Por favor, use este identificador para citar o enlazar este ítem: http://dspace.espoch.edu.ec/handle/123456789/14107
Título : Modelado y simulación de un sistema de destilación binaria benceno-tolueno para la predicción de la composición de los productos mediante redes neuronales artificiales.
Autor : Orozco Morocho, Bryan Eduardo
Director(es): Chuquin Vasco, Daniel Antonio
Tribunal (Tesis): Chuquín Vasco, Juan Pablo
Palabras claves : TECNOLOGÍA Y CIENCIAS DE LA INGENIERÍA;CONTROL AUTOMÁTICO;REDES NEURONALES ARTIFICIALES (RNA);DESTILACIÓN BINARIA;MATLAB (SOFTWARE)
Fecha de publicación : 11-dic-2019
Editorial : Escuela Superior Politécnica de Chimborazo
Citación : Orozco Morocho, Bryan Eduardo. (2019). Modelado y simulación de un sistema de destilación binaria benceno-tolueno para la predicción de la composición de los productos mediante redes neuronales artificiales. Escuela Superior Politécnica de Chimborazo. Riobamba.
Identificador : UDCTFC;96T00579
Abstract : The purpose of this research was to model and simulate a benzene-toluene binary distillation system for the prediction of product composition through artificial neural networks. For the desing of the Artificial Neural Network (RNA), data obtained from the simulation in the DWSIM free access software with operating conditions proposed in a medium-impact scientific article published by the Department of Chemical Engineering of the Instituto Nacional de Tecnología de Calcuta was used. By pre-processing data, outliers were corrected by applyng the Grubbs test, therefore, a database with 100 process variables was used as inputs for modelling in Matlab. Of which 15% was used for validation, 15% for testing and 70% for RNA training. The Levenberg-Marquardt was used for model training. The modelling architecture of the FeedForward Backpropagation type had 2 input layers, 18 hidden layers, and 2 output layers. It is concluded that the desing of the artificial neural network has an optimal prediction performance since, statistically, it presents a correlation coefficient equal to 0.94076 and an average square error equal to 0.0049875. Besides, the registered values of –P for the molar fraction of benzene in the distillate and the residue as actual and predicted products are 0.9030 and 0.7926 respectively, indicating that there are no significant differences between the analyzed data. However, the implementation of a soft sensor is recommended for vector weights that influence RNA training.
Resumen : La finalidad de esta investigación fue modelar y simular un sistema de destilación binaria benceno-tolueno para la predicción de la composición de los productos mediante redes neuronales artificiales. Para el diseño de la RNA se utilizó datos obtenidos de la simulación en el software de acceso libre DWSIM con condiciones de operación propuestas en un artículo científico de medio impacto publicado por el departamento de Ingeniería Química del Instituto Nacional de tecnología de Calcuta. Mediante el pre procesamiento de datos se corrigió datos atípicos aplicando la prueba de Grubbs, por lo tanto, se utilizó una base de datos con 100 variables de proceso como entradas para el modelado en Matlab. De los cuales se utilizó un 15% para la validación, el 15 % para la prueba y un 70% en el entrenamiento de la RNA. Para el entrenamiento del modelo se utilizó el algoritmo de Levenberg-Marquardt. La arquitectura del modelado de tipo FeedForward Backpropagation contó con 2 capas de entrada, 18 capas ocultas y 2 capas de salida. Se concluye que el diseño de la red neuronal artificial tiene un óptimo rendimiento de predicción ya que, estadísticamente presentó un coeficiente de correlación igual a 0.94076 y un un error cuadratico medio igual a 0.0049875. En adición, los valores registrados de –P para la fraccion molar de benceno en el destilado y en el residuo como productos reales y predichos son 0.9030 y 0.7926 respectivamente, indicando que no existen diferencias significativas entre los datos analizados. Sin embargo se recomienda la implementación de un sensor suave para los vectores pesos que influyen en el entrenamiento de la RNA.
URI : http://dspace.espoch.edu.ec/handle/123456789/14107
Aparece en las colecciones: Ingeniería Química

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
96T00579.pdf3,29 MBAdobe PDFVista previa
Visualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons