Nuevos enfoques para la prediccin de la densidad de

soluciones de glicoles
Garca Areu, J.R, (20150410D);
Escuela de Ingeniera Petroqumica, FIP-UNI
Qumica Orgnica II
ravivi1101@gmail.com;

RESUMEN: Se presentan dos novedosos enfoques para predecir de manera precisa las
densidades de las soluciones de glicoles ms usados industria de procesamiento de gas. El
primer enfoque se centra en desarrollar una correlacin polinmica (simple de usar) para una
prediccin adecuada de la densidad de las soluciones de glicoles en funcin de la temperatura
y el porcentaje en peso de glicoles en agua, donde los resultados obtenidos muestran un muy
buen acuerdo con los datos experimentales informados. El segundo enfoque, sin embargo, se
basa en la metodologa de redes neuronales artificiales (ANN), en la que los resultados
demuestran la capacidad del mtodo para predecir densidades razonablemente precisas de
glicoles en condiciones de operacin. Las comparaciones de los dos enfoques indicaron que la
correlacin simple de usar parece ser superior debido a su simplicidad y claro respaldo
numrico terreno, donde los coeficientes relevantes pueden reajustarse si hay datos nuevos y
ms precisos disponibles en el futuro. La desviacin media de los nuevos resultados de la
correlacin polinmica propuesta a partir de datos reportado es 0,64 kg/m3, mientras que la
desviacin media de metodologa de las redes neuronales artificiales (ANN) a partir de datos
reportado es 1,1 kg/m3.
Palabras clave: glicoles; densidad; correlacin polinmica; redes neuronales artificiales;
procesamiento de gas

ABSTRACT: Two new approaches for the accurate prediction of densities of the commonly
used glycol solutions in the gas-processing industry are presented in the article. The first
approach is based on developing a simple-to-use polynomial correlation for an appropriate
prediction of density of glycol solutions as a function of temperature and weight percent of
glycols in water, where the obtained results show very good agreement with the reported
experimental data. The second approach, however, is based on the artificial neural networks
(ANN) methodology, wherein the results demonstrate the ability of the introduced method to
predict reasonably accurate densities of glycols under operating conditions. Comparisons of the
two novel approaches indicated that the simple-to-use correlation appears to be superior owing
to its simplicity and clear numerical background, wherein the relevant coefficients can be retuned
if new and more accurate data are available in the future. The average deviation of the new
proposed polynomial correlation results from reported data is 0.64 kg/m3 whereas the average
deviation of artificial neural networks (ANN) methodology from reported data is 1.1 kg/m3.
Key words: glycols; density; polynomial correlation; artificial neural networks; gas-processing

