FICHA CATALOGRÁFICA
AGRADECIMENTOS
Agradeço
A minha mãe Izaura e a meus irmãos Otávio, Ricardo e Ana pelo apoio
incondicional na realização deste trabalho.
Igor Stravinsky
RESUMO
ANEXOS
I Matriz identidade
k Instante do tempo
L Tamanho da partícula
Ls Massa da solução
Pv Pressão de vapor
rl Polos do sistema
u Variável manipulada
z Variável de atraso
Subscritos
1 INTRODUÇÃO .......................................................................................... 21
3 MÉTODOS ................................................................................................ 50
3.5 Controlador preditivo de horizonte infinito com controle por faixas ..... 61
1 INTRODUÇÃO
Cristalização por evaporação é uma das operações unitárias mais utilizadas na
indústria, largamente aplicada para purificação e separação. O processo de
cristalização possui importância econômica na fabricação de produtos como
açúcar, cloreto de sódio, ácido bórico, alumina, além de outros.
Para que esse tipo de cristalização ocorra, é necessário que seja disponível
energia suficiente para a evaporação do solvente. O consumo de energia de
um processo evaporativo pode representar 70 % do consumo total da unidade
produtiva (Runyon et al., 1991).
2 REVISÃO BIBLIOGRÁFICA
metaestável
S
solução
saturada
A c C
D
B
Temperatura
Onde
L é o tamanho do cristal
Bo kb (CA CB )b Csol
S
e (2)
Onde
n (Gn) d (log Vt ) nV
DBn k k (3)
t L dt k Vt
Onde
m j (t ) nLj dL (4)
0
Outro método numérico citado pelo autor foi a resolução da Equação 3 pelo
Método Monte Carlo, um método estatístico utilizado em simulações
estocásticas. Esse método utiliza de observações de distribuição de
probabilidade e de amostragens para aproximar a função balanço populacional.
Ls S
susp
Ls S (5)
L S
Onde
Ls é a massa da solução.
L é a densidade da solução.
Vapor, T1
Evaporador
Alimentação A, Tf T1, P1
Produto
cujo vapor gerado é enviado até o sistema de troca térmica do terceiro efeito. É
possível utilizar mais de três efeitos, decisão que dependerá dos custos de
implantação de cada efeito (Geankoplis, 2003).
Para
Vapor, T1 Vapor, T3 condensador
Vapor, T2
a vácuo
Para
Vapor, T1 Vapor, T3 condensador
Vapor, T2
a vácuo
Vapor Vo, Ts
Produto concentrado
Para
Vapor, T1 Vapor, T3 condensador
Vapor, T2
a vácuo
Alimentação, Tf
Produto concentrado Produto concentrado Produto concentrado
Cálculo de Set-
points
Set-points
- ++
Saídas do
Entradas modelo
Modelo
Resíduos
j 0
Sujeito a
j 0,1, 2,..., m 1
Onde
k é o instante de tempo
1
Uma equação satisfaz o princípio da superposição se dada uma função f=g(x), para uma combinação
linear x3=ax1+bx2, teremos que g(x3)=ag(x1) +bg(x2). Para a e b constantes (Aguirre, 2007).
41
Vk , X X T HX 2 f T X C (8)
MX (9)
xk 1 Axk Buk ( 10 )
yk Cxk Duk ( 11 )
Onde:
recursivo de estado:
observador.
1 ( 14 )
P APAT APCT V CPC T CPAT W
u enquanto o resto das ações para k=m, m+1, m+2,...,p assume-se que é
zero. No entanto, Wang (2009) demonstrou que há casos em que u só será
zero para valores muito grandes de p, aumentando o número de variáveis
computadas a cada iteração.
A primeira sugestão de controle preditivo com horizonte infinito foi dada por
Bitmead et. al (1990), que desenvolveu um método com a desvantagem de não
incluir restrições, o que foi adicionado posteriormente no trabalho desenvolvido
por Rawlings e Muske (1993), onde um problema de horizonte infinito foi
resolvido mantendo-se um número finito de variáveis de decisão. Isso trouxe
como vantagem um menor gasto computacional ao diminuir o sistema a um
número menor de variáveis calculadas, além de levar o sistema a ser
nominalmente estável enquanto for possível resolver o problema de otimização
(Rodrigues e Odloak, 2003).
de cristais, que deve situar-se entre um valor mínimo e um máximo para evitar
problemas como incrustação.
Objetivo
econômico
Otimizador em
tempo real
udes ,k
Zona de controle das
variáveis manipuladas
MPC e controladas
(umin , umax , ymin , ymax )
xˆ (k )
u (k )
yˆ (k )
Observador Sistema
real cujas saídas ŷ são utilizadas pelo observador para correção do estado
usado pelos modelos de predição tanto do controlador como do otimizador x̂ .
2.7.1 Cristalização
Os processos de cristalização costumam utilizar modelos fenomenológicos
obtidos de balanços de massa, energia e populacional para aplicação no
controlador. Há uma grande diferença no tipo de controle aplicado para
processos em batelada e processos contínuos, principalmente pela maior
facilidade de se manipular as variáveis do primeiro caso para se atingir uma
determinada distribuição de partículas.
