extraccin lquido-lquido.
33
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
patrones, se usa para determinar los factores de ponderacin ptimos para los que se
obtiene el mnimo error de prediccin.
Las entradas de la RNA estn formadas por los valores pasados y presentes del pH y la
conductividad, los valores pasados y presentes de los flujos y la intensidad de los pulsos,
y por el valor presente de la concentracin del cido oxlico en la corriente de
alimentacin. Las salidas son los valores futuros del pH en la corriente del rafinado y la
conductividad en el fondo de la columna. Se consider que el proceso de extraccin
lquido-lquido se puede aproximar por un sistema de primer orden. Se probaron algunos
valores de entradas anteriores al (t-1), pero dan una exactitud similar de la prediccin de
la RNA.
El nmero de pocas fue de 3000 y el error final para los 6000 datos durante la fase de
entrenamiento es de 0.36929, mientras que para los 2992 datos de validacin en de
0.204567.
Los valores calculados por la RNA estn de acuerdo con los valores experimentales.
A fin de confirmar la validez de la metodologa usada en el desarrollo del modelo, se
presento un experimento usando un 2.0 % peso de cido oxlico en la corriente de carga.
Comparando los valores experimentales del pH en el rafinado y la conductividad en el
fondo de la columna, con las predicciones de salida de la RNA se observa que estos
valores tienen un error menor al 5%.
Cerca de las condiciones de inundacin; por ejemplo cuando ocurre una inundacin
cclica, la cual es un fenmeno inestable, la RNA describe las variaciones repentinas de
34
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
los valores promedio de la conductividad, justo debajo del distribuidor donde se localiza la
cama de la fase dispersa.
El valor ptimo de la conductividad es de 0.8 mS/cm (mili-Siemens / centmetro) el cual se
obtiene al inicio de la inundacin. La RNA puede seguir fcilmente cada incremento y
decremento de la conductividad durante los experimentos de extraccin.
Para demostrar la validez de la RNA obtenida, esta topologa se prob con datos
experimentales no usados durante el entrenamiento. De acuerdo a los resultados
obtenidos, es claro que la RNA proporciona una representacin muy cercana de los datos
experimentales en un amplio rango de condiciones de operacin de la columna de
extraccin lquido-lquido. Se obtienen valores de error menores al 10%.
Para muchos procesos qumicos es difcil obtener un modelo de simulacin, sin embargo
las RNA pueden aprender la dinmica de los procesos a partir de datos de entrada y
salida del proceso. Aqu se desarroll una RNA para calcular el pH de una fase continua
de salida y la conductividad del fondo de una columna. Los resultados presentados
muestran que la RNA trabaja adecuadamente para una columna de extraccin lquidolquido la cual presenta un comportamiento altamente no-lineal y con parmetros que
cambian a travs del tiempo.
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
industriales FCC son diseadas para procesar varios tipos de cargas, incluyendo
destilados primarios, residuos atmosfricos y de vaco y gasleos de vaco. Debido a que
las unidades FCC son capaces de convertir grandes cantidades de cargas pesadas en
productos ligeros ms valiosos, cualquier mejora en el diseo, operacin o control por
pequeo que sea, da como resultado un incremento en los beneficios econmicos de la
planta.
El modelo del proceso se puede utilizar para proponer una trayectoria ptima para un
cambio de condiciones de operacin de la planta, el cual minimice la prdida de
productos durante el cambio. Los modelos se pueden desarrollar a partir de principios
fundamentales, tales como las leyes de la conservacin de materia, energa y momentum,
y otros principios de la ingeniera qumica. Tales modelos son capaces de explicar los
procesos fsicos implcitos y son llamados modelos fenomenolgicos.Se han
presentando varios modelos fenomenolgicos para el proceso FCC. Sin embargo, debido
a la complejidad de las unidades industriales del proceso FCC, es muy difcil obtener un
modelo fenomenolgico adecuado. La complejidad surge de la ntima interaccin entre
las variables de operacin del reactor (Riser) y el regenerador. Adems, surge un alto
grado de incertidumbre en la cintica de las reacciones de craqueo y la desactivacin del
catalizador por deposicin de carbn en el riser y el proceso de quemado del carbn en el
regenerador. Aun si se obtiene un modelo fenomenolgico adecuado, este puede ser
muy complejo y normalmente requiere de simplificaciones para poder ser resuelto.
Otro mtodo prctico para desarrollar modelos es una aproximacin denominada caja
negra, en la cual los modelos se obtienen exclusivamente a partir de datos
experimentales de planta. Tales modelo no proporcionan un conocimiento detallado de
los aspectos fsicos implcitos, pero proveen una descripcin de la relacin dinmica entre
las variables de entrada y salida del proceso. Un ejemplo de este tipo de herramientas,
son los modelos estadsticos obtenidos a travs de anlisis de regresin. Sin embargo, la
mayora de las aproximaciones estadsticas estn basadas en modelos de identificacin
de sistemas lineales. Desafortunadamente, la mayora de los procesos de la Industria
Qumica son no-lineales y para esos casos el desempeo de los modelos lineales no es
adecuado.
36
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
En este trabajo se desarrolla y entrena un modelo basado en las RNA, a partir de datos
operacionales de una unidad FCC industrial. El modelo es capaz de predecir el
porcentaje de conversin volumtrica para un estado estacionario, a partir de seis
variables de entrada. Se puso especial atencin en obtener un modelo con buenas
propiedades de generalizacin. Este modelo puede ser una herramienta valiosa para la
evaluacin de catalizadores y cargas, optimizacin de las condiciones de operacin y
tambin durante el diseo de la unidad FCC.
Tabla 2.2 Variables del modelo del proceso FCC y sus intervalos.
Variable
Conversin, % vol.
Peso especfico de la carga
Contenido de azufre en la carga, % peso
Relacin catalizador/aceite
2 2rea especfica del catalizador, m /g
Flujo de circulacin del catalizador, ton/min
T de salida del raiser, C
Intervalo
70.74-85.18
0.90-0.92
0.22-2.08
4.48-6.33
114-154
14.18-20.36
514.7-518.7
De acuerdo a los resultados obtenidos se puede observar que el modelo de RNA predice
adecuadamente tanto los datos de entrenamiento como los de validacin, no solo
reproduciendo las trayectorias de las tendencias de las variables de proceso, sino
prediciendo valores muy cercanos a la mayora de los datos experimentales.
Tambin se pude observar que las predicciones de los valores de entrenamiento son
mejores que los valores de validacin. Esto es de esperarse, ya que los valores de
entrenamiento son responsables de la definicin de los factores de ponderacin del
modelo. As, la RNA aprende las caractersticas de los datos de entrenamiento mejor
37
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
que las de otro tipo de datos. El hecho de que los parmetros de anlisis de los datos de
entrenamiento sean muy similares a sus correspondientes de validacin, significa que el
modelo puede generalizar suficientemente bien el conocimiento adquirido de los datos de
entrenamiento. La relacin entre el error RMS de los datos de validacin y entrenamiento
es 1.09, el cual puede ser considerado como una mejora significativa sobre los modelos
desarrollados con anterioridad (McGreavy, C., et. al., 1994).
38
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Por otra parte, aun cuando ha habido un avance muy importante en el campo de la
inteligencia artificial, a la fecha se puede afirmar que no existe ningn procedimiento
totalmente vlido para determinar los parmetros involucrados de estos novedosos
paradigmas, excepto que el de prueba y error (Chouai, et. al., 2000; McGreavy, et. al.,
1994; Michalopoulos, et. al., 2001).
Por esta razn en el presente trabajo se realizar un anlisis exhaustivo de los datos
disponibles, as como de los resultados obtenidos, para establecer el mejor modelo que
represente el comportamiento de la operacin de un Reactor de Hidrodesulfuracin de
Naftas. En primera instancia se realiza un anlisis estadstico de los datos de operacin
del Proceso de Hidrodesulfuracin, el cual se detalla ms adelante, logrando con esto
tener solamente los datos que representen ms adecuadamente el comportamiento de
dicho proceso.
Por otra parte, se realizan varias corridas de simulacin con varias topologas y diferentes
valores de los parmetros del algoritmo de retropropagacin a fin de obtener los valores
ptimos de los mismos; lo que implica una determinacin por prueba y error, a falta de
algn mtodo analtico que permita hacer dicha determinacin de una forma sistemtica.
39
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
( y
RMS =
p
m
d m )2
(3.1)
pm
pdonde
psalida
40
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Para este fin se cuenta con informacin del Reactor de Hidrodesulfuracin de Naftas que
comprende las siguientes variables de operacin:
41
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
las cuales se clasifican como entradas y salidas de la RNA, como se indica en la tabla
3.1 junto con sus intervalos correspondientes.
SALIDA
CARGA
25000
20000
BPD15000
10000
5000
0
1
13 25 37 49 61 73 85 97 109 121 133 145 157 169 181 193 205 217 229 241 253 265 277
das
42
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
TEMPERATURA
320
300
T,C280
260
240
220
1
13 25 37 49 61 73 85 97 109 121 133 145 157 169 181 193 205 217 229 241 253 265 277
das
PRESION
80
P, Kg/cm2
60
40
20
0
112
2334
120
100
80
m3/Bbl
60
40
20
0
112
2334
4556
6778
89
10
das
0
11
1
12
Figura 3.3 Variacin
de la presin de operacin.
2
13
3
14
4
15
5
16
6
17
7
RELACION H2/HC
18
8
19
9
21
0
22
1
23
2
24
4556
6778
3
25
das
4
26
5
27
Figura 3.4
6 Variacin de la relacin H2/HC
43
89
10
0
11
1
Construccin de una Red Neuronal Artificial 12
para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
2
13
3
14
4
15
PUREZA
5
16
6
150
17
7
100
% mol
18
8
50
19
9
0
21
1 12 23 34 45 56 67 780 89 100 111 122 133 144 155 166 177 188 199 210 221 232 243 254 265 276
22
1
das
23
2
24
3
Figura 25
3.5
Variacin de la pureza de H2.
4
26
5
27
6
CONSUMO H2
250000
200000
150000
m3/da
100000
50000
0
1
12 23 34 45 56 67 78 89 100 111 122 133 144 155 166 177 188 199 210 221 232 243 254 265 276
das
TIE CARGA
80
60
C 40
20
0
112
2334
4556
6778
das
44
89
10
0
11
1
Construccin de una Red Neuronal Artificial12para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
2
13
3
14
4
15
TFE CARGA
5
16
6
200
17
190
7
180
18
170
C
8
160
19
150
9
21
0
112
2334
4556
6778
2289
10
1
das
23 0
11
2
24 1
12
3
Figura253.8
2 Variacin de la TFE de carga.
13
4
26 3
14
5
27 4
15
6
5
16
6
17
7
PESO ESP. 20/4
18
8
19
0.74
9
0.735
21
0.73
0
0.725
22
0.72
1
0.715
23
0.71
2
0.705
24
112
2334
4556
6778
89 3
1025
das
04
1126
15
1227
Figura 3.9 Variacin
del peso especfico de carga
26
13
3
14
4
15
5
16
6
17
7
AZUFRE CARGA
18
8
19
2500
9
2000
ppm 1500
peso
21
0
1000
22
500
1
0
23
2
1
12 23 34 45 56 67 2478 89 100 111 122 133 144 155 166 177 188 199 210 221 232 243 254 265 276
3
25
das
4
26
5
27
Figura 3.10
Variacin del azufre de carga.