1. INTRODUCCION: de absorcin ya que se aproximan a las

Hay varios mtodos disponibles para la
deshidratacin de gas natural, los ms
comunes son la deshidratacin lquida
desecante y deshidratacin slida desecante.
Entre estos procesos de deshidratacin de
gas, la absorcin es la ms comnmente
empleada tcnica, en la que el vapor de agua
en la corriente de gas se absorbido en una
corriente de disolvente lquido. Los glicoles son
los ms ampliamente utilizado como lquidos
propiedades que puede cumplir los criterios de
aplicacin comercial. Varios glicoles se han
encontrado adecuados para aplicaciones
comerciales. Las empresas que producen y
procesan gas natural generalmente emplean
uno de los tres glicoles para la deshidratacin,
incluido, el etileno glicol (EG), dietilenglicol
(DEG) y trietilenglicol (TEG) Todos los tipos de
glicoles se regeneran y se usan como parte de
un ciclo de deshidratacin continua. Sin
embargo, la eleccin de la hidratacin, el
control de hidrato y la proteccin contra la
corrosin deben ser evaluados desde
perspectivas econmicas y ambientales. Si se
establece la necesidad de un deshidratador de
glicol, el diseo de la unidad depender de
varios factores, incluida la densidad de la
solucin de glicol de entrada, que se utilizar
para determinar la velocidad de flujo de glicol y
dimetro del contratista.
Por las razones antes mencionadas, es
esencial predecir con precisin las
propiedades termofsicas de las soluciones de
glicol en los clculos del proceso que
involucran estas mezclas. Actualmente,
algunos mtodos grficos estn disponibles
para determinacin de la densidad de glicoles.
Sin embargo, estos son muy difciles para leer
y son menos precisos. Por esta razn, hay una
necesidad esencial para el desarrollo de un
mtodo fcil de usar con el fin de determinar
con precisin la densidad de la mayora
glicoles usados comnmente en operaciones
de procesamiento de gas.
Una de las aplicaciones ms importantes de
los glicoles es su uso en los procesos de
deshidratacin de gas, antes ya mencionado.
Propsito de la deshidratacin de gas
natural
El vapor de agua asociado al gas natural, es
uno de los contaminantes ms comunes en el
gas dado por los inconvenientes que puede
ocasionar tanto en procesos posteriores a los
que pudiere estar sometido, como para su
transporte a reas de tratamiento y consumo.
Bajo condiciones normales de produccin, el
gas natural est saturado con agua. Por los
incrementos de presin o reduccin de
temperatura el agua en el gas natural se
condensa y se forma en agua lquida. Cuando
el agua libre se combina con las molculas de
gas (metano, etano, propano, etc.), esta forma
hidratos slidos el cual puede taponar vlvulas,
equipos y algunas lneas de gas. La presencia
de agua lquida puede incrementar la
corrosividad del gas natural, especialmente
cuando el gas contiene H2S y CO2. Sin
embargo el contenido de agua en el gas
natural puede ser reducido para evitar la
formacin de hidratos y reducir la corrosin en
tuberas antes que sea transportado. Por otra
parte en el transporte y consumo, el gas
natural, debe cumplir con determinadas
especificaciones, y una de ellas es la cantidad
mxima de agua presente en la mezcla
gaseosa.
En una Planta de Deshidratacin con glicol, el
gas ingresa por la parte inferior de una torre de
absorcin y asciende mientras burbujea en el
glicol que desciende en contracorriente del
tope, llenando las bandejas, platos d burbujeo
o zona de empaque en los cuales se produce l
transferencia de masa. A medida que sube el
gas dentro de la torre, cede el agua que
contiene. As el glicol que llega al absorbedor
con muy poco contenido de agua (glicol pobre)
se enriquece a medida que entra en contacto
con el gas y sale por el fondo cargado de
agua (glicol rico). Luego se bombea hacia la
torre de regeneracin donde el glicol se
regenera y queda en condiciones de volver a
absorber.
Deshidratacin del gas natural con glicol
Las soluciones de glicol vienen siendo usados
para el secado del gas por lo menos 30 aos.
Las ms tempranas unidades de
deshidratacin con glicol utilizaban
dietilenglicol y obtenan descensos del punto
de roco en el rango de 20 a 40F. El
Trietilenglicol llega a ser usado primero porque
presenta un mayor punto de ebullicin tal que
provee de una mejor separacin del agua y
mayores depresiones de punto de roco sin
estar muy pendientes por la descomposicin
trmica del glicol. El Tetraetilenglicol es usado
en algunos casos especiales, pero el glicol
predominante, actualmente en uso, es el
Trietilenglicol.
Los glicoles son alcoholes mltiples, es decir,
son compuestos qumicos que poseen dos
grupos terminales OH, los cuales presentan
muchas caractersticas afines con el agua. La
ms importante es formar puentes de
hidrgeno que es un tipo de enlace molecular
que favorece la solubilidad del agua con otro
compuesto.
Los glicoles son lquidos capaces de absorber
agua, debido a que son sustancias altamente
higroscpicas, los cuales presentan las
siguientes caractersticas:
No solidifican en soluciones concentradas.
No corrosivos.
No forman precipitados con hidrocarburos.
 Insolubles en hidrocarburos.
Estables en presencia de CO2, H2S.
Comparacin entre los diferentes glicoles
Etilenglicol: Presenta alto equilibrio de
vapor con el gas tendiendo a prdidas
hacia la fase gas en la contactora
Dietilenglicol: Presenta alta presin de
vapor conduciendo a altas prdidas en la
contactora. Baja temperatura de
descomposicin trmica, requiere menores
temperaturas para ser regenerado (315-
340 F) as queda puro y puede ser
utilizado en otras aplicaciones.
Trietilenglicol: Es el de uso ms comn. Es
regenerado a 400F para obtener una alta
pureza. A temperaturas en la contactora
mayores a 120 F tiende a altas prdidas
por vaporizacin. Descensos del punto de
roco hasta 150 F son posibles con el uso
de Stripping gas.
Tetraetilenglicol: Tiene mayor costo que el
Trietilenglicol, pero menores prdidas a
altas temperaturas de contacto con el gas.
Su regeneracin est entre 400 F a 430
F.
2. ENFOQUES
2.1 Enfoque polinomial simple de usar
La ecuacin 1 presenta una nueva correlacin
emprica en la cual cuatro coeficientes se
utilizan para correlacionar la densidad y el
temperamento ature de una solucin de glicol.
= a + bT + cT2 + dT 3 (1)