2.7.2 Evaporação
Em processos evaporativos, são também utilizados modelos fenomenológicos
para aplicação no controlador preditivo. Cadet et al (1999) desenvolveram um
modelo a partir de balanços de massa e energia para uma planta de
concentração de solução de sacarose. O processo era composto por um
sistema de evaporação por cinco efeitos com alimentação em série e era
aplicado industrialmente. O modelo validado com os dados da planta em
operação foi aplicado no controlador preditivo não linear. Com o objetivo
48
2.8 Considerações
A descrição de processos que aplicam o controlador preditivo com vantagem
sobre controladores clássicos apresentados aqui contemplam processos de
cristalização e processos evaporativos por múltiplo-efeito em casos isolados.
3 MÉTODOS
O vapor vegetal gerado no último efeito (V5) é enviado a uma unidade de vácuo
composta por um ejetor que tem como finalidade promover a baixa pressão do
ultimo efeito.
PIC
V1 V2 V3 V4 V5
TIC
Vo
Ce1 Cs1 P1 TC-02 Ce2 Cs2 P2 Ce3 Cs3 P3 TC-04 Ce4 Cs4 P4 TC-05 Ce5 Cs5 P5
TC-01 TC-03
Ap1 Ac1 Ap2 Ac2 Ap3 Ac3 Ap4 Ac4 Ap5 Ac5
Vi
CR
Cs
P
Vi-1
V.C.
CE
Ap
Ac
E-31
dM i
Ac i Ap i Pi Vi ( 15 )
dt
Onde
Vi é a vazão de vapor;
dVti d M i / i d Mi d 1/ i
1/ i Mi 0
dt dt dt dt
Finalmente, o balanço de massa global de cada efeito pode ser escrito como.
Pi Aci Api Vi ( 16 )
.
dm j ,i d (log Vti ) V k m j , k ,i
m j ,i jGo(m j 1 am j ) 0 j Bo
dt dt k Vti ( 17 )
Onde
55
Go k g (c cs ) g (1 aL) ( 18 )
Bo k b Gob ( 19 )
. .
d (ci )
Vti V ek cek V p ci 3Go ci kv m2Vti
dt ( 20 )
Bp
log Pvi Ap ( 21 )
T Cp
Sendo que essa relação será diferente para uma salmoura saturada e água
pura, as constantes para equação de Antoine podem ser vistas no anexo.
Onde
Vi é a vazão de vapor.
Qi U i Ai Tlm ( 23 )
U i Ai Tlm
Vi 1
(Tsi1 ) Hv(Ti1 ) Hv(Tsi 1 ) ( 24 )
Sendo que
(TcE , i Ti )
Tlm
T Tci ( 25 )
ln i 1
Ti 1 Ti
Qi CE ,i CpCEi (TcE ,i Ti ) ( 26 )
U i Ai
TcE , i Ti 1 (Ti 1 Ti ) exp ( 27 )
C Ei CpC ,i
E
Cps xl Cpl ( 28 )
l 1
58
d M i Cpi Ti
Ap i Cp Ap ,i Tap,i C Ei CpCE ,i TCE ,i C SiCpi Ti Pi Cpi Ti
dt
wi ( 29 )
Vi [ (Tsi ) Hv(Ti ) Hv(Tsi )] Vi H cr
1 wi
Onde
Ti é a temperatura no estágio i;
De acordo com Aguirre (2007) um modelo ARX pode ser obtido a partir do
modelo geral de representação de tempo discreto:
B(q ) C (q)
A(q) y(k ) u (k ) v( k )
F (q) D( q ) ( 30 )
Dado que
ny
A(q) 1 a1q 1 ... any q ( 32 )
t d
u(t ) K p e(t ) Ki e( ) d K d e(t ) ( 34 )
0 dt
{na, nb | nb na 1}
na
S (t ) di0, j [did, j ,l ]erl ta ( 36 )
l 1
Onde rl, para l=1,2,...,na são os polos do sistema e os coeficientes d0, did,...,dnad
são obtidos pela expansão em frações parciais da resposta ao degrau da
função transferência Gi,j e ta representa o tempo amostral.
x x (k 1) I ny 0ny ,nd x x (k ) D 0
d
F x d (k ) D d FN
u (k ) ( 37 )
x (k 1) 0nd ,ny
xs
y (k ) I ny
d . ( 38 )
x
Sendo que
62
T
x s x1 xny , x s ny
, ( 39 )
T
x d xny 1 xny nd , x d nd
, ( 40 )
F diag e 1,1,1 ...e 1,1,na ...e l ,nu ,na ...e ny ,1,1 ...e ny ,1,na ...e ny ,nu ,1 ...e ny ,nu ,na
r T r T r T r T r T r T r T
( 41 )
F ndxnd
,
01,nuna
,
nyxnd
( 43 )
01,nuna
1 1 , nuna
( 44 )
d1,1 0
d1,0nu
0
D0 , D
nyxnu
( 45 )
d ny0 ,1 d ny0 ,nu
Dd diag d1,1,1
d d
...d1,1, na ...d1, nu ,1...d ny ,1,1...d ny ,1, na ...d ny , nu ,1...d ny , nu , na
d d d d d
( 46 )
Dd ndxnd
63
J1
N , N ndxnu
( 47 )
J1
1 0 0
1 0 0
Ji , Ji
nunaxnu
( 48 )
0 0 1
0 1
0
Esse problema pode ser estendido para que se possa levar em consideração a
otimização em tempo real (RTO) da planta através de um modelo estacionário,
respeitando a operação dentro de uma faixa de controle pré-definida. Esse
controlador estendido (Equação 49) foi proposto por Gonzalez e Odloak (2009)
e foi adotado para o controle da planta de cristalização por múltiplo-efeito.