6
45
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
PRODUCCIN
40000
30000
BPD
20000
10000
0
1
12 23
34 45 56
67 78 89 100 111 122 133 144 155 166 177 188 199 210 221 232 243 254 265 276
das
TIE PRODUCTO
100
80
60
C 40
20
0
112
2334
250
200
150
C 100
50
0
112
2334
4556
6778
89
10
das
0
11
1
12
Figura 3.122 Variacin de la TIE de
13
3
14
4
15
5
16
6
17
7
TFE PRODUCTO
18
8
19
9
21
0
22
1
23
2
4556
6778
24
3
das
25
Figura
4
26
5
3.13
27 Variacin
6
producto.
de la TFE de producto.
46
89
10
0
11
1
Construccin de una Red Neuronal Artificial 12
para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
2
13
3
14
4
15
PESO ESP. 20/4
5
16
6
0.8
17
7
0.75
18
8
0.7
19
0.65
9
21
0
112
2334
45 5667
7889
10
13
22 0
3
das
1
11
14
23 1
4
2
12
15
24 2
5
3
Figura 3.14 Variacin
del peso
16 especfico del producto.
25
6
4
17
26
7
5
18
27
8
6
19
9
21
0
22 PRODUCTO
AZUFRE
1
23
2
1
24
ppm 0.8
peso
3
0.6
25
0.4
4
0.2
26
0
5
112
2334
10
C
5
0
112
2334
4556
27
6
6778
89
10
das
0
11
1
12
Figura 3.15 Variacin
de azufre en el producto.
2
13
3
14
4
15
5
16
6
17
7
dT
18
8
19
9
21
0
22
1
23
4556
6778
2
das
24
3
25
4
Figura
3.16 Variacin de la T.
26
5
27
6
47
89
10
0
11
1
Construccin de una Red Neuronal Artificial12para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
2
13
3
14
4
15
5
16
dP
6
17
7
6
18
Kg/cm2
8
4
19
2
9
21
0
0
22
112
2334
4556
6778
891
10
23
das
02
11
24
13
12
25
Figura
3.17 Variacin de la P.
24
13
26
35
14
27
46 se realiz un anlisis estadstico de los mismos
A fin de asegurar la validez de los datos
eliminando todo juego de datos en el 15
que
cualquiera de los valores de sus variables
5
estuviera fuera del intervalo 2 respecto
a la media (Michalopoulos, et. al., 2001); siendo
16
6
la desviacin estndar.
17
7
18
8
19
Este criterio esta basado en la consideracin
del intervalo de confianza que se maneja en
9
el anlisis estadstico de datos, el cual21esta definido como el intervalo en el que cae una
medicin para una probabilidad dada. 0
22
1
23
2
Para el propsito de este trabajo se propone
un intervalo de confianza de cada una de las
24
variables involucradas en el desarrollo3del modelo del 95.4 %, lo que en trminos
estadsticos equivale a un intervalo de252 respecto a la media. Estas equivalencias
4
estn definidas considerando una distribucin
normal de los datos.
26
5
27
6
x (x )2 x
+ n
1
P( n < x < + n )
2
definiendo, u
expx 2 2 xdx
xx
xx
+ n
x (x )2 x
expxx 2 2 xdx
x
xx
(3.2)
(3.3)
(x )dx
, de tal forma que du =, entonces:
22
48
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
2
P( n < x < + n ) =
2
n
2
exp(u 2 )du
(3.4)
xnx
exp(u 2 )du = erf xx
x 2x
(3.5)
2
=
n
2
donde erf(x) es la funcin error. En la tabla 3.2 se resumen los valores de probabilidad
P( xn < x < + x n ) de las mediciones de una distribucin normal caen dentro del
intervalo [ xn , + xn ] para xn = n para valores pequeos de n.
P( xn < x < + x n )
2
3
4
5
0.6826895
0.9544997
0.9973002
0.9999366
0.9999994
49
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
MEDIA
DESVIACIN
ESTNDAR
21471.7
286.7
53.2
35.7
87.9
77400
63.0
184.5
0.7315
1104.8
20247.2
69.3
184.3
0.7333
0.3593
4.3
2.5
1815.9
5.81
5.0
6.07
6.1
24371
4.7
5.1
0.0029
243.2
2095.1
5.2
5.5
0.0041
0.056
2.34
1.03
Consumo de hidrgeno,
T, y
P.
ya que mientras que las variables restantes tienen una desviacin estndar que
representa un promedio del 15% de la media, las variables en cuestin muestran los
siguientes porcentajes: Consumo de hidrgeno, 31.5%; T, 54.4%; y P, 41.2%. Una vez
realizado el anlisis estadstico de los datos se eliminaron 86 y quedaron 197 datos
disponibles para el desarrollo del modelo de RNA.
50
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
x xmin
xnorm = xmax xmin
(3.2)
Para obtener los valores originales de las variables se utiliz la siguiente frmula:
(3.3)
Cabe aclarar que a pesar de que el programa QwikNet realiza la normalizacin de las
variables en forma automtica, esta se realiz en forma manual a fin de mantener la
secreca de los datos experimentales usados en el desarrollo del modelo.
51
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Ahora bien, existen tambin otros criterios que a juicio de McGreavy, (1994), deben ser
tomados en cuenta:
1. El nmero de neuronas en la capa oculta se debe minimizar, ya que entre ms
neuronas haya en esta capa, el nmero de datos de entrenamiento requeridos se
incrementa considerablemente (Bath y McAvoy, 1992; Morris, et. al., 1994).
2. La exactitud de las predicciones depende de las caractersticas del conjunto
completo de datos de entrenamiento.
3. La conectividad de las neuronas determina el alcance de la capacidad de
prediccin de la red neuronal.
4. En la seleccin de los datos de entrenamiento se debe tener cuidado en escoger
datos que representen condiciones de operacin normal a fin de evitar
predicciones errneas que puedan surgir de condiciones de operacin inusuales
(McGregor, 1994). En nuestro caso, esto se asegur a travs de la depuracin de
los datos usando el anlisis estadstico.
Slo se considerar el caso de una capa oculta, ya que de acuerdo a las diversas
aplicaciones a la identificacin de procesos, se ha podido establecer que esta topologa
proporciona resultados adecuados (Michalopoulos, et. al., 2001; Ramasamy, et. al., 1995;
Chouai, et. al., 2000).
El nmero de nodos en las capas de entrada y salida depender del caso que se est
analizando de acuerdo a la siguiente descripcin:
Lo ideal es contar con una RNA que modele la correlacin entre todas las variables de
entrada y todas las variables de salida, como se enlistan en la tabla 3.1. Sin embargo,
como primer paso se analizar la red que contenga 10 variables en la capa de entrada y 7
variables en la capa de salida, tal y como se muestra en la figura 3.18.
Carga
T
Produccin
TIE prod.
Rel H2/HC
Pureza H2
Cons. H2
RNA
Azufre
TIE carga
TFE prod.
p.e. prod.
Azufre prod.
T
P
TFE carga
p.e. carga
Figura 3.18 Esquema de variables de entrada-salida para el caso 10-X-7.
52
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Cabe aclarar que este es un esquema simplificado con el nico propsito de mostrar las
variables de entrada y salida consideradas. Las siglas RNA en la capa intermedia
significan que precisamente esa es la informacin que se va a determinar como parte de
este trabajo.
Carga
T
Produccin
P
Rel H2/HC
Pureza H2
Azufre prod.
RNA
T
P
Cons. H2
Azufre
TIE carga
TFE carga
p.e. carga
TIE producto
RNA
TFE producto
p.e. producto
53
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Una vez construidos los modelos correspondientes a las tres topologas y probndolas, se
determinar cuales representan mejor el comportamiento de las variables de Reactor,
seleccionndolas como el modelo de RNA del proceso.
Para todos los casos el procedimiento para obtener los parmetros ptimos ser el
siguiente.
Debe quedar claro que el objetivo del procedimiento es determinar las topologas que den
el error mnimo en la prediccin del conjunto de datos de validacin.
Las dimensiones de las capas de entrada y salida se resumen en la siguiente tabla, y
sern los casos que se analizan en el presente trabajo.
NODOS DE ENTRADA
NODOS DE SALIDA
10
7
3
7
4
3
Existen varios mtodos para la determinacin de los nodos ocultos. Esos mtodos se
basan ya sea en consideraciones heursticas (Bishop, 1998), tales como regularizacin,
poda (pruning), y paro del entrenamiento; o estadsticos (Sarle, W.S., 1997) tales
como: prueba de hiptesis, criterio de informacin, y validacin cruzada.
Aunque la determinacin del nmero ptimo de nodos ocultos aun est bajo investigacin
intensiva, parece ser que los mtodos estadsticos tienen mayores beneficios que los
mtodos heursticos (Anders, y Korn; 1999).
54
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Inicio
l = 1, N =1
N=N+1
no
N = Nent
si
Guardar los pesos de la red para
los cuales el error RMS de
validacin es mnimo
l=l+1
N=1
no
l = llim
si
La red global ptima es aquella
que tiene el menor error RMS de
validacin
opt
55
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Cabe aclarar que los pesos iniciales se establecen de manera aleatoria dentro del
intervalo propuesto, tal y como se describe en el siguiente captulo.
Generalmente, llim depende de la complejidad del problema a resolver, y en varios
modelos desarrollados (Michalopoulos, et. al., 2001; Choaui, et. al., 2000; Gontarsky, et.
al., 2000; Nascimento, et. al., 1999; Ramasamy, et. al., 1995; McGreavy, et. al., 1994) se
puede observar que la topologa seleccionada tiene en la capa intermedia, no ms nodos
que la capa de entrada, y no menos nodos que la capa de salida; es por eso que en
nuestro caso, en el cual la topologa global tiene 10 nodos de entrada y 7 nodos de salida,
el nmero de nodos en la capa intermedia debe estar entre estos valores; sin embargo a
fin de extender la bsqueda del nmero ptimo de nodos ocultos ms all de los valores
recomendados, en este trabajo se evalan topologas con hasta 20 nodos en la capa
intermedia.
El nmero ptimo de nodos ocultos corresponde al valor de l, para el cual la red alcanza
el menor RMSmin. Sin embargo, se debe aclarar que debido a que solo se puede realizar
un nmero limitado de corridas para explorar la superficie de error, el conjunto ptimo de
pesos obtenido puede representar un mnimo local profundo de la superficie de error, y no
el mnimo global (Michalopoulos, et. al.,.2001).