Donde:
es la densidad del glicol (kg/m3)
T es la temperatura de la solucin de glicol (K).
Los coeficientes en esta ecuacin estn
correlacionados en funcin del porcentaje en
peso (W) de glicoles, donde, a, b, c y d se
derivan a travs de un tercer orden de
ecuacin polinomial (Ax + BxW + CxW 2 +
DxW 3) con x que denota 1, 2, 3 o 4.
Los coeficientes sintonizados (Ax, Bx, Cx, y
Dx) utilizado en los modelos polinomiales se
dan en las Tablas 1 a 3 para soluciones de
etileno, dietileno y trietilenglicol,
respectivamente. Estos coeficientes ajustados
cubren los datos en el intervalo de temperatura
de -20C a 80C. Estos sintonizados los
coeficientes se pueden volver a ajustar si hay
datos experimentales ms precisos estn
disponibles en el futuro.
2.2 Enfoque basado en redes neuronales
artificiales (ANN)
Las metodologas de la red neuronal artificial
(RNA) son par-modelos informticos alel que
contienen densamente interconectados
unidades de procesamiento adaptativo, que
han ganado considerable prominencia
recientemente entre los investigadores que se
ocupan de sistemas lineales [9].
El mecanismo ANN est compuesto por
sistemas nerviosos orgnicos (que son simples
abstracciones de neuronas lgicas), donde la
funcin de red (funcin de activacin) se
obtiene por la conexin entre las neuronas.
Uno puede entrenar una red neuronal para
realizar una funcin especial ajustando el valor
de la conexin (ponderaciones) o sesgo
parmetros entre los elementos, o tal vez la red
misma ajustar estos parmetros para lograr
un fin deseado. Sim- esquema simplificado de
la red neuronal se ilustra en la Figura 1.
Objetivo
Red neuronal que
incluye conexiones
Comparar
(llamadas pesos)
Entrada entre neuronas Salida
Ajuste de Pesos
Figura 1. Esquema del proceso de aprendizaje
de neuronas
El modelo de neuronas y la arquitectura de una
red neuronal trabajo describe cmo una red
transforma su entrada en una salida. Por lo
tanto, las redes neuronales pueden ser
capacitadas para resolver problemas que son
difciles para computadoras convencionales o
 Imagen de tablas 1,2 y 3. Coeficientes ajustados utilizados en
ecuaciones polinomiales para predecir la densidad de etilenglicol,
dietilenglicol y trietilenglicol. Journal of Natural Gas Chemistry Vol. 17 No. 3
2008.
seres humanos. Las RNA son ahora
ampliamente utilizadas en diversas reas de la
ciencia. La gran ventaja de ANN es que puede
aprender con el ejemplo como seres humanos
en lugar de programarse.
Lo ms destacado de la capacidad de una
ANN es su alta velocidad de ejecucin.
En este estudio, tres redes se utilizan para
simular la entrada y variables de salida
(densidad de glicol). Los datos disponibles
relativos a diferentes glicoles se utilizan para
entrenar y probar la red.
Hay varios algoritmos en ANN y el que tiene se
ha utilizado el algoritmo de entrenamiento de
propagacin de retorno (BP).
La propagacin de retorno estndar (back
propagation BP) es el descenso de
gradiente. En el BP red, inicialmente los pesos
se calculan al azar, y en las salidas se calculan
aleatoriamente. Sin embargo, el calculado los
resultados se comparan con los resultados
reales / deseados por el red.
El modelo de red neuronal utilizado en esta
investigacin es adecuado para problemas de
adaptacin esttica basado en una red
neuronal de avance de dos capas estndar
entrenada con la funcin Levenberg-
Marquardt. Los datos iniciales se dividirn en 3
secciones. Los datos de entrenamiento se
presentan a la red durante el entrenamiento, y
la red se ajusta segn su error. Validacin de
datos medir la generalizacin de la red y se
detendr entrenamiento cuando la
generalizacin deja de mejorar. Datos de
prueba no tienen ningn efecto en la
capacitacin y proporcionan una medida
independiente del rendimiento de la red
durante y despus del entrenamiento. El
entrenamiento se detiene automticamente
cuando la generalizacin deja de mejorar,
como lo indica un aumento en el error
cuadrtico medio (R) de las muestras de
validacin, siempre que los valores de
regresin midan la correlacin entre las salidas
y los objetivos. Un valor R de 1 indica una
relacin cercana, mientras que 0 indica una
relacin aleatoria.
3. RESULTADOS
3.1. Resultados del enfoque polinomial
simple de usar
La Tabla 4 presenta los resultados de la
nueva correlacin propuesta para predecir las
densidades de diferentes soluciones de glicol
en comparacin con los datos experimentales
tpicos. Como se puede ver, los resultados de
la correlacin propuesta son muy precisos y
aceptables, donde la desviacin mxima de
los datos experimentales informados es de
0,65 kg / m3, que ser insignificante en
comparacin con la densidad real de glicoles
(ms de 1000 kg / m3).
 Tabla 4. Comparacin de las densidades predichas de glicoles con los datos informados
3.2. Resultados del enfoque basado en modelo de ANN inteligente propuesto, que es
ANN la primera aplicacin de las redes neuronales
artificiales en este campo particular, puede
Para el modelo EG, se usaron 14 puntos de
proporcionar resultados excelentes y
entrenamiento y 4 puntos de validacin para
confiables en la prediccin de las densidades
construir el modelo. Tambin se
de glicol. Como se puede ver, los resultados
proporcionaron cuatro puntos de datos para
del enfoque basado en ANN son muy precisos
probar el sistema propuesto.
y aceptables, donde la desviacin mxima de
La Tabla 5 presenta los resultados tpicos de la
los datos experimentales informados es de 1,1
introduccin del modelo ANN en la prediccin
kg / m3, que es insignificante en comparacin
de la densidad de las soluciones de etilenglicol
con la densidad real de glicoles (ms de 1000
(EG), dietilenglicol (DEG) y trietilenglicol
kg / m3) De hecho, los usuarios pueden obtener
(TEG). La Figura 2 muestra el rendimiento
la densidad del glicol deseado al proporcionar
general del modelo para los 22 puntos de datos
la temperatura y el porcentaje en peso de glicol
disponibles para EG. Para el modelo DEG, los
en agua al modelo como parmetros de
24 datos disponibles totales se dividieron en 16
entrada.
puntos de datos de capacitacin, 4 de
validacin y 4 de prueba. La Figura 3 compara
grficamente las salidas del mtodo ANN con
los datos experimentales informados. Para el
Densidades (kg / m3)