Vk ,u ( y (k j | k ) ysp ,k y ,k )T Qy ( y (k j | k ) ysp ,k y ,k )
j 0
( 49 )
(u (k j | k ) udes ,k u ,k ) Qu (u (k j | k ) udes ,k u ,k )
T
j 0
m 1
u (k j | k )T Ru (k j | k ) yT,k S y y ,k uT,k Su u ,k ,
j 0
64
min Vk ,u ( 50 )
uk , ysp ,k , y ,k ,u ,k
Sujeito a
umax u (k j | k ) umax
j 0,1,..., m 1
u (k j | k ) 0 : j m
j
umin u (k 1) u (k i | k ) umax ( 51 )
i 0
j 0,1,..., m 1
ymin ysp ,k ymax ,
x s (k ) D 0 uk ysp ,k y ,k 0
u (k 1) D u uk udes ,k u ,k 0
calculado pela camada de otimização em tempo real (RTO) que fica acima da
camada de controle preditivo na estrutura de controle da planta. ysp,k é o valor
ótimo da variável controlada que também é uma variável de decisão do
controlador.
m 1
Vk ,u {( y (k j | k ) ysp ,k y ,k )T Qy ( y (k j | k ) ysp ,k y ,k )
j 0
Q T Qy F T QF ( 53 )
Para isso, a função custo representada pela Equação 52 foi dividida em quatro
termos seguindo a mesma metodologia utilizada por Santoro (2011) em sua
dissertação, que desenvolveu um controlador preditivo para sistemas
integradores com tempo morto.
m 1
Vk ,u {( y (k j | k ) ysp ,k y ,k )T Qy ( y (k j | k ) ysp ,k y ,k )
j 0
1termo
(u (k j | k ) udes ,k u ,k ) Qu (u (k j | k ) udes ,k u ,k )}
T
2termo
m 1
u (k j | k )T Ru (k j | k ) ( x d (k m | k ))T Q ( x d (k m | k ))
j 0
4 termo
3termo
m 1
{( y(k j | k ) y
j 0
sp , k y ,k )T Qy ( y (k j | k ) ysp ,k y ,k )
y(k ) Cx(k )
y (k | k ) C 0 0 0 0 u (k | k )
y (k 1| k ) CA 0 u (k 1| k )
CB 0 0
y (k 2 | k ) CA x(k ) CAB
2
CB 0 0 u (k 2 | k )
y (k m 1| k ) CAm1 CAm 2 B CAm3 B CAB CB u (k m 1| k )
y A B uk
( 56 )
y Ax(k ) Buk ( 57 )
C
CA
A CA2
m
CA 1
0 0 0 0
CB 0 0 0
B CAB CB 0 0
CAm 2 B CAm3 B CAB CB
dimensões ny.
Sendo Qy diag Qy Qy .
m
m 1
(u(k j | k ) u
j 0
des , k u ,k )T Qu (u(k j | k ) udes ,k u ,k )
Como feito para as saídas preditas (Equação 56), o vetor de entradas pode ser
definido como:
69
u (k ) I nu 0 0 u (k ) I nu
u (k 1) I I nu u (k 1) I
nu nu u (k 1)
0 ( 61 )
u (k m 1) I nu I nu I nu u (k m 1) I nu
uk nu uk I nu
( 63 )
Onde Qu diag Qu Qu
m
I nu 0 0 I nu
I I nu I
nu nu e I nu nu sendo Inu matrizes identidades de
0
I nu I nu I nu I nu
dimensões nu.
m 1
u(k j | k )
j 0
T
Ru (k j | k )
u(k 1| k )T Ru(k 1| k )
na forma vetorial.
u (k ) 0 u (k )
T
R 0
u (k 1) 0 R u (k 1)
0
u (k m 1) 0 0 R u (k m 1) ( 64 )
uk R uk
ukT Ruk ( 65 )
Onde R diag R R
m
( xd (k m | k ))T Q( xd (k m | k ))
xd (k m | k ) Fx x d (k ) Fu uk ( 66 )
Sendo que
( Fx xd (k ) Fu uk )T Qb ( Fx x d (k ) Fu uk )T ( 67 )
Com Qb diag Q Q
m
( 68 )
Vk , X X T HX 2 f T X C (8)
uk
y
X
sp , k
( 69 )
y ,k
u ,k
72
aH bH cH dH
e fH gH hH
Fazendo para H e f q f t f , desenvolvendo
H
rf sf
iH jH lH kH
mH nH oH pH
aH BT Qy B Tnu Qu nu FuT Qb Fu
bH BT Qy I ny
bH cH
d H Tnu Qu I nu
eH iH bHT
f H g H jH I nyT Qy I ny
hH kH 0nyxnu
lH I nyT Qy I ñy S y
mH I nuT Qu nu
nH oH 0nuxny
pH I nuT Qu I nu Su
T
q f xkT AT Qy B Tnu Qu I nu (u (k 1) udes ,k ) (u (k 1) udes ,k )T I nuT Qu nu
x d T FxT Qb Fu ( FuT Qb Fx x d )T
3.6 O otimizador
Um dos parâmetros utilizados pelo controlador para determinar o ponto de
operação da planta é o valor ótimo das variáveis manipuladas udes, esses
valores ótimos podem ser calculados por um problema de otimização onde a
função objetivo atende a critérios econômicos. Para este trabalho definiu-se
como objetivo de otimização a minimização do consumo energético da planta,
que será calculado a cada tempo amostral fornecendo dados para o
controlador IHMPC, conforme esquema da Figura 7.
5
Sendo que o termo Px
i 1
i i é a produção total da planta dentro daquele intervalo
Fazendo
74
AT ,i Ac,i Ap ,i ( 71 )
d M i xi wi
Ap i xap,i C Ei xCe,i C Si xi Pi xi Vi
dt 1 wi ( 72 )
para
C Ei ACi CSi ( 73 )
wi
0 AT ,i xap ,i Px
i i ( AT , i Pi ) ( 75 )
1 wi
Isolando Pi.
w
AT ,i xap ,i i
1 wi
Pi ( 76 )
wi
xi
1 wi
AT ,i ui Aadm,i Aadm,i ( 77 )
Da mesma forma
xi yi (k ) xadm,i xadm,i ( 78 )
yi (k ) Ii CAx(k ) CBu(k ) ( 79 )
I1 1 0 0 0 0
I 0 1 0 0 0
2
I 3 0 0 1 0 0 ( 80 )
I 4 0 0 0 1 0
I 5 0 0 0 0 1
wi
ui ( k ) Aadm , i A adm , ii xap , i
1 wi
I i CAx ( k ) CBu ( k ) xadm , i x adm , i
5 5
i i
Px
i 1 wi
I i CAx(k ) CBu (k ) xadm,i xadm,i
i 1
1 wi
( 81 )
( 82 )
min Con ( 83 )
u
Sujeito a
umin u umax
( 84 )
ymin ysp ,k ymax ,
Valores iniciais
Processo Controle
u
A atuação do controlador ocorre a cada período amostral ta, que para esse
processo foi determinado em 10 minutos considerando a dinâmica do
processo.
Primeito efeito
T2 T1, Q1, V1
Segundo efeito
T3 T2, Q2, V2
Terceiro efeito
T4 T3, Q3, V3
Quarto efeito
T5 T4, Q4, V4
Quinto efeito
Para esse controlador, foi definido um “set-point” para cada variável, cujo erro
e(t) é calculado pela diferença entre o “set-point” e do valor da variável
controlada resultante do processo ysp-y(t). O erro calculado é então usado pelo
controlador PID, através da Equação 33, para definir a ação u(t) a ser aplicada
na planta para correção dos erros.
ITAE t e(t ) dt ( 85 )
0
VarManip VarManipref
u ( 86 )
VarManipref
x xref
y ( 87 )
xref
Assim, o novo estado é utilizado novamente pelo RTO e pelo controlador para
que um novo procedimento de cálculo seja realizado. O otimizador e o
controlador operam a cada tempo amostral ta determinado.
83
4 RESULTADOS E DISCUSSÃO
Efeito
1 2 3 4 5
Ap [kg/h] 29000 26000 24000 25000 26000
Ac [kg/h] 14000 13000 12000 13000 13000
Cs [kg/h] 3000000 2800000 2600000 2500000 2700000
T0 [°C] 115 101 80 67,08 50,6
Te [°C] 73 65 56 47 37
Pressão [bar] 1,25 0,78 0,35 0,208 0,095
c [kg/m³] 370 370 370 360 360
x 0,204 0,204 0,204 0,204 0,204
Temperatura no 1° efeito
121
120
119
Temperatura [°C]
118
117
116
115
50 55 60 65 70 75 80
Tempo [h]
Concentração no 1° efeito
0.211
0.21
0.209
Fração mássica de cristais
0.208
0.207
0.206
0.205
0.204
0.203
0 5 10 15 20 25 30
Tempo [h]
Temperatura no 2° efeito
104
103.5
103
Temperatura [°C]
102.5
102
101.5
101
100.5
100
0 5 10 15 20 25 30
Tempo [h]
Concentração no 2° efeito
0.245
0.24
0.235
Fração mássica de cristais
0.23
0.225
0.22
0.215
0.21
0.205
0.2
0 5 10 15 20 25 30
Tempo [h]
Temperatura no 3° efeito
87
86
85
Temperatura [°C]
84
83
82
81
80
0 5 10 15 20 25 30
Tempo [h]
Concentração no 3° efeito
0.29
0.28
0.27
Fração mássica de cristais
0.26
0.25
0.24
0.23
0.22
0.21
0.2
0 5 10 15 20 25 30
Tempo [h]
Temperatura no 4° efeito
68.5
68
Temperatura [°C]
67.5
67
66.5
66
0 5 10 15 20 25 30
Tempo [h]
Concentração no 4° efeito
0.26
0.25
Fração mássica de cristais
0.24
0.23
0.22
0.21
0.2
0 5 10 15 20 25 30
Tempo [h]
Temperatura no 5° efeito
51.1
51
50.9
Temperatura [°C]
50.8
50.7
50.6
50.5
50.4
50.3
0 5 10 15 20 25 30
Tempo [h]
Concentração no 5° efeito
0.245
0.24
0.235
Fração mássica de cristais
0.23
0.225
0.22
0.215
0.21
0.205
0.2
0 5 10 15 20 25 30
Tempo [h]
0.222 120.05
120
0.22
Fração mássica de cristais
119.95
0.218
Temperatura [°C]
119.9
0.216
119.85
0.214