56
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
4. DETERMINACIN DE LA
TOPOLOGA PTIMA
4.1. TOPOLOGA GLOBAL.
En primer trmino se analiz la topologa que incluye todas las variables de entrada y de
salida, tal y como se describe en la figura 3.18 y en la cual las variables se clasifican
como:
SALIDA
Flujo de producto
TIE producto
TFE producto
Peso especfico producto
Azufre producto
T
P
Las topologas que se probaron son las siguientes, de acuerdo al criterio establecido en el
algoritmo presentado en la figura 3.21:
10-6-7
10-7-7
10-8-7
10-9-7
10-10-7
10-12-7
57
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
10-14-7
10-16-7
10-18-7, y
10-20-7
y para cada una de las topologas se realizaron entrenamientos con los siguientes
intervalos de pesos iniciales:
-1,1
-2,2
-4,4
-6,6
-8,8
-10,10
-15,15
-20,20
Es importante establecer que en el algoritmo slo se proponen los intervalos de los pesos
iniciales, pero su asignacin final se realiza de forma aleatoria pudiendo tomar cualquier
valor dentro de dicho intervalo (Chouai, et. al., 2000). La funcin de los pesos es
modificar la seal transportada de un nodo a otro, ya sea aumentando o disminuyendo la
influencia de la conexin involucrada (Michalopoulos, et. al., 2001).
Cabe aclarar que estas ltimas consideraciones se aplicaron a todas las topologas
analizadas.
Una vez realizado el anlisis, se obtuvieron los siguientes resultados del error RMS para
la fase de entrenamiento. En las tablas 5.2 a 5.11, el asterisco representa el conjunto de
pesos para los cuales se obtuvo el menor error promedio.
58
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
RMS Promedio
0.125394
0.109064
0.105547
0.103036*
0.103913
0.104923
RMS Promedio
0.122573
0.103109
0.099404
0.0965815
0.0968514
0.0949922*
0.0979935
RMS Promedio
0.118466
0.100433
0.094780
0.091538
0.091532
0.091364*
0.0915701
59
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
RMS Promedio
0.116240
0.0977512
0.0901805
0.0884574
0.0855697*
0.0880639
0.0877055
RMS Promedio
0.114334
0.944434
0.852436
0.844689
0.851554
0.833626
0.832635
0.831143
0.0825216
0.0820554*
0.831068
0.0841973
RMS Promedio
0.109628
0.0862991
0.0814135
0.0768315
0.0773471
0.0759774*
0.0763062
0.0771444
0.0773744
60
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
RMS Promedio
0.107892
0.084043
0.0702977
0.0699524
0.067928
0.0686253
0.0703367
0.0684334*
0.0722059
RMS Promedio
0.104821
0.0793449
0.0670125
0.0639351*
0.0646759
0.0649743
0.0651453
0.0647859
0.0655935
RMS Promedio
0.101843
0.0732126
0.0587184
0.0566874*
0.0577578
0.0611793
0.0586645
61
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
RMS Promedio
-1,1
-2,2
-4,4
-6,6
-8,8
-10,10
-12,12
0.100187
0.068882
0.0548013
0.0521632*
0.0556018
0.0559977
0.053476
Produccin
1
0.9
0.8
0.7
Valor escalado
0.6
0.5
0.4
0.3
Calculado
Real
0.2
0.1
0
0
10
20
30
40
50
60
70
80
90
100
Registro
62
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
TIE
1
0.9
0.8
0.7
Valor escalado
0.6
0.5
0.4
0.3
0.2
Calculado
0.1
Real
0
0
10
20
30
40
50
60
70
80
90
100
90
100
Registro
TFE
1
0.9
0.8
0.7
Valor escalado
0.6
0.5
0.4
0.3
Calculado
0.2
Real
0.1
0
0
10
20
30
40
50
60
70
80
Registro
63
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Peso especfico
1
0.9
0.8
Calculado
Real
0.7
Valor escalado
0.6
0.5
0.4
0.3
0.2
0.1
0
0
10
20
30
40
50
60
70
80
90
100
Registro
Azufre
1
0.9
Calculado
0.8
Real
0.7
Valor escalado
0.6
0.5
0.4
0.3
0.2
0.1
0
0
10
20
30
40
50
60
70
80
90
100
Registro
64
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
dT
1
0.9
0.8
0.7
Valor escalado
0.6
Calculado
Real
0.5
0.4
0.3
0.2
0.1
0
0
10
20
30
40
50
60
70
80
90
100
Registro
dP
1
0.9
0.8
0.7
Valor escalado
0.6
0.5
0.4
0.3
Calculado
0.2
Real
0.1
0
0
10
20
30
40
50
60
70
80
90
100
Registro
65
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Las figuras 4.1 a 4.7 muestran los valores calculados y reales de las variables de salida
de la topologa Global: produccin, TIE de producto, TFE de producto, peso especfico
del producto, azufre en el producto, T, y P.
Como se puede observar existen variables que son mejor ajustadas tales como: TIE,
TFE, y peso especfico; mientras que la produccin, el azufre, y las deltas, tienen un
ajuste de menor calidad. Esto pone de manifiesto que existen valores para estas ltimas
variables que provocan que el ajuste no sea el adecuado, aun a pesar de haber eliminado
valores conflictivos a travs del anlisis estadstico.
Adems se puede observar que no en todos los casos se tuvo como lmite mximo el
conjunto de pesos de -12 a 12; esto se explica debido a que es necesario variar el
conjunto de pesos iniciales hasta encontrar el intervalo en el cual se presenta un mnimo
en el error promedio, tal es el caso para las topologas: 10-10-7, 10-12-7, 10-14-7, y 1016-7.
Por otra parte, es evidente que los errores disminuyen conforme se aumentan los nodos
de la capa oculta, esto podra llevar a pensar que entre ms nodos ocultos tenga la red
neuronal mejores sern las predicciones de dicha red. Sin embargo, esto es slo una
falsa estimacin, ya que al aumentar indiscriminadamente los nodos de la capa oculta, lo
que se est haciendo es que la red neuronal memorice los patrones de datos, y no que
desarrolle la capacidad de generalizar, es decir predecir adecuadamente an para datos
que no se hayan presentado a la red con anterioridad.
En caso de que la red neuronal memorice, ser totalmente ineficiente al predecir las
variables correspondientes a los datos que no le hayan sido presentados, lo cual es una
caracterstica no deseable.
Por esta razn, es necesario tener otro criterio de seleccin y esto lo proporciona la
metodologa denominada validacin cruzada, ya descrita en la seccin 3.3.
Para nuestro caso, a la red neuronal en cuestin se le presentaron simultneamente
datos de entrenamiento y datos de validacin, estos ltimos son datos que la red no
utiliza para su entrenamiento y por lo tanto no ha visto. Se monitorea la variacin del
error de validacin y en cuanto se empieza a incrementar, se detiene el proceso de
entrenamiento, esto se hace para diferentes conjuntos de pesos iniciales como se vio
anteriormente, obtenindose los siguientes resultados de la tabla 4.12.
66
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
PESOS
ERROR RMS DE
VALIDACIN
10-6-7
10-7-7
10-8-7*
10-9-7
10-10-7
10-12-7
10-14-7
10-16-7
10-18-7
-6,6
-10,10
-10,10*
-8,8
-18,18
-8,8
-14,14
-6,6
-6,6
0.249778
0.294936
0.234573*
0.286564
0.251978
0.252247
0.331277
0.296585
0.314288
0.34
0.32
0.3
RMS
0.28
0.26
0.24
0.22
6
10
12
14
16
18
En las siguientes figuras se presentan los valores reales y calculados de las variables del
Reactor de Hidrodesulfuracin de Naftas, usando la topologa Global (10-8-7). Los
valores de entrenamiento y validacin se muestran en la misma grfica. Los 100
67
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
1
0.9
0.8
0.7
Valor escalado
0.6
0.5
0.4
0.3
0.2
Calculado
0.1
Real
0
1
21
41
61
81
101
121
141
161
Registro
0.9
y = 0.8485x + 0.0697
Produccin
0.8
calculada
0.7
0.6
0.5
0.4
0.4
0.5
0.6
0.7
0.8
0.9
Produccin real
68
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
1
0.9
0.8
0.7
Valor escalado
0.6
0.5
0.4
0.3
0.2
Calculado
0.1
Real
0
1
21
41
61
81
101
121
141
161
Registro
1
0.9
0.8
y = 0.615x + 0.1994
TIE producto
0.7
calculado
0.6
0.5
0.4
0.3
0.2
0.1
0
0
0.2
0.4
0.6
0.8
69
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
1.6
1.4
1.2
Calculado
Real
1
Valor escalado
0.8
0.6
0.4
0.2
0
1
21
41
61
81
101
121
141
161
Registro
1
0.9
0.8
TFE producto
0.7
calculado
0.6
0.5
0.4
0.3
y = 0.9591x + 0.0548
0.2
0.1
0
0
0.2
0.4
0.6
0.8
70
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
1
0.9
Calculado
Real
0.8
0.7
Valor escalado
0.6
0.5
0.4
0.3
0.2
0.1
0
1
21
41
61
81
101
121
141
161
Registro
1
0.9
y = 0.5421x + 0.1919
0.8
Peso especfico
calculado
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
0.2
0.4
0.6
0.8
Figura 4.16 Dispersin de los valores de peso especfico producto. Caso Global.
71
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
1
0.9
Calculado
0.8
Real
0.7
Valor escalado
0.6
0.5
0.4
0.3
0.2
0.1
0
1
21
41
61
81
101
121
141
161
Registro
1
0.9
0.8
Azufre
producto
0.7
calculado
0.6
0.5
0.4
0.3
y = 0.8322x + 0.0527
0.2
0.1
0
0
0.2
0.4
0.6
0.8
72
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
1
0.9
0.8
Calculado
Real
0.7
Valor escalado
0.6
0.5
0.4
0.3
0.2
0.1
0
1
21
41
61
81
101
121
141
161
Registros
1
0.9
0.8
0.7
delta T
0.6
calculado
0.5
0.4
0.3
y = 0.7653x + 0.1099
0.2
0.1
0
0
0.2
0.4
0.6
0.8
delta T real
73
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
1
0.9
Calculado
Real
0.8
0.7
Valo0.6
escalado
0.5
0.4
0.3
0.2
0.1
0
1
21
41
61
81
101
121
141
161
Registros
1
0.9
0.8
0.7
dP calculado
0.6
0.5
0.4
0.3
y = 0.6691x + 0.1652
0.2
0.1
0
0
0.2
0.4
0.6
0.8
dP real
74
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
figuras 4.10, 4.12, 4.14, 4.16, 4.18, 4.20 y 4.22, muestran las grficas de dispersin
correspondientes a cada una de las variables de salida.
Una vez analizadas las grficas antes mencionadas podemos concluir que las variables
que presentan mayor dispersin de los valores calculados son: TFE producto, peso
especfico producto, T, y P.
SALIDA
Flujo de producto
Azufre producto
T
P
75
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Las topologas que se estudiaron de acuerdo al nmero de nodos en la capa oculta son:
7-4-4
7-5-4
7-6-4
7-7-4
7-8-4
7-10-4
7-12-4, y
7-14-4.
-1,1
-2,2
-4,4
-6,6
-8,8
-10,10
-12,12
-14,14
-16,16
-18,18
RMS Promedio
0.142829
0.12572
0.115266
0.112271
0.113203
0.112148*
0.119184
0.113865
76
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
RMS Promedio
0.139144
0.120486
0.109595
0.105536
0.110153
0.109455
0.105092*
0.10584
0.107243
RMS Promedio
0.135004
0.117268
0.103752
0.102368
0.104286
0.101795
0.105866
0.100913*
0.10194
0.103925
77
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
RMS Promedio
0.132137
0.112799
0.102605
0.0997066
0.0993315
0.099642
0.0975986
0.0970233
0.0965694*
0.0978888
RMS Promedio
0.130945
0.109876
0.0986918
0.0932456
0.0916651*
0.0939812
0.0939437
RMS Promedio
0.127043
0.105391
0.0890707
0.0855472
0.077791*
0.084521
0.0791162
0.0835304
78
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
RMS Promedio
-1,1
-2,2
-4,4
-6,6
-8,8
-10,10
-12,12
-14,14
0.123535
0.0979916
0.0811921
0.0745149
0.072374*
0.0800731
0.0744177
0.0738009
RMS Promedio
-1,1
-2,2
-4,4
-6,6
-8,8
-10,10
-12,12
-14,14
0.121952
0.0952446
0.0753456
0.0681993
0.0665019*
0.0685809
0.0701096
0.0717397
Al igual que en el caso anterior el criterio para seleccionar la mejor topologa es aquella
que proporcione el menor error de validacin. Para este caso dichos errores se muestran
en la tabla 4.22, y grficamente en la figura 4.23.
PESOS
ERROR RMS DE
VALIDACIN
7-4-4
7-5-4*
7-6-4
7-7-4
7-8-4
7-10-4
7-12-4
7-14-4
-10,10
-12,12*
-14,14
-16,16
-8,8
-8,8
-8,8
-8,8
0.199749
0.169485*
0.214154
0.221837
0.233079
0.210391
0.237859
0.225085
79
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
0.24
0.23
0.22
0.21
RMS
0.2
0.19
0.18
0.17
0.16
0.15
4
10
12
14
Como se puede observar la topologa que proporciona el menor error RMS es la 7-5-4,
por lo que es la configuracin seleccionada para efectuar el anlisis de prediccin.
En las siguientes figuras se presentan los valores medidos y calculados de las variables
del Proceso de Hidrodesulfuracin de Naftas, para la topologa Proceso (7-5-4). Los
valores de entrenamiento y validacin se muestran en la misma grfica. Los 100
primeros puntos corresponden a los valores de entrenamiento, mientras que los 61
restantes corresponden a los valores de validacin.
80
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
1
0.9
0.8
0.7
Valor escalado
0.6
0.5
0.4
0.3
0.2
Calculado
Real
0.1
0
1
21
41
61
81
101
121
141
161
Registros
1
0.9
0.8
y = 0.9278x + 0.0422
0.7
Produccin
calculada
0.6
0.5
0.4
0.3
0.2
0.1
0
0
0.2
0.4
0.6
0.8
Produccin real
81
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
1
0.9
Calculado
Real
0.8
0.7
Valor escalado
0.6
0.5
0.4
0.3
0.2
0.1
0
1
21
41
61
81
101
121
141
161
Registros
1
0.9
0.8
Azufre
producto
0.7
calculado
0.6
0.5
0.4
y = 0.9927x - 0.0103
0.3
0.2
0.1
0
0
0.2
0.4
0.6
0.8
82
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
1
0.9
Calculado
0.8
Real
0.7
Valor escalado
0.6
0.5
0.4
0.3
0.2
0.1
0
1
21
41
61
81
101
121
141
161
Registros
1
0.9
0.8
0.7
delta T
0.6
calculado
0.5
0.4
0.3
0.2
y = 0.8376x + 0.0811
0.1
0
0
0.2
0.4
0.6
0.8
delta T real
83
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
1
Calculado
0.9
Real
0.8
0.7
Valor escalado
0.6
0.5
0.4
0.3
0.2
0.1
0
1
21
41
61
81
101
121
141
161
Registros
0.9
0.8
0.7
delta P
0.6
calculada
0.5
0.4
0.3
y = 0.8727x + 0.0412
0.2
0.1
0.2
0.4
0.6
0.8
delta P real
Comparando las ecuaciones de regresin de los valores calculados por el modelo de RNA
de las topologas Global y Proceso, se puede observar que al dividir la topologa
84
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Global se mejora considerablemente la capacidad predictiva del modelo. Slo por poner
un ejemplo, la ecuacin de regresin para el azufre pasa de:
y = 0.8322 x + 0.0527
en la topologa global, a:
y = 0.9927 x + 0.0103
en la topologa Proceso, y como se puede observar los valores numricos en esta ltima
ecuacin estn ms cerca de los valores ideales, indicando as una mejor regresin.
Por esta razn, en esta seccin se presenta el anlisis realizado con una topologa que
incluye exclusivamente la prediccin de las propiedades de la Nafta producto, usando
como variables de entrada las propiedades de la Nafta carga, quedando la distribucin de
variables de la siguiente manera:
SALIDA
TIE producto
TFE producto
Peso especfico producto
85
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
3-2-3
3-3-3
3-4-3
3-5-3
3-6-3
3-8-3
3-10-3
-1,1
-2,2
-4,4
-6,6
-8,8
-10,10
-12,12
Una vez realizada la fase entrenamiento, se obtuvieron los siguientes valores de error
RMS para cada una de las topologas propuestas.
RMS Promedio
0.153819
0.128375
0.124492*
0.124954
0.124903
0.124914
RMS Promedio
0.140903
0.112272
0.107748
0.107596*
0.107932
0.107638
86
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
RMS Promedio
0.130152
0.109782
0.107292
0.104969*
0.105059
0.105026
RMS Promedio
0.123875
0.108869
0.102246*
0.103342
0.103455
RMS Promedio
0.119895
0.107481
0.101281
0.0992013*
0.100618
0.100315
RMS Promedio
0.114003
0.105108
0.0973941*
0.0977677
0.0994959
87
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
RMS Promedio
-1,1
-2,2
-4,4
-6,6
-8,8
-10,10
-12,12
0.112188
0.104455
0.0978345
0.0947621
0.0922965*
0.0958134
0.0950974
Los valores marcados con asterisco (*) en las tablas anteriores indican que para esos
conjuntos de pesos iniciales se obtuvieron los menores errores RMS para la fase de
entrenamiento, y por lo tanto esos pesos fueron utilizados para realizar la validacin de la
red neuronal. Los resultados de la validacin se muestran en la tabla 4.31 siguiente:
PESOS
ERROR RMS DE
VALIDACIN
3-2-3
3-3-3
3-4-3
3-5-3
3-6-3
3-8-3
3-10-3
-4,4
-6,6
-6,6
-4,4
-6,6
-4,4
-8,8
0.220011
0.215923*
0.218684
0.220737
0.229017
0.229940
0.241463
88
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
0.245
0.24
0.235
0.23
RMS
0.225
0.22
0.215
0.21
2
10
En las siguientes figuras se muestra la comparacin entre los valores de las propiedades
obtenidos, con sus correspondientes valores reales; as como las grficas de distribucin
para cada una de las propiedades.
89
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
1
0.9
0.8
0.7
Valor escalado
0.6
0.5
0.4
0.3
0.2
Calculado
0.1
Real
0
1
21
41
61
81
101
121
141
161
Registro
1
0.9
0.8
TIE producto
0.7
calculado
0.6
0.5
0.4
0.3
y = 1.0651x - 0.0331
0.2
0.1
0
0
0.2
0.4
0.6
0.8
90
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
1.2
Calculado
Real
0.8
Valor escalado
0.6
0.4
0.2
0
1
21
41
61
81
101
121
141
Registro
1
0.9
0.8
TFE 0.7
producto
calculado
0.6
0.5
0.4
y = 0.8725x + 0.1108
0.3
0.2
0.1
0
0
0.2
0.4
0.6
0.8
91
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
1
Calculado
0.9
Real
0.8
0.7
Valor escalado
0.6
0.5
0.4
0.3
0.2
0.1
0
1
21
41
61
81
101
121
141
161
Registro
1
0.9
0.8
peso especfico
0.7
calculado
y = 0.8185x + 0.0549
0.6
0.5
0.4
0.3
0.2
0.1
0
0
0.2
0.4
0.6
0.8
92
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
En cada una de las grficas antes mencionadas, se muestra una lnea de referencia cuya
ecuacin es:
y = mx + b
(6.1)
donde:
m = pendiente, y
b = ordenada al origen.
En las mismas grficas tambin se muestra la lnea de regresin que mejor ajusta los
valores de salida calculados por cada una de las topologas, para cada una de las
variables.
Si se tuviera un modelo ideal que pronosticara exactamente los valores reales del
proceso, los parmetros de las lneas de ajuste antes mencionadas tendran un valor de
la pendiente igual a 1.0, y de la ordenada al origen igual a 0.0. Sin embargo, debido que
el modelo propuesto como cualquier otro modelo slo proporciona una aproximacin a los
valores reales del proceso, una forma de estimar la bondad del modelo propuesto es
comparar los valores de los parmetros de su lnea de regresin con los valores antes
mencionados.
As pues, en la siguiente tabla se muestran los parmetros de regresin para las tres
topologas: Global, Proceso y Propiedades.
93
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
VARIABLES
Parmetros
GLOBAL
ALTERNATIVA
PROPIEDADES
0.8485
0.6150
0.9591
0.5421
0.8322
0.7653
0.6691
0.0697
0.1994
0.0548
0.1919
0.0527
0.1099
0.1652
0.9278
---------0.9927
0.8376
0.8727
0.0422
---------0.0103
0.0811
0.0412
---1.0651
0.8725
0.8185
----------
---0.0331
0.1108
0.0549
----------
SALIDA
Produccin
TIE producto
TFE producto
Peso esp. producto
Azufre producto
T
P
Por este motivo se seleccionan como las topologas que mejor representan el modelo de
Hidrodesulfuracin de Naftas, la topologa Proceso y la topologa Propiedades, aun
cuando disminuye la calidad del modelo para la variable TFE producto, se toma como una
consideracin poco impactante en comparacin con las considerables mejoras que se
obtienen en la capacidad predictiva de las variables restantes.
Carga
T
Produccin
Azufre prod.
Rel H2/HC
Pureza H2
Cons. H2
Azufre
Figura 4.39 Topologa Proceso seleccionada.
94
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
TIE carga
TIE producto
TFE carga
TFE producto
p.e. carga
p.e. producto
Tabla 4.33 Valores de los pesos y sesgos para la topologa Proceso. Capa oculta.
i/j
1
2
3
4
5
1.5059
-1.2621
-1.1503
-1.9201
-3.4480
1.3920
1.9993
-0.8137
1.7338
3.2998
0.8141
-6.0127
-1.6417
-11.036
5.1820
Pesos
4
-1.0809
-1.5768
3.9650
-10.017
-1.8530
0.3824
9.5844
1.7947
2.7998
-0.2446
-0.4959
-7.5290
2.0535
-3.9106
-2.0292
0.6603
-1.0450
-1.9947
2.2902
2.6267
Sesgo
0.4779
-2.0176
3.6232
3.6828
-0.2571
Tabla 4.34 Valores de los pesos y sesgos pata la topologa Proceso. Capa de salida.
i/j
1
2
3
4
1
3.85194
0.64793
-1.73332
4.1864
2
-0.26152
0.42798
3.58732
-2.1257
Pesos
3
-0.61319
-0.09543
-4.20251
2.38989
4
-0.52496
-0.52980
-2.10412
-0.10407
5
-1.59257
0.137367
-0.875547
2.96715
Sesgo
-0.4241
-0.8890
3.4944
-5.5664
95
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Tabla 4.35 Valores de los pesos y sesgos para la topologa Propiedades. Capa oculta
i/j
1
2
3
1
-4.43867
0.756819
-0.379684
Pesos
2
-2.98272
0.938212
5.21926
3
-4.20848
-0.834173
1.15631
Sesgo
0.610347
-0.856785
-0.0991506
Tabla 4.36 Valores de los pesos y sesgos para la topologa Propiedades. Capa de
salida.
i/j
1
2
3
1
-4.43867
0.756819
-0.379684
Pesos
2
-2.98272
0.938212
5.21926
3
-4.20848
-0.834173
1.15631
Sesgo
0.610347
-0.856785
-0.0991506
Los valores anteriores son los que se usan para generar el programa que realizar la
simulacin y estimar el comportamiento de un Reactor de Hidrodesulfuracin de Naftas,
y el cual ser usado para evaluar el comportamiento del modelo.
96
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
5. ANLISIS DE RESULTADOS
5.1. PREDICCIN DE DATOS DE PRUEBA.
Una vez obtenidos los parmetros de la Red Neuronal, y haber realizado tambin la
validacin correspondiente lo que resta es probar la capacidad predictiva de la Red
Neuronal presentndole juegos de datos que no hayan sido utilizados ni para la fase de
entrenamiento, ni para la fase de validacin. Con esta accin se podr tener una idea
verdadera acerca de la bondad de las predicciones hechas por el modelo desarrollado.
Se utilizaron 36 juegos de datos, los cuales fueron separados del conjunto original
precisamente para la fase de prueba. Por cuestiones de confidencialidad no se
presentan los juegos de datos completos, presentndose slo las grficas de los valores
de las variables de salida, para nuestro caso: Produccin, TIE del producto, TFE del
producto, Peso especfico del producto, Azufre del producto, delta T del proceso y delta P
del lecho cataltico.
En las siguientes figuras se muestra en forma individual cada una de las variables antes
mencionadas:
22500
22000
Produccin Real
Produccin Calculada
21500
Produccin,
BPD
21000
20500
20000
19500
1
11
16
21
26
31
36
Corrida
97
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
22000
21500
Produccin
calculada
21000
20500
y = 0.9008x + 2006.1
20000
19500
19500
20000
20500
21000
21500
22000
Produccin real
78.0
TIE producto,
73.0
C
68.0
63.0
TIE prod Real
TIE prod Calculada
58.0
1
11
16
21
26
31
36
Corrida
98
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
85.0
80.0
75.0
TIE producto
calculada
y = 0.9071x + 6.3251
70.0
65.0
60.0
55.0
50.0
50.0
55.0
60.0
65.0
70.0
75.0
80.0
85.0
192.0
190.0
188.0
186.0
TFE producto,
C
184.0
182.0
180.0
178.0
TFE prod Real
176.0
174.0
1
11
16
21
26
31
36
Corrida
99
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
190.0
188.0
186.0
184.0
TFE 182.0
calculado
180.0
178.0
176.0
y = 0.8291x + 31.395
174.0
172.0
170.0
170.0
175.0
180.0
185.0
190.0
TFE real
0.74
0.738
0.736
Peso especfico
0.734
0.732
pe prod Real
0.73
pe prod Calculada
0.728
1
11
16
21
26
31
36
Corrida
100
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
0.739
0.737
Peso especfico
calculado
0.735
0.733
y = 0.6879x + 0.2294
0.731
0.729
0.727
0.727
0.729
0.731
0.733
0.735
0.737
0.739
0.5
0.45
Azufre
producto, ppm
peso
0.4
0.35
0.3
S prod Real
S prod Calculada
0.25
1
11
16
21
26
31
36
Corrida
101
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
0.46
0.44
0.42
0.4
Azufre
calculado
0.38
y = 0.7984x + 0.0805
0.36
0.34
0.32
0.3
0.28
0.28
0.3
0.32
0.34
0.36
0.38
0.4
0.42
0.44
0.46
Azufre real
9.5
8.5
delta T Real
delta T Calculada
7.5
delta T, C
6.5
5.5
4.5
3.5
2.5
1
11
16
21
26
31
36
Corrida
102
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
9.5
8.5
7.5
delta T
calculada
6.5
y = 0.8606x + 1.0284
5.5
4.5
3.5
2.5
2.5
3.5
4.5
5.5
6.5
7.5
8.5
9.5
delta T real
3.0
2.5
2.0
delta P,
kg/cm2 g
1.5
1.0
0.5
delta P Real
delta P Calculada
0.0
1
11
16
21
26
31
36
Corrida
103
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
2.60
2.40
2.20
2.00
delta P
calculada
1.80
y = 0.7191x + 0.3984
1.60
1.40
1.20
1.00
0.80
0.8
1.3
1.8
2.3
delta P real
Tabla 5.1 Por ciento de error relativo promedio de prediccin. Caso Prueba
VARIABLE DE SALIDA
% ERROR
Produccin
Temperatura Inicial de Ebullicin (TIE)
Temperatura Final de Ebullicin (TFE)
Peso especfico
Azufre
T
P
0.669
1.685
0.726
0.131
2.948
7.935
9.903
A pesar de que los datos utilizados en la fase de prueba del modelo de RNA para el
Proceso de Hidrodesulfuracin no haban sido utilizados anteriormente, es decir la RNA
nunca los haba visto; en la tabla 5.1 podemos observar que el modelo predice
adecuadamente la mayora de las variables de salida con errores promedio entre 0.6 y
3.0 %; excepto aquellos para los valores de las deltas de temperatura y presin los cuales
muestran un error promedio del 7.9 y 9.9 %, respectivamente. Como ya se haba
mencionado anteriormente, en el anlisis de los datos crudos se pudo ver que dichas
variables no mostraban prcticamente ninguna correlacin, ni an despus del anlisis
104
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
estadstico, lo cual provoca que tampoco la RNA sea capaz de desarrollar un modelo
adecuado para esas variables.
Adicionalmente, en las figuras 5.1 a 5.14 se puede ver que la tendencia de prediccin del
modelo RNA es buena, sin embargo debido al comportamiento errtico de los datos, en
algunos casos el modelo no logra predecir correctamente.
Es necesario aclarar que se probaron varios tipos de topologas, en particular una que
contena dos capas intermedias, con la idea de que una topologa que contenga ms de
una capa intermedia puede proporcionar mejores resultados de prediccin. Sin embargo,
de las predicciones obtenidas se pudo observar, al menos para este caso, que no
proporciona ninguna mejora apreciable. Adicionalmente, las topologas ms complejas
requieren una mayor cantidad de datos para su entrenamiento y su convergencia es ms
complicada, si es que se alcanza. Por tal motivo, se analizaron topologas con una sola
capa oculta.
Asimismo a pesar de que existen varias funciones de transferencia, entre las que
encontramos: tanh, gaussiana, sech, etc; en este trabajo slo se investig la funcin
sigmoidal, ya que es la ms ampliamente usada en el desarrollo de modelos RNA
aplicados a los procesos qumicos (Michalopoulos, et. al., 2001; Chouai, et. al., 2000;
Gontarsky, et. al., 2000; Ramasamy, et. al., 1995)..
105
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
A travs de esta herramienta es factible determinar los efectos de alimentar cargas con
diferentes caractersticas y de distinta calidad, procesadas bajo distintos niveles de
severidad, pudindose determinar el Balance Global de Materia, el porcentaje de
Hidrodesulfuracin, el Incremento de Temperatura, la Cada de Presin, el Consumo de
Hidrgeno, y el Contenido de Azufre en el Producto.
Se escogi el simulador Hidro-Naf ya que fue aplicado a la misma planta que se tom
como base para el desarrollo de este trabajo: la UPH-600 de la Refinera de Cd. Madero,
Tamaulipas.
Los resultados obtenidos por Hidro-Naf se muestran en la tabla 5.2, y son estos mismos
datos los que se analizan usando el modelo NeuroNaf.
106
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Operacin
Simulacin
Operacin
Simulacin
3
292.0
5.00
5.5
0.23
35.1
292.0
5.50
5.5
0.10
35.1
292.0
5.00
5.5
0.24
34.5
292.0
4.69
5.5
0.10
34.5
20654
0.730
1012
20654
0.730
1012
20517
0.731
1081
20517
0.731
1081
0.25
0.29
0.39
0.40
292.0
7.00
5.6
0.25
35.3
292.0
6.70
5.6
0.10
35.3
292.0
6.00
5.6
0.29
36.3
292.0
6.64
5.6
0.09
36.3
21041
0.735
1372
21041
0.735
1372
21704
0.736
1412
21704
0.736
1412
0.27
0.30
0.30
0.31
Las variables comparables entre los dos modelos se distinguen en la tabla anterior por
encontrarse resaltados en negritas. Los resultados obtenidos aplicando el modelo
NeuroNaf, usando las mismas condiciones de operacin y el mismo catalizador, se
muestran en la tabla 5.3.
Por supuesto es claro que el modelo cintico tienen algunas ventajas como incluir
expresiones para estimar la vida til del catalizador, el efecto del agua sobre el mismo, y
la deposicin de carbn; los cuales no fueron considerados en el presente trabajo debido
107
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
a no contar con datos estadsticos de estos parmetros. Sin embargo en el momento que
estn disponibles se pueden integrar al modelo NeuroNaf.