modelo TEG, 26 puntos de datos estaban

disponibles, de los cuales 21 se utilizaron para
el entrenamiento del modelo de red neuronal
artificial y 5 se usaron para validar los
resultados, y finalmente, se usaron 5 nuevos
datos para probar la precisin del modelo
propuesto. La Figura 4 presenta el rendimiento
de prediccin y los resultados del modelo Muestras
frente a los datos experimentales informados. Figura 2. Rendimiento general de la ANN para la
Como se puede ver en las Figuras 2 a 4, el prediccin de densidad de EG.
 Tabla 5. Comparacin de los resultados tpicos del modelo ANN para predecir las densidades de EG,
DEG y TEG con los datos informados.

4. CONCLUSIONES

Se presentan dos nuevos enfoques basados

en una correlacin polinomial de uso simple y
Densidades (kg / m3)

el modelo basado en redes neuronales

artificiales (ANN) para predecir las densidades
de las tres soluciones de glicol ms
comnmente utilizada (EG, DEG y TEG) en la
industria de procesamiento de gas. La
correlacin propuesta muestra un muy buen
acuerdo con los datos experimentales
informados, donde la desviacin mxima de
los resultados obtenidos de los datos
Muestras
experimentales informados es inferior a 1
Figura 3. Rendimiento general de la ANN para la
kg/m3, que es insignificante en comparacin
prediccin de densidad de DEG.
con la densidad real de glicoles (ms de 1000
kg/m3).

La comparacin de los resultados obtenidos

del mtodo inteligente propuesto y los datos
Densidades (kg / m3)

experimentales informados confirman que la

Muestras
Figura 4. Rendimiento general de la ANN para la
prediccin de densidad de TEG.
metodologa de redes neuronales artificiales
tambin puede predecir las densidades de
glicoles con muy buena precisin. Sin
embargo, el enfoque polinomio simple de usar
parece ser superior debido a su simplicidad y
fondo claro numrica, en donde las
posibilidades para el perfeccionamiento de los
coeficientes relevantes existe si estn
disponibles en el futuro datos nuevos y ms
precisos.
5. REFERENCIAS

Novel approaches for the prediction of

density of glycol solutions, A. Bahadori,
Y. Hajizadeh, H. B. Vuthaluru,
M.O.Tade, S. Mokhatab. Journal of
Natural Gas Chemistry 17(2008)298
302.
Estudio y optimizacin del sistema de
deshidratacin del Gas Natural con
trietilenglicol (TEG) en la Planta de
Procesamiento de Gas Malvinas.
TESIS Azucena De Las Nieves Rojas
Solis. Universidad Nacional de
Ingenieria. 2006