119.8
0.212
119.75
0.21
119.7
0.208 119.65
0.206 119.6
-5 0 5 10 15 20 25 30 -5 0 5 10 15 20 25 30
Tempo [h] Tempo [h]
103.9
0.26
103.8
Fração mássica de cristais
Temperatura [°C]
103.7
0.255
103.6
0.25
103.5
103.4
0.245
103.3
0.24 103.2
-5 0 5 10 15 20 25 30 -5 0 5 10 15 20 25 30
Tempo [h] Tempo [h]
0.26
86.4
0.24
Fração mássica de cristais
86.3
Temperatura [°C]
0.22
86.2
0.2
86.1
0.18
86
0.16
85.9
-5 0 5 10 15 20 25 30 -5 0 5 10 15 20 25 30
Tempo [h] Tempo [h]
68.4
0.252
68.35
0.251
Fração mássica de cristais
68.3
Temperatura [°C]
0.25 68.25
0.249 68.2
68.15
0.248
68.1
0.247
68.05
0.246 68
-5 0 5 10 15 20 25 30 -5 0 5 10 15 20 25 30
Tempo [h] Tempo [h]
91
0.243 51.06
51.04
0.242
Fração mássica de cristais
Temperatura [°C]
51.02
0.241
51
0.24
50.98
0.239
50.96
0.238 50.94
0.237 50.92
-5 0 5 10 15 20 25 30 -5 0 5 10 15 20 25 30
Tempo [h] Tempo [h]
0.24
0.205
0.235
0.2
Fração mássica de cristais
0.23
0.225
0.195
0.22
0.19
0.215
0.185 0.21
0.205
0.18
0.2
0.175 0.195
-5 0 5 10 15 20 25 30 -5 0 5 10 15 20 25 30
Tempo [h] Tempo [h]
(a) (b)
Concentração no 3° efeito Concentração no 4° efeito
0.29 0.26
0.28 0.25
0.27
0.24
Fração mássica de cristais
0.26
0.23
0.25
0.22
0.24
0.21
0.23
0.22 0.2
0.21 0.19
-5 0 5 10 15 20 25 30 -5 0 5 10 15 20 25 30
Tempo [h] Tempo [h]
(c) (d)
93
Concentração no 5° efeito
0.25
0.24
0.23
0.21
0.2
0.19
0.18
-5 0 5 10 15 20 25 30
Tempo [h]
(e)
Figura 28 - Concentração de sólidos nos efeitos (a) 1, (b) 2, (c) 3, (d) 4, (e) 5
frente a uma duplicação na vazão de alimentação Ac de todos os efeitos
0.12
0.11
0.1
u=(A-Ar)/Ar
0.09
0.08
0.07
0.06
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
teta=(t-Ts)/Ts
1° Efeito 2° Efeito
0.03 0.035
0.03
0.025
0.025
0.02
modelo contínuo
0.02
y=(x-xr)/xr
y=(x-xr)/xr
modelo contínuo modelo identificado
0.015
modelo identificado
0.015
0.01
0.01
0.005
0.005
0 0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
teta=(t-Ts)/Ts teta=(t-Ts)/Ts
(a) (b)
-3
3° Efeito x 10 4° Efeito
0 2
modelo contínuo modelo contínuo
-0.02 modelo identificado 0 modelo identificado
-0.04 -2
-0.06 -4
y=(x-xr)/xr
y=(x-xr)/xr
-0.08 -6
-0.1 -8
-0.12 -10
-0.14 -12
-0.16 -14
-0.18 -16
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
teta=(t-Ts)/Ts teta=(t-Ts)/Ts
(c) (d)
-3
x 10 5° Efeito
2
modelo contínuo
0 modelo identificado
-2
-4
-6
y=(x-xr)/xr
-8
-10
-12
-14
-16
-18
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
teta=(t-Ts)/Ts
(e)
Tabela 2 - Modelos discretos identificados a partir da resposta da fração mássica ao degrau nas vazões de alimentação
x1 x2 x3 x4 x5
4,958 x103 z 4,908 x103 3,517 x105 z 1,314 x104 4, 625 x106 z 1, 48 x105 1, 726 x106 z 1,327 x105 1, 61x106 z 1,805 x105
Ac1
z 2 1,988 z 0,9879 z 2 1, 682 z 0, 6837 z 2 1,958 z 0,9577 z 2 1,958 z 0,9584 z 2 1,94 z 0,9401
3,14 x104 z 9, 793x105 4, 469 x103 z 4, 421x103 1, 708 x105 z 4, 079 x105 3, 212 x106 z 2, 227 x105 3, 212 x106 z 2, 654 x105
Ac2
z 2 1,859 z 0,8598 z 2 1,988 z 0,9884 z 2 1,934 z 0,9342 z 2 1,951z 0,9511 z 2 1,939 z 0,9396
2,382 x105 z 3,593x105 1, 729 x104 z 7,958 x105 4,125 x103 z 4,101x103 8,328 x106 z 3,913x105 1,336 x106 z 3, 70 x105
Ac3
z 2 1,92 z 0,9198 z 2 1,886 z 0,8859 z 2 1,993z 0,9925 z 2 1,934 z 0,9345 z 2 1,927 z 0,9269
1,322 x106 z 1,516 x105 1, 286 x105 z 1, 256 x105 1,158 x104 z 1, 094 x105 4, 408 x103 z 4,382 x103 8, 247 x106 z 6,396 x105
Ac4
z 2 1,954 z 0,9539 z 2 1,935 z 0,935 z 2 1, 773z 0, 7737 z 2 1,992 z 0,9924 z 2 1,882 z 0,8829
2,984 x107 z 2,142 x106 6,912 x107 z 1, 69 x105 6, 715 x106 z 5, 046 x106 7,588 x105 z 7, 015 x105 4, 627 x103 z 4,597 x103
Ac5
z 2 1,981z 0,9807 z 2 1,844 z 0,844 z 2 1,927 z 0,9272 z 2 1,966 0,9665 z 2 1,992 z 0,9917
2,357 x103 z 2,357 x103 7, 791x104 z 7, 791x104 3, 005 x104 z 3, 005 x104 1,971x104 z 1,971x104 1,857 x104 z 1,857 x104
Tv
z 2 1, 72 z 0, 7215 z 2 1,878 z 0,8788 z 2 1,948 z 0,9477 z 2 1,967 0,967 z 2 1,97 0,9701
3,834 x106 z 6,852 x105 1,564 x105 z 1,383x104 1, 233x104 z 1, 617 x104 1, 297 x103 z 1,163x103 1,174 x102 z 1,13x102
T5
z 2 1,947 z 0,9476 z 2 1,894 z 0,8947 z 2 1,813z 0,814 z 2 1,931z 0,9303 z 2 1, 786 0, 7868
98
Tabela 3 - Ajustes do controlador PID, para controle das concentrações x1, x2,
x3, x4 e x5 para as temperaturas do primeiro e quinto efeito.
x1 x2 x3 x4 x5 T1 T5
Esse ajuste final corresponde ao melhor ajuste encontrado via tentativa e erro
considerando o processo operando como um todo. Isso foi feito após um
primeiro ajuste via um problema de otimização que minimizou o valor de ITAE
para cada malha de controle individualmente. Para o teste definiu-se o “set-
point” como os valores ótimos de operação, mostrados na tabela a seguir:
x1 x2 x3 x4 x5 T1 °C T5 °C
x1 x2 x3 x4 x5 T1 °C T5 °C
Concentração no 1° efeito
0.214
0.212
0.21
Fração mássica de cristais
0.208
0.206
0.204
0.202
0.2
0 5 10 15 20 25 30 35 40 45 50
Tempo [h]
Concentração no 2° efeito
0.256
0.254
0.252
0.248
0.246
0.244
0.242
0.24
0.238
0.236
0 5 10 15 20 25 30 35 40 45 50
Tempo [h]
Concentração no 3° efeito
0.31
0.305
0.3
Fração mássica de cristais
0.295
0.29
0.285
0.28
0.275
0 5 10 15 20 25 30 35 40 45 50
Tempo [h]
Concentração no 4° efeito
0.29
0.285
0.28
0.27
0.265
0.26
0.255
0 5 10 15 20 25 30 35 40 45 50
Tempo [h]
Concentração no 5° efeito
0.29
0.285
0.28
Fração mássica de cristais
0.275
0.27
0.265
0.26
0.255
0.25
0 5 10 15 20 25 30 35 40 45 50
Tempo [h]
Temperatura no 1° efeito
120.4
120.3
120.2
120
119.9
119.8
119.7
119.6
0 5 10 15 20 25 30 35 40 45 50
Tempo [h]
Temperatura no 5° efeito
51.34
51.32
51.3
51.28
Temperatura [°C]
51.26
51.24
51.22
51.2
51.18
51.16
0 5 10 15 20 25 30 35 40 45 50
Tempo [h]
-4
x 10 Supersaturação no 4° efeito
5.4
5.3
5.2
5.1
supersaturação
4.9
4.8
4.7
4.6
0 5 10 15 20 25 30 35 40 45 50
Tempo [h]
Consumo de energia
480
460
440
420
400
[kcal/kg]
380
360
340
320
300
280
0 5 10 15 20 25 30 35 40 45 50
Tempo [h]
0,1 0 0 0 0 0 0
0 0,1 0 0
1 0 0 0 0
0 0 0
0 1 0 0 0 0 0 0,1 0 0 0 0
Qy 0 0 1 0 0 , Qu 0 0 0 0,1 0 0 0
0
0 0 0 1 0 0 0 0 0,1 0 0
0 0 0 0 1 0 0 0 0 0 0,1 0
0 0 0,1
0 0 0 0
106
0,1 0 0 0 0 0 0
0 0,1 0 0 102 0
0 0 0 0 0 0
0
0 0,1 0 0 0 0 0 10
2
0 0 0
R 0 0 0 0,1 0 0 0 Sy 0 0 102 0 0
0
0 0 0 0,1 0 0 0 0 0 10 2
0
0
0 0 0 0 0 0,1 0 0 0 0 102
0 0 0,1
0 0 0 0
1 0 0 0 0 0 0
0 1 0 0 0 0 0
0 0 1 0 0 0 0
Su 0 0 0 1 0 0 0 m2
0 0 0 0 1 0 0
0 0 0 0 0 1 0
0 0 0 0 0 0 1
O controlador foi definido para operar dentro da faixa de 0,2 a 0,3 em fração
mássica de sólidos em cada estágio. Partindo do mesmo ponto inicial da
simulação realizada para o controlador PID (Tabela 5), obtiveram-se os
seguintes resultados para o controlador preditivo, considerando os valores
alvos udes calculados pelo otimizador.