Tabla 5.3 Resultados obtenidos por el simulador NeuroNaf
VariableOperacinSimulacin
CONDICIONES DE OPERACIN
Corrida1
T8.007.65
P0.220.20
PRODUCTO
Azufre, ppm0.270.32
CONDICIONES DE OPERACIN
Corrida4
T6.005.58
P0.250.23
PRODUCTO
Azufre, ppm0.290.31
Operacin
Simulacin
Operacin
Simulacin
3
5.00
0.23
5.2
0.20
5.00
0.24
5.15
0.20
0.25
0.30
0.39
0.41
7.00
0.25
6.80
0.22
6.00
0.29
6.30
0.23
0.27
0.29
0.30
0.32
Corrida
1
2
3
4
5
6
Corrida
1
2
3
4
5
6
T, C
OperacinHidroNafNeuroNaf
8.006.057.65
5.005.505.20
5.004.695.15
6.006.045.58
7.006.706.80
6.006.646.30
% error relativo promedio
P, MPa man
OperacinHidroNafNeuroNaf
0.220.080.20
0.230.100.20
0.240.100.20
0.250.100.23
0.250.100.22
0.290.090.23
% error relativo promedio
Azufre en el producto, ppm
OperacinHidroNafNeuroNaf
0.270.300.32
0.250.290.27
0.390.400.40
0.290.300.30
0.270.300.29
0.300.310.31
% error relativo promedio
% error relativo
HidroNafNeuroNaf
24.384.38
-10.00-4.00
6.20-3.00
-0.677.00
4.292.86
-10.67-5.00
2.250.37
% error relativo
HidroNafNeuroNaf
63.649.09
56.5213.04
58.3316.67
60.008.00
60.0012.00
68.9720.69
61.2413.25
% error relativo
HidroNafNeuroNaf
-11.11-18.52
-16.00-8.00
-2.56-2.56
-3.45-3.45
-11.11-7.41
-3.33-3.33
-7.93-7.21
108
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Analizando los resultados presentados en la tabla 5.4 se puede pensar que el modelo
NeuroNaf es superior al modelo cintico, sin embargo es conveniente aclarar algunos
puntos al respecto.
Por otra parte, para el desarrollo del modelo NeuroNaf se asegur desde el inicio del
procedimiento que se tuvieran los mejores datos disponibles, y por tal motivo el modelo
da mejores resultados; por supuesto tambin se debe tomar en cuenta que el modelo
NeuroNaf ha sido desarrollado especficamente para la Planta Hidrodesulfuradora de
Naftas UPH-600, mientras que el modelo cintico es de aplicacin general.
Estas mismas caractersticas hacen que el modelo cintico presente mejor capacidad de
prediccin en intervalos fuera de los cuales fue creado, es decir que es capaz de
extrapolar; mientras que el modelo de RNA est limitado al respecto (Ramasamy, 1995),
ya que slo es aplicable para la planta de la cual se obtuvieron los datos y en los
intervalos de las variables con que fue entrenado; sin embargo es capaz de ampliar su
intervalo de aplicacin integrndole los nuevos datos de inters.
109
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
CONCLUSIONES
1. Las RNA son capaces de modelar procesos para los cuales no se tiene una idea
precisa de como se llevan a cabo, y que adems cuentan con una buena cantidad de
datos experimentales aun cuando esta informacin est incompleta o viciada, como
en el caso de este trabajo para el Proceso de Hidrodesulfuracin de Naftas.
111
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
112
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
GLOSARIO
RNA
Topologa
Neurona o nodo
Capa
Cada de entrada
Cada oculta
Capa de salida
Pesos
Retropropagacin
Entrenamiento
Validacin
Prueba
113
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
poca
Funcin sigmoidal
Sesgo
Momentum
Validacin cruzada
114
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
BIBLIOGRAFA
Abilov, A.; Zeybek, Z. Use of neural network for modeling of non-linear process
integration technology in chemical engineering, Chem. Eng. Proc., 39, 449, (2000).
Aguilera, L.M.; Snchez, M.J.F.; Salazar, S.D.; Maya, Y.R.; Gonzlez, S.A. Modelos
Estadsticos versus Redes Neuronales Artificiales en el Modelado de Unidades
Industriales de Craqueo Cataltico Fluido (FCC). Premio IMIQ 2003 Ing. Csar O.
Baptista. XLIII Convencin Nacional IMIQ. Villahermosa, Tab. (2003).
Anders, U.; Korn, O. Model Selection in Neural Networks. Neural Networks, 12(2), 309,
(1999).
Antsaklis, P.J. Neural Networks in Control Systems. IEEE Control Systems Magazine, 3,
(1990).
Arce, M.E. Redes Neuronales para el Control de Procesos. Correspondencia Particular
(1994).
Ayyagari, R. Kolmogorovs Superposition Theorem and its Relationship with Neural
Networks. (2003).
Baghat, P. An Introduction to Neural Nets. Chem. Eng. Prog., 55, (1990).
Bailey, D.; Thompson, D. How to develop Neural-Networks Applications. AI Expert,
(1990).
Bath, N.; McAvoy, T.J. Use of Neural Nets for Dynamic Modeling and Control of Chemical
Process Systems, Comp. Chem. Eng., 14(4/5), 573, (1990).
Bath, N.V.; Minderman, P.A. Jr.; McAvoy, T.; Wang, N.S. Modeling Chemical Process
Systems via Neural Computation. IEEE Control Systems Magazine, 10(24), (1990).
Bishop, C.M. Neural Networks for Pattern Recognition. New York: Oxford University
Press, Inc., (1998).
Bodor, N.; Harget, A.; Huang, M. Neural Network studies. 1. Estimation of the Aqueous
Solubility of Organic Compounds, J. Am. Chem. Soc. 113, 9480, (1991).
Bravo, M.M.; Campos, P.B. Sistema de clculo para prediccin de rendimientos y
propiedades de productos en una unidad reductora de viscosidad, Revista del IMP,
115
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Bulsari, A.B., ed. Neural Networks for Chemical Engineers. Elsevier, Amsterdam, The
Netherlands, (1995).
Carrillo Villa, M.A.; Flores Snchez P.; Bravo Medina, M.A. Modelo de Prediccin de
Rendimientos y propiedades de Productos en Unidades Hidrodesulfuradoras
Catalticas. Revista de IMP, XIX(1), (1987).
Chitra, S.P. Use Neural Networks for Problem Solving. Chem. Eng. Prog., 44, (1993).
Chouai, A.; Cabassud, M.; Le Lann, M.V.; Gourdon, C.; Casamatta, G. Use of neural
networks for liquid-liquid extraction column modeling: an experimental study, Chem.
Eng. Proc., 39, 171, (2000).
Chu, S.R.; Shoureshi, R.; Tenorio, M. Neural Networks for System Identification, IEEE,
American Control Conference, Pittsburgh, Pennsylvania, (1989).
Cooper, D.J.; Megan, L.; Hinde, R.F. Jr. Comparing two Neural Networks for Pattern
Based Adaptive Process Control, AIChE Journal, 38(1), (1992).
De la Paz, Z.C.; Vega, M.P.; Martnez, O.V.; Rodrguez, R. J.E.; Burgos, V.E.; Cruz, M.E.;
Leyva, N.M.A. HIDRO-NAF Simulador del proceso de Hidrodesulfuracin de Naftas,
Revista del IMIQ, XL(5-6), (1999).
Epping, W.J.; Nitters, G. A Neural Network fro Analysis and Improvement of Gas Well
Production. Proc. Of Summer Computer Simulation Conference, 791, (1990).
Fishwick, P.A. Neural Networks Models in Simulation: A Comparison with Traditional
Modeling Approaches. Proceedings of the 1989 Winter Simulation Conference, 702,
(1989).
Fullana, M.; Trabelsi, F.; Recasens, F. Use of neural net computing for statistical and
kinetic modeling and simulation of supercritical fluid extractors, Chem. Eng, Sci., 55,
79, (2000).
116
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Gontarski, C.A.; Rodrigues, P.R.; Mori, M.; Prenem, L.F. Simulation of an Industrial
Wastewater treatment Plant using Artificial Neural Networks, Comp. Chem. Eng., 24,
1719, (2000).
Kramer, M.A. Autoassociative Neural Networks. Comp. Chem. Eng., 16(4), 313, (1992).
Kramer, M.A. Nonlinear Principal Component Analysis Using Autoassociative Neural
Networks. AIChE Journal, 37(2), (1991).
Kung, S.Y.; Hwang, J.N. An Algebraic Projection Analysis for Optimal Hidden Units Size
117
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Leonard, J.; Kramer, M.A. Improvement of the Back-Propagation Algorithm for Training
Neural Networks. Comp. Chem. Eng., 14(3), 337, (1990).
Lipmman, R. An Introduction to Computing with Neural Networks, IEEE ASSP Magazine,
3, 4, (987).
Martins, F.G.; Coelho, M.A.N. Application of feedforward artificial neural networks to
improve process control of PID-pased control algorithms, Comp. Chem. Eng., 24, 853,
(2000).
Minai, A.A.; Williams, R.D. Acceleration of Back-Propagation through Learning Rate and
Momentum Adaptation. International Joint Conference on Neural Networks, I, 676,
(1990).
118
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Molga, E.J.; van Woezik, B.A.A.; Westerterp, K.R. Neural networks for modeling of
chemical reaction system with complex kinetics: oxidation of 2-octanol with nitric acid,
Comp. Eng. Proc., 39, 323, (2000).
Morris, A,J.; Montague, G.A.; y Willis, M.J. Artificial Neural Networks: Studies in Process
Modelling and Control. Trans. I. Chem. E., 72(A), 3, (1994).
Morrison, J.D. A neural network model that supports realtime learning of temporal
relationships in complex engineering domains. Simulation, 59(3), 152, (1992).
Nacimiento, C.A.O.; Giudici, R.; Scherbakoff, N. Modeling of Industrial Nylon-6,6
Polymerization Process in a Twin-Screw Extruder Reactor. II. Neural Networks and
Irbid Models, J. Appl. Poly. Sci., 72, 905, (1999).
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Tan, S.; Mavrovouniotis, M.L. Reducing Data Dimensionality through Optimizing Neural
Networks Inputs. AIChE Journal, 41(6), (1995).
Tholudur, A.; Ramirez, W.F.; McMillan, J.D. Interpolated parameter functions for neural
120
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Wang, D.; Hsu, C. SLONN: A Simulation Language for modeling of Neural Networks.
Simulation, 69, (1990).
Weller, S.W. Kinetics of Heterogeneous Catalyzed Reactions. Catal. Rev. Sci. Eng.,
34(3), 227, (1992).
Werbos, P.J. Beyond Regression: New Tools for Prediction and Analysis in the
Behavioral Sciences, Ph.D. Thesis, Harvard University, (1974).
Weisstein, W.E. Confidence Interval. From MathWorld A Wolfram Web Resource.
http://mathworld.wolfram.com/ConfidenceInterval.html
White, H. Neural-Networks Learning and Statistics, AI Expert, 48, (1989)
.
Willis, M.J.; Di Massimo,C.; Montague, G.A.; Tham, M.T.; Morris, A.J. Artificial neural
networks in process engineering. IEE Proceeding-D, 138(3), (1991).
Zha, Z.; Louhi-Kultanen, M.; Palosaari, S. Neural Network simulation for non-MSMPR
Crystallization, Chem. Eng. J., 81, 101, (2001).
Zhao, W.; Chen, D.; Hu, S. Optimizing operations conditions based an ANN and modified
Gas, Comp. Chem. Eng., 24, 61, (2000).
Zorzetto, L.F.M.; Filho, R.M.; Wolf-Maciel, M.R. Process modelling development through
artificial neural networks and hybrid models, Comp. Chem. Eng., 24, 1355, (2000).
