Predicting Temperature Of An Industrial Steam Methane Reformer Through Regularization Of a Machine Learning Model

Vol 11, 2022 - 159471
Pôster
Favoritar este trabalho
Como citar esse trabalho?
Resumo

As reações endotérmicas de um reformador de metano a vapor requerem uma faixa de operação de alta temperatura (800-1000°C) e pressão média (25 - 35 atm), portanto, o calor precisa ser fornecido ao sistema por um forno e/ou vapor superaquecido. Muitas outras reações podem ocorrer, como o deslocamento gás-água e a deposição de carbono, que podem causar envenenamento do leito do catalisador. No caso de um reformador industrial, um balanço de massa para cada espécie (modelo mecanicista) é inviável principalmente pela falta de equipamentos de medição. No entanto, a modelagem do reformador é essencial, pois pode prever a energia necessária para a reação, a desativação do catalisador e quando uma regeneração pode ser necessária. Para superar esses desafios, modelos orientados por dados usando algoritmos de Machine Learning (ML) podem ser aplicados quando dados suficientes e confiáveis estão disponíveis. Os modelos de aprendizado de máquina, quando comparados à modelagem mecanicista, podem fornecer uma melhor compreensão do processo geral, o que é de uso importante em casos como previsão de consumo de energia a longo prazo, o que é particularmente relevante para a reforma a vapor do metano, devido à sua natureza endotérmica. As principais etapas envolvidas no desenvolvimento do modelo baseado em dados incluíram inicialmente a aquisição de mais de 70,000 pontos de dados de um reformador industrial, o conjunto de dados incluiu medições de vazão, temperatura e pressão. Em seguida, foi realizada uma rápida visualização dos dados com a biblioteca Python Matplotlib, onde foram observadas flutuações do processo, outliers e comportamento do processo, e os recursos não relevantes foram devidamente tratados. Antes de qualquer treinamento do modelo, foi realizado o pré-processamento dos dados, incluindo o dimensionamento dos dados, detecção de outliers pelo Z-score. a árvore de decisão foi escolhida como algoritmo de treinamento de ML para prever a temperatura do reator, os resultados foram verificados pelo teste de validação cruzada, um coeficiente de correlação R2 de 0.9988 foi encontrado após a regularização das árvores por ajuste de hiperparâmetro, reduzindo assim o overfitting ao conjunto de dados de treinamento.

Compartilhe suas ideias ou dúvidas com os autores!

Sabia que o maior estímulo no desenvolvimento científico e cultural é a curiosidade? Deixe seus questionamentos ou sugestões para o autor!

Faça login para interagir

Tem uma dúvida ou sugestão? Compartilhe seu feedback com os autores!

Eixo Temático
  • Refino, Tecnologias do Gás Natural, Petroquímica e Biocombustíveis
Palavras-chave
Aprendizagem De Máquina
Hidrogênio
Reforma a Vapor De Metano