Pressão
Ac1 Ac2 Ac3 Ac4 Ac5 Tvivo
ejetor
12196,9 10985,8 10150,79 10713,83 10965,25 126,2 0,0732
107
Concentração no 1° efeito
0.209
0.208
0.207
Fração mássica de cristais
0.206
0.205
0.204
0.203
0.202
0.201
0 5 10 15 20 25 30 35 40 45 50
Tempo [h]
Concentração no 2° efeito
0.25
0.248
0.246
Fração mássica de cristais
0.244
0.242
0.24
0.238
0.236
0 5 10 15 20 25 30 35 40 45 50
Tempo [h]
Concentração no 3° efeito
0.296
0.294
0.292
0.288
0.286
0.284
0.282
0.28
0.278
0 5 10 15 20 25 30 35 40 45 50
Tempo [h]
Concentração no 4° efeito
0.276
0.274
0.272
Fração mássica de cristais
0.27
0.268
0.266
0.264
0.262
0.26
0.258
0.256
0 5 10 15 20 25 30 35 40 45 50
Tempo [h]
Concentração no 5° efeito
0.272
0.27
0.268
0.264
0.262
0.26
0.258
0.256
0.254
0.252
0 5 10 15 20 25 30 35 40 45 50
Tempo [h]
Temperatura no 1° efeito
120.4
120.3
120.2
Temperatura [°C]
120.1
120
119.9
119.8
119.7
119.6
0 5 10 15 20 25 30 35 40 45 50
Tempo [h]
Temperatura no 5° efeito
51.4
51.35
Temperatura [°C]
51.3
51.25
51.2
0 5 10 15 20 25 30 35 40 45 50
Tempo [h]
Consumo de energia
470
460
450
440
[kcal/kg]
430
420
410
400
390
380
0 5 10 15 20 25 30 35 40 45 50
Tempo [h]
-4
x 10 Supersaturação no 4° efeito
5.25
5.2
5.15
supersaturação
5.1
5.05
4.95
4.9
0 5 10 15 20 25 30 35 40 45 50
Tempo [h]
0.245 0.245
0.24 0.24
0.235
0.235
0.23
0.23
0.225
0.225
0.22
0.22
0.215
0.215
0.21
0.21
0.205
0.205
0 5 10 15 20 25 30 35 40 45 50 0 10 20 30 40 50
Tempo [h] Tempo [h]
0.248 0.248
Fração mássica de cristais
0.246 0.246
Fração mássica de cristais
0.244 0.244
0.242 0.242
0.24 0.24
0.238 0.238
0.236 0.236
0 5 10 15 20 25 30 35 40 45 50 0 10 20 30 40 50
Tempo [h] Tempo [h]
0.292 0.296
Fração mássica de cristais
Fração mássica de cristais
0.294
0.29
0.292
0.288
0.29
0.286 0.288
0.286
0.284
0.284
0.282
0.282
0.28 0.28
0 5 10 15 20 25 30 35 40 45 50 0 10 20 30 40 50
Tempo [h] Tempo [h]
0.27 0.27
0.265 0.265
0.26 0.26
0 5 10 15 20 25 30 35 40 45 50 0 10 20 30 40 50
Tempo [h] Tempo [h]
0.265 0.265
0.26 0.26
0.255 0.255
0 5 10 15 20 25 30 35 40 45 50 0 10 20 30 40 50
Tempo [h] Tempo [h]
540
389
520
388.5 500
[kcal/kg]
[kcal/kg]
480
388
460
387.5 440
420
387
400
386.5 380
0 5 10 15 20 25 30 35 40 45 50 0 5 10 15 20 25 30 35 40 45 50
Tempo [h] Tempo [h]
Nas Figura 49a a Figura 53a, é possível ver que o controlador levou a planta a
um diferente ponto de operação, ou seja, diferentes set-points foram
determinados para a nova condição da planta. O controlador encontrou nessa
condição um consumo energético levemente menor ao consumo para a
condição anterior e com significativa diferença em relação ao consumo da
planta operando com o controlador PID (Figura 54a).