121
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
APNDICES
123
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
A. ALGORITMO DE
RETROPROPAGACIN
(Haykin, 1999)
El error de la salida de la neurona j en la iteracin n esta definida por:
(1)
12
e j (n) , entonces el valor
2
12
e j (n) sobre todas las neuronas de la
2
capa de salida, estos nodos son los nicos visibles y para los cuales los valores de error
instantneo del error total se obtiene sumando
E ( n) = 1 e 2j (n)
2 j C
(2)
donde el conjunto C incluye todas las neuronas de la capa de salida de la red. Sea N el
nmero total de patrones (ejemplos) contenidos en el conjunto de entrenamiento. El error
cuadrado promedio se obtiene sumando E(n) sobre todas las n y posteriormente
normalizando dicha suma respecto del tamao del conjunto N,
1
E prom =
N
E ( n)
(3)
n =1
El error instantneo E(n), y por lo tanto el error promedio E prom, son una funcin de todos
los parmetros libres (pesos, y valores de sesgo) de la red. Para un conjunto de
entrenamiento dado, Eprom representa la funcin de costo como una medida de la
capacidad de aprendizaje de la red. El objetivo del proceso de aprendizaje es ajustar los
parmetros libres de la red para minimizar Eprom. A fin de efectuar dicha minimizacin se
considera un mtodo simple de entrenamiento en el cual los pesos se actualizan sobre
una base patrn-a-patrn hasta que una poca, esto es, una presentacin completa del
conjunto de entrenamiento ha sido procesada. El ajuste de los pesos se hace de acuerdo
a los errores respectivos calculados para cada patrn presentado a la red.
125
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Si se considera que una neurona j esta siendo alimentada por un conjunto de seales
producidas por una capa de neuronas previa, entonces el campo local inducido v j(n)
producido a la entrada de la funcin de activacin asociada a la neurona j es:
(4)
i =0
donde m es el nmero total de entradas (excepto el valor del sesgo) aplicado a la neurona
j. El peso wj0 (correspondiente al valor fijo y0=+1) es igual al valor de sesgo bj aplicado a
la neurona j. Por lo tanto la seal yj(n) que se obtiene a la salida de la neurona j en la
iteracin n es:
y j (n) = j (v j (n))
(5)
(6)
E (n)
= e j (n)
e j (n)
(7)
e j (n)
y j (n)
= 1
(8)
126
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
y j (n)
v j (n)
= ' j (v j (n))
(9)
v j (n)
w ji (n)
= y i (n)
(10)
E (n)
= e j (n) ' j (v j (n)) yi (n)
w ji (n)
(11)
La correccin w ji (n) aplicada al peso w ji (n) esta definida por la Regla Delta de la
siguiente forma:
E (n)
w ji (n) = w ji (n)
(12)
(13)
E (n)
j ( n) = v j (n)
127
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
(14)
De las ecuaciones (13) y (14) se puede notar que el factor clave involucrado en el clculo
del ajuste de los pesos w ji (n) es el error e j (n) de la salida de la neurona j. En este
contexto se pueden identificar dos casos, dependiendo de donde est colocada la
neurona j dentro de la red. En el caso 1, la neurona es un nodo de salida. Este caso es
simple de manejar ya que a cada nodo de salida de la red se le proporciona el valor de
salida deseado, y de esta forma el clculo del error es directo. En el caso 2, la neurona
es un nodo oculto. Aun cuando las neuronas ocultas no son directamente accesibles,
comparten la responsabilidad de cualquier error obtenido en la salida de la red. Aqu la
pregunta es saber como penalizar o premiar las neuronas ocultas por compartir esta
responsabilidad. Este problema se resuelve retropropagando los errores a travs de la
red.
De acuerdo a la ecuacin (14) es posible definir el gradiente local j(n) para una neurona
oculta j como:
E (n) y j (n)
j (n) = y j (n) v j (n)
128
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
(15)
E (n)
' j (v j (n)) , la neurona j es un nodo oculto
y j (n)
donde es la segunda lnea se ha usado la ecuacin (9). Para calcular la derivada parcial
se procede de la siguiente forma:
(16)
la cual es la ecuacin (2) usando el ndice k en lugar del ndice j. esto se hace de esta
forma a fin de evitar confusin con el uso del ndice j que se refiere a una neurona oculta
en el caso 2. Diferenciando la ecuacin (16) respecto a la seal yj(n), tenemos:
e (n)E (n)
= ek k
y j (n) ky j (n)
(17)
Enseguida se usa la regla de la cadena para calcular la derivada parcial del segundo
trmino, y rescribiendo la ecuacin (17) en su forma equivalente, tenemos:
(18)
ek ( n ) = d k ( n ) y k ( n )
(19)
Por lo tanto,
ek (n)
= ' k (v k (n))
vk (n)
(20)
(21)
j =0
129
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
vk (n)
= wk j (n)
y j ( n)
(22)
Sustituyendo las ecuaciones (20) y (22) en la ecuacin (18) obtenemos la derivada parcial
requerida:
E (n)
= ek (n) 'k (vk (n)) wk j (n)
y j (n)k
(23)
= k (n) wk j (n)
donde en l segunda lnea se ha usado la definicin del gradiente local k (n) dado en la
ecuacin (14) donde se ha sustituido el ndice k por el j.
Finalmente, se usa la ecuacin (23) en la ecuacin (15), para obtener la frmula de
retropropagacin para el gradiente local j (n) .
(24)
El factor ' j (v j (n)) involucrado en el clculo del gradiente local j (n) en la ecuacin
(24) solo depende de la funcin de activacin asociada con la neurona oculta j. El factor
restante involucrado en este clculo, llammosle la sumatoria sobre k, depende de dos
conjuntos de trminos. El primer conjunto de trminos k (n) , requiere del conocimiento
de los errores ek (n) , para todas las neuronas que yacen en la capa siguiente de la
neurona j, y que estn directamente conectadas a dicha neurona. El segundo conjunto
de trminos wk j (n) , consiste de los pesos asociados con esas conexiones.
Enseguida se resumen las relaciones que han sido derivadas para el algoritmo de
retropropagacin. Primero se muestran las correcciones aplicadas a los pesos que
conectan a la neurona i con la neurona j, las cuales estn definidas por la Regla Delta:
130
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
x
x
jx
x
x
(25)
' j (v j (n)) y el error e j (n) , ambos asociados con la neurona j. (Ver ecuacin 14)
2. Si la neurona j es un nodo oculto, j (n) es igual al producto de la derivada
' j (v j (n)) asociada y la suma ponderada de las ' s calculadas para las
neuronas en la siguiente capa oculta o de salida que estn conectadas a la
neurona j. (Ver ecuacin 24).
131
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
B. PROGRAMA NEURONAF
Una vez determinada la topologa ptima, as como los parmetros de la Red Neuronal
Artificial que mejor representa el comportamiento de un Reactor de Hidrodesulfuracin de
Naftas, se desarrolla un programa denominado NeuroNaf.
Este programa fue desarrollado en Visual Basic Versin 5.0, ya que se consider que la
lgica del cdigo no es muy complicada, ni demanda demasiados recursos al sistema
operativo, adems de que se requera tener una interfase grfica que facilitara el uso de
dicho programa.
Esta ventana slo es visible por unos instantes, y da paso al cuadro de dialogo que
permite seleccionar cual de las topologas se utilizar:
133
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
dos secciones que contienen: la primera todos los datos de entrada requeridos para
efectuar la simulacin, y la segunda, los valores de salida del proceso.
En caso de que se seleccione la opcin Propiedades, aparece la ventana mostrada en
la figura B.4.
Dentro de ambas ventanas de las topologas estn colocados dos botones de ejecucin.
Uno sirve para iniciar los clculos
programa
135
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Tambin se cuenta con un men principal el cual est formado por dos opciones:
Archivo, y Ayuda.
La opcin Archivo,
esta formada a su vez por dos opciones; Nuevo, tiene la misma funcionalidad que el
botn
La opcin Ayuda,
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
End Sub
Private Sub Form_Load()
lblVersion.Caption = "Version " & App.Major & "." & App.Minor & "." & App.Revision
lblProductName.Caption = App.Title
End Sub
Public Function ErrorCheck()
If Val(fMainForm.txtEntrada(0).Text) <= 0 Then
intPress = MsgBox("El dato de carga no es valido", vbCritical, "Error en los datos
de entrada")
fMainForm.txtEntrada(0).SetFocus
ErrorCheck = 1
ElseIf Val(fMainForm.txtEntrada(1).Text) <= 0 Then
intPress = MsgBox("El dato de Temperatura no es valido", vbCritical, "Error en los
datos de entrada")
fMainForm.txtEntrada(1).SetFocus
ErrorCheck = 1
ElseIf Val(fMainForm.txtEntrada(2).Text) <= 0 Then
intPress = MsgBox("El dato de Presion no es valido", vbCritical, "Error en los datos
de entrada")
fMainForm.txtEntrada(2).SetFocus
ErrorCheck = 1
ElseIf Val(fMainForm.txtEntrada(3).Text) <= 0 Then
intPress = MsgBox("El dato de la Relacion H2/HC no es valido", vbCritical, "Error en
los datos de entrada")
fMainForm.txtEntrada(3).SetFocus
ErrorCheck = 1
ElseIf Val(fMainForm.txtEntrada(4).Text) <= 0 Then
intPress = MsgBox("El dato de la Pureza de H2 no es valido", vbCritical, "Error en
los datos de entrada")
fMainForm.txtEntrada(4).SetFocus
ErrorCheck = 1
ElseIf Val(fMainForm.txtEntrada(5).Text) <= 0 Then
intPress = MsgBox("El dato del Consumo de H2 no es valido", vbCritical, "Error en
los datos de entrada")
fMainForm.txtEntrada(5).SetFocus
ErrorCheck = 1
137
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Los
Los
Los
mol.
138
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Los
Los
139
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
"MainLeft", Me.Left
"MainTop", Me.Top
"MainWidth", Me.Width
"MainHeight", Me.Height
140
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
141
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
=
=
=
=
=
=
=
=
=
=
""
""
""
""
""
""
""
""
""
""
=
=
=
=
=
=
=
""
""
""
""
""
""
""
fMainForm.txtEntrada(0).SetFocus
'MsgBox "New File Code goes here!"
End Sub
'Public Sub Verifica()
'
If ErrorCheck() = 1 Then
'
Exit Sub
' End If
'End Sub
Public fMainForm As frmMain
Public Sub Calcula()
'Esta subrutina calcula las variables de salida de un Reactor de Hidrodesulfuracin
'de Naftas, para ello toma los valores del formato frmMain que previamente ya fueron
'asignadas a las variables de entrada, como carga, T,P, etc.
'Como primer paso los valores de entrada se deben escalar para que puedan ser usados
'por el programa. Para este fin se llama a la subrutina "Escalar".
Escalar
'Una vez que se obtienen los datos escalados se procede a llamar a las subrutinas
'Principal, y
'Propiedades.
Principal
Propiedades
Descalar
142
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Resultados
End Sub
Public prin(1 To 7) As Double
Public propi(1 To 3) As Double
Public Sub Escalar()
'Esta subrutina escala las variables de entrada del proceso de Hidrodesulfuracin de
'Naftas, para que sea utilizado por el programa.
