Estratégias para otimização mono e multiobjetivo de processos químicos

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSantos, Lizandro de Sousa-
Autor(es): dc.contributorOurique, Jorge Eduardo da Silva-
Autor(es): dc.contributorMonteiro, Alessandra da Rocha Duailibe-
Autor(es): dc.creatorCorrea, Isabela Barreto-
Data de aceite: dc.date.accessioned2024-07-11T18:15:36Z-
Data de disponibilização: dc.date.available2024-07-11T18:15:36Z-
Data de envio: dc.date.issued2020-09-08-
Data de envio: dc.date.issued2020-09-08-
Data de envio: dc.date.issued2019-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/14884-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/766899-
Descrição: dc.descriptionNeste trabalho, processos industriais simulados no UniSim® foram otimizados por meio da utilização de algoritmos implementados na linguagem de programação Python. O trabalho se dividiu em duas etapas: otimização mono-objetivo e otimização multiobjetivo. Primeiramente, foram propostos dois problemas de otimização mono-objetivo. Em um dos problemas, objetivou-se minimizar a área de troca térmica de uma rede de trocadores de calor empregada no resfriamento de uma mistura de hidrocarbonetos leves e, com isso, reduzir os gastos com a aquisição dos trocadores. O outro problema objetivou aumentar a eficiência da separação de uma mistura de parafinas em uma coluna de destilação. O desempenho dos algoritmos Otimização por Enxame de Partículas (PSO – Particle Swarm Optimization) e Evolução Diferencial (DE – Differential Evolution) foram comparados em ambos os problemas. O algoritmo DE foi o mais eficiente ao se trabalhar com uma maior dimensão, convergindo mais rapidamente e obtendo um melhor resultado. Na segunda parte do trabalho, foram propostos quatro casos de otimização multiobjetivo em uma planta de produção de cumeno para as situações sem e com a introdução de distúrbios (aumento de 8% nas vazões de alimentação da planta). Nestes casos, os objetivos consistiram na maximização da produção de cumeno, na minimização das produções de p-diisopropilbenzeno (DIPB) e gás residual e na minimização do consumo energético da planta. O Algoritmo Genético de Classificação por Não-Dominância II (NSGA II – Nondominated Sorting Genetic Algorithm II) presente na biblioteca Pymoo foi utilizado. A introdução dos distúrbios resultou em maiores produções de cumeno e de gás residual. Também foi observada uma maior quantidade de excesso de benzeno circulando na planta, que teve como principais consequências: (i) uma menor produção de DIPB, devido ao desfavorecimento da conversão de cumeno em DIPB e (ii) um alto consumo energético da planta, já que uma maior quantidade de energia é requerida no refervedor da coluna de destilação responsável pelo reciclo de benzeno e uma menor quantidade de energia é gerada no reator.-
Descrição: dc.descriptionIn this work, industrial processes simulated in UniSim® were optimized through the use of algorithms implemented in Python programming language. The work was divided into two stages: mono-objective optimization and multiobjective optimization. First, two monoobjective optimization problems have been proposed. In one of the problems, the objective was to minimize the heat exchange area of a heat exchanger network used in the cooling of a light hydrocarbon mixture and, with this, reduce the acquisition costs. The other problem aimed to increase the separation efficiency of a paraffin mixture in a distillation column. The performance of Particle Swarm Optimization (PSO) and Differential Evolution (DE) algorithms were compared in both problems. The DE algorithm was the most efficient when working with a larger dimension, converging more quickly and obtaining a better result. In the second part of the work, four cases of multi-objective optimization have been proposed in a cumene production plant for situations without and with the introduction of disturbances (8% increase in plant flow rates). In these cases, the objectives were to maximize the production of cumene, to minimize the production of p-diisopropylbenzene (PDIB) and residual gas and to minimize the energy consumption of the plant. The Nondominated Sorting Genetic Algorithm II (NSGA II) present in the Pymoo library was used. The introduction of the disturbances resulted in greater production of cumene and residual gas. There was also a greater amount of excess benzene circulating in the plant, which had as main consequences: (i) a lower production of PDIB, due to the disadvantage of converting cumene into PDIB, and (ii) a higher energy consumption of the plant, since a greater amount of energy is required in the distillation column reboiler responsible for the recycling of benzene and a lesser amount of energy is generated in the reactor.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc-nd/3.0/br/-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectProcessos Industriais-
Palavras-chave: dc.subjectOtimização-
Palavras-chave: dc.subjectPSO-
Palavras-chave: dc.subjectDE-
Palavras-chave: dc.subjectNSGA II-
Palavras-chave: dc.subjectProcesso industrial-
Palavras-chave: dc.subjectOtimização-
Palavras-chave: dc.subjectAlgoritmo-
Palavras-chave: dc.subjectIndustrial processes-
Palavras-chave: dc.subjectOptimization-
Título: dc.titleEstratégias para otimização mono e multiobjetivo de processos químicos-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.