397 540
396 520
395 500
[kcal/kg]
[kcal/kg]
394 480
393 460
392 440
391 420
390 400
389 380
0 5 10 15 20 25 30 35 40 45 50 0 5 10 15 20 25 30 35 40 45 50
Tempo [h] Tempo [h]
5 CONCLUSÕES
Neste trabalho foi desenvolvido um modelo dinâmico de uma unidade de
cristalização de sal alimentício por cristalização em um evaporador de cinco
efeitos. O modelo se baseia em balanços mássicos e energéticos e apresentou
ser uma boa ferramenta para estudos dos fenômenos físicos que acontecem
no sistema de cristalização.
A partir desse modelo criado foi possível testar o controlador avançado do tipo
IHMPC com controle de faixas, permitindo que fosse feita comparações com
um controlador clássico do tipo PID quanto a estabilidade do processo e
principalmente ao consumo energético da planta.
6 REFERENCIAS
AGUIRRE, L. Introdução à Identificação de Sistemas: Técnicas Lineares e Não-
Lineares Aplicadas a Sistemas Reais. 3ª. ed. Belo Horizonte: Editora UFMG,
2007.
ATUONWU, J. C.; CAO, Y.; RANGAIAH, G. P.; TADE, M. O. Identification and
predictive control of a multistage evaporator. Control Engineering Practice, v.
18, n. 12, p. 1418-1428, Dec 2010.
ATUONWU, J. C.; CAO, Y.; RANGAIAH, G. P.; TADÉ, M. O. Nonlinear model
predictive control of a multistage evaporator system using recurrent neural
networks. 4th IEEE Conference on Industrial Electronics and Applications,
ICIEA, p. 1662-1667, 2009.
BADGER, W. L.; STANDIFORD, F. C. Engineering in salt manufacture.
Chemical Engineering, v. 62, n. 3/4, p. 173-177, 180-183, 1955.
BAO-CANG, D.; Modern predictive control. CRC Press, 2010.
BILLET, R. Evaporation Technology: Principles aplications, economics.
Tradução de FULLARTON, J. W. 1. ed. New York: VCH, 1989.
BUNIN, G. A.; LIMA, F. V.; GEORGAKIS, C.; HUNT, C. M. Model predictive
control and dynamic operability studies in a stirred tank: rapid temperature
cycling for crystallization. Chemical Engineering Communications, v. 197, n. 5,
p. 733-752, 2010.
BURDETT, J. W.; HOLLAND, C. D. Dynamics of a multiple-effect evaporator
system. Aiche Journal, v. 17, n. 5, p. 1080-&, 1971.
CADET, C.; TOURE, Y.; GILLES, G.; CHABRIAT, J. P. Knowledge modeling
and nonlinear predictive control of evaporators in cane sugar production plants.
Journal of Food Engineering, v. 40, n. 1-2, p. 59-70, Apr-May 1999.
CHRISTOFIDES, P. D.; EI-FARRAC, N.; LI, M.; MHASKAR, P. Model-based
control of particulate processes. Chemical Engineering Science, v. 63, n. 5, p.
1156-1172, Mar 2008.
CHRISTOFIDES, P. D.; LI, M. H.; MADLER, L. Control of particulate processes:
Recent results and future challenges. Powder Technology, v. 175, n. 1, p. 1-7,
2007.
CHMAERZYNSKI, A; PIEKARSKI, H. Enthalpies of crystallization of NaCl, KCl,
LiCl.H2O, MgCl2.6H2O, CaCl2.6H2O and BaCl2.2H2O from aqueous solution at
298.15 K. Journal of Thermal Analysis, v. 38, p.2019-2025, 1992.
CORRIOU, J. P.; ROHANI, S. A New Look at Optimal Control of a Batch
Crystallizer. Aiche Journal, v. 54, n. 12, p. 3188-3206, Dec 2008.
119
Coeficiente Ap Bp Cp
Salmoura 7,8783 1701,1 231,78
Água 5,1156 1687,4 230,17
T (°C) Cp (cal/g.K)
21,1 0,786
26,7 0,789
32,2 0,792
37,8 0,795
43,3 0,798
48,9 0,802
54,4 0,806
60 0,81
65,6 0,814
71,1 0,819
76,7 0,824
82,2 0,828
87,8 0,834
93,3 0,838
98,9 0,844
104,4 0,848
110 0,854
115,6 0,858
121,1 0,864
T (°C) g soluto/100gH2O)
0 35,8
10 35,8
20 35,9
30 36,2
40 36,4
50 36,8
60 37,2
70 37,6
80 38,0
90 38,5
100 39,1
107 39,6
T kg/m³
0 1209
10 1204
20 1199,9
30 1195,7
40 1191,4
50 1187,2
60 1183
70 1178,7
80 1174,5
90 1170,3
100 1166
125
107 1163,1
kg 12,63x10-6 m/h
g 1
kb 2x1016 #/m
b 1,4
126
Modelagem
Efeito 3
0.295
M constante
0.29 M variável
0.285
0.28
Fraçao de solidos
0.275
0.27
0.265
0.26
0.255
0.25
0.245
0 5 10 15 20 25 30 35 40 45 50
Tempo [h]