'
End Sub
Public
Public
Public
Public
Public
Public
Public
Public
Public
Public
Public
carga As Long
T As Long
P As Long
relacion As Long
pureza As Long
consumo As Long
tie_carga As Long
tfe_carga As Long
pe_carga As Long
azufre_carga As Long
Sub Asigna()
carga = Val(fMainForm.txtEntrada(0).Text)
T = Val(fMainForm.txtEntrada(1).Text)
P = Val(fMainForm.txtEntrada(2).Text)
relacion = Val(fMainForm.txtEntrada(3).Text)
143
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
pureza = Val(fMainForm.txtEntrada(4).Text)
consumo = Val(fMainForm.txtEntrada(5).Text)
tie_carga = Val(fMainForm.txtEntrada(6).Text)
tfe_carga = Val(fMainForm.txtEntrada(7).Text)
pe_carga = Val(fMainForm.txtEntrada(8).Text)
azufre_carga = Val(fMainForm.txtEntrada(9).Text)
End Sub
Public hidden1_index As Integer
Public output_index As Integer
Public numneurons As Integer
Public inputs As Integer
Public hidden1 As Integer
Public outputs As Integer
Public prin_sal(1 To 4) As Double
Option Explicit
Public Sub Principal()
'
'Esta subrutina calculas las variables de salida:
'(1) Produccin.
'(2) Azufre en el producto.
'(3) delta T del proceso, y
'(4) delta P del lecho cataltico.
'
inputs = 7
hidden1 = 5
outputs = 4
Static neuron(1 To 16) As Double
hidden1_index = 7
output_index = 11
numneurons = 16
'Se definen los arreglos de los pesos
Static W_In_H1(1 To 5, 1 To 8) As Double
Static W_H1_Out(1 To 4, 1 To 6) As Double
'Pesos de la capa de entrada a la capa intermedia u oculta.
W_In_H1(1,
W_In_H1(1,
W_In_H1(1,
W_In_H1(1,
W_In_H1(1,
W_In_H1(1,
W_In_H1(1,
W_In_H1(1,
1)
2)
3)
4)
5)
6)
7)
8)
=
=
=
=
=
=
=
=
1.5059
1.39202
0.814144
-1.08094
0.382455
-0.495952
0.660286
0.477905
W_In_H1(2,
W_In_H1(2,
W_In_H1(2,
W_In_H1(2,
W_In_H1(2,
W_In_H1(2,
W_In_H1(2,
W_In_H1(2,
1)
2)
3)
4)
5)
6)
7)
8)
=
=
=
=
=
=
=
=
-1.26218
1.99939
-6.01269
-1.57681
9.58442
-7.52902
-1.04505
-2.01765
W_In_H1(3,
W_In_H1(3,
W_In_H1(3,
W_In_H1(3,
W_In_H1(3,
W_In_H1(3,
W_In_H1(3,
W_In_H1(3,
1)
2)
3)
4)
5)
6)
7)
8)
=
=
=
=
=
=
=
=
-1.15039
-0.813772
-1.64175
3.96504
1.79479
2.05351
-1.99471
3.62329
W_In_H1(4, 1) = -1.92015
W_In_H1(4, 2) = 1.73387
144
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
W_In_H1(4,
W_In_H1(4,
W_In_H1(4,
W_In_H1(4,
W_In_H1(4,
W_In_H1(4,
3)
4)
5)
6)
7)
8)
=
=
=
=
=
=
-11.0361
-10.0171
2.79984
-3.91067
2.29023
3.68283
W_In_H1(5,
W_In_H1(5,
W_In_H1(5,
W_In_H1(5,
W_In_H1(5,
W_In_H1(5,
W_In_H1(5,
W_In_H1(5,
1)
2)
3)
4)
5)
6)
7)
8)
=
=
=
=
=
=
=
=
-3.44805
3.2998
5.18195
-1.85304
-0.24463
-2.02917
2.62674
-0.257114
1)
2)
3)
4)
5)
6)
=
=
=
=
=
=
3.85194
-0.261515
-0.613194
-0.524965
-1.59257
-0.424198
W_H1_Out(2,
W_H1_Out(2,
W_H1_Out(2,
W_H1_Out(2,
W_H1_Out(2,
W_H1_Out(2,
1)
2)
3)
4)
5)
6)
=
=
=
=
=
=
0.647935
0.427976
-0.0954302
-0.529808
-1.59257
-0.424198
W_H1_Out(3,
W_H1_Out(3,
W_H1_Out(3,
W_H1_Out(3,
W_H1_Out(3,
W_H1_Out(3,
1)
2)
3)
4)
5)
6)
=
=
=
=
=
=
-1.73332
3.58732
-4.20251
-2.10412
-0.875547
3.49447
W_H1_Out(4,
W_H1_Out(4,
W_H1_Out(4,
W_H1_Out(4,
W_H1_Out(4,
W_H1_Out(4,
1)
2)
3)
4)
5)
6)
=
=
=
=
=
=
4.1864
-2.1257
2.38989
-0.10407
2.96715
-5.46649
R_min(1
R_max(1
S_min(1
S_max(1
To
To
To
To
11)
11)
11)
11)
As
As
As
As
Double
Double
Double
Double
=
=
=
=
=
=
=
=
=
1#
1#
1#
1#
1.1
1#
1#
0.9
0.9
145
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
R_max(10) = 0.9
R_max(11) = 0.9
S_min(1) = -1#
S_min(2) = -1#
S_min(3) = -1#
S_min(4) = -1#
S_min(5) = -1#
S_min(6) = -1#
S_min(7) = -1#
S_min(8) = 0#
S_min(9) = 0#
S_min(10) = 0#
S_min(11) = 0#
S_max(1) = 1#
S_max(2) = 1#
S_max(3) = 1#
S_max(4) = 1#
S_max(5) = 1#
S_max(6) = 1#
S_max(7) = 1#
S_max(8) = 1#
S_max(9) = 1#
S_max(10) = 1#
S_max(11) = 1#
'Se calcula la respuesta de la Red Neuronal Artificial.
Dim F As Double
Dim i, j As Integer
'Se inicializa a cero la suma de las neuronas
For i = 1 To numneurons
neuron(i) = 0#
Next i
'Se efecta el escalamiento interno de la Red Neuronal
For i = 1 To inputs
F = (S_max(i) - S_min(i)) / (R_max(i) - R_min(i)) 'Factor de escalamiento
neuron(i) = F * prin(i) + S_min(i) - F * R_min(i)
Next i
'Se calcula la capa interna u oculta
For i = 1 To hidden1
For j = 1 To inputs
neuron(hidden1_index + i) = neuron(hidden1_index + i) + _
neuron(j) * W_In_H1(i, j)
Next j
neuron(hidden1_index + i) = neuron(hidden1_index + i) + _
W_In_H1(i, inputs) 'Sesgo (bias)
neuron(hidden1_index + i) = sigmoide(neuron(hidden1_index + i))
Next i
'Se calculan las salidas de la Red Neuronal
For i = 1 To outputs
For j = 1 To hidden1
neuron(output_index + i) = neuron(output_index + i) + _
neuron(hidden1_index + j) * W_H1_Out(i, j)
146
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
Next j
neuron(output_index + i) = neuron(output_index + i) + _
W_H1_Out(i, hidden1) 'Sesgo (bias)
neuron(output_index + i) = sigmoide(neuron(output_index + i))
Next i
'Se copian las salidas al arreglo prin_sal
For i = 1 To outputs
F = (R_max(i + inputs) - R_min(i + inputs)) / _
(S_max(i + inputs) - S_min(i + inputs))
prin_sal(i) = F * neuron(output_index + 1) + R_min(i + inputs) - _
F * S_min(i + inputs)
Next i
End Sub
Public Function sigmoide(X) As Double
'
'Funcin que calcula la funcin de transferencia
'
Dim x As Double
sigmoide = 1# / (1# + Exp(-X))
End Function
Option Explicit
Public propi_sal(1 To 3) As Double
Public Sub Propiedades()
'
'Esta subrutina corre la red neuronal que se encarga de calcular las propiedades
'de la gasolina producto del proceso de Hidrodesulfuracin.
'
'TIE de la gasolina
'TFE de la gasolina
'Peso especfico de la gasolina
inputs = 3
hidden1 = 3
outputs = 3
Static neuron(1 To 16) As Double
hidden1_index = 3
output_index = 6
numneurons = 9
'Se definen los arreglos de los pesos
Static W_In_H1(1 To 3, 1 To 4) As Double
Static W_H1_Out(1 To 3, 1 To 4) As Double
'Pesos de la capa de entrada a la capa intermedia u oculta.
W_In_H1(1,
W_In_H1(1,
W_In_H1(1,
W_In_H1(1,
1)
2)
3)
4)
=
=
=
=
-4.43867
-2.98272
-4.20848
0.610347
W_In_H1(2,
W_In_H1(2,
W_In_H1(2,
W_In_H1(2,
1)
2)
3)
4)
=
=
=
=
0.756819
0.938212
-0.834173
-0.856755
W_In_H1(3, 1) = -0.379684
W_In_H1(3, 2) = 5.21926
147
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
W_In_H1(3, 3) = 1.15631
W_In_H1(3, 4) = -0.0991506
'Pesos de la capa intermedia u oculta a la capa de salida
W_H1_Out(1,
W_H1_Out(1,
W_H1_Out(1,
W_H1_Out(1,
1)
2)
3)
4)
=
=
=
=
-1.95456
1.38145
-1.54145
1.50676
W_H1_Out(2,
W_H1_Out(2,
W_H1_Out(2,
W_H1_Out(2,
1)
2)
3)
4)
=
=
=
=
0.0681781
2.116
2.16627
-2.14771
W_H1_Out(3,
W_H1_Out(3,
W_H1_Out(3,
W_H1_Out(3,
1)
2)
3)
4)
=
=
=
=
-1.19823
-4.49574
0.810694
1.32744
R_min(1
R_max(1
S_min(1
S_max(1
To
To
To
To
6)
6)
6)
6)
As
As
As
As
Double
Double
Double
Double
=
=
=
=
=
=
0#
0#
0#
0.1
0.1
0.1
R_max(1)
R_max(2)
R_max(3)
R_max(4)
R_max(5)
R_max(6)
=
=
=
=
=
=
1#
1#
1#
0.9
0.9348
0.9
S_min(1)
S_min(2)
S_min(3)
S_min(4)
S_min(5)
S_min(6)
=
=
=
=
=
=
-1#
-1#
-1#
0#
0#
0#
S_max(1)
S_max(2)
S_max(3)
S_max(4)
S_max(5)
S_max(6)
=
=
=
=
=
=
1#
1#
1#
1#
1#
1#
148
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
produccion As Double
tie_producto As Double
tfe_producto As Double
pe_producto As Double
azufre_producto As Double
delta_T As Double
delta_P As Double
149
Construccin de una Red Neuronal Artificial para la Modelacin de un Reactor de Hidrodesulfuracin de Naftas.
150