Un Proceso Para La Producción De Aceite De Palma Consta De 3 Partes Principales.docx

Un proceso para la producción de aceite de palma consta de 3 partes principales, que son desgomado, blanqueo y desodorización. El desgomado es un proceso de eliminación de fosfátidos del petróleo crudo, y luego el aceite desgomado se trata mediante el blanqueo de la tierra antes de ingresar a la columna de desodorización. Diagrama esquemático de MD se muestra en (Figura 2). La columna MD se compone principalmente de evaporador y condensador interno. En la columna MD, el alto vacío se logra mediante la bomba de refuerzo de vacío. El líquido de la corriente de alimentación es desgasificado por la unidad desgasificadora y luego ingresa al evaporador calentado [15]. El líquido calentado entra en el MD como fase de vapor. Cada molécula tiene diferente distancia de movimiento; La molécula ligera tiene una trayectoria libre más larga que la molécula pesada. El camino libre medio más largo proporciona más capacidad para que la molécula alcance la placa del condensador. La molécula más ligera se condensará y dejará la columna a través de la corriente de destilado. Sin embargo, la molécula pesada saldrá a través de la corriente de residuos. En este trabajo, el betacaroteno y el tocoferol son sustancias pesadas; dejarán la columna MD a través de la corriente de residuos, mientras que el ácido graso libre es más ligero y deja la columna MD a través de la corriente de destilado. Por lo general, el caudal de alimentación (F), la temperatura de la columna (T) y la presión (P) influyen en la concentración de salida de betacaroteno, tocoferol y ácido graso libre. La calidad del producto (beta-caroteno y la concentración de tocoferol en el residuo) aumenta con la disminución de la temperatura, por otro lado, al aumentar la presión, según (Ec. (1).)

Donde λ es la trayectoria libre media, R es la constante de gas, T es la temperatura, P es la presión, NA es el número de Avogadro yd es el diámetro molecular. La trayectoria libre media es función de la temperatura y la presión. El aumento de la temperatura aumenta la trayectoria libre media; por lo tanto, las moléculas pesadas (betacaroteno y tocoferol) pueden alcanzar el condensador más fácilmente. En consecuencia, salen de la columna a través de la corriente de destilado; Por lo tanto, la calidad del aceite comestible se reduce. Pero el efecto de la presión es opuesto; Las moléculas pesadas no pueden alcanzar más fácilmente el condensador, por lo tanto, la calidad del producto aumenta. Con el aumento del caudal de alimentación, la calidad del producto disminuye. El aumento del caudal de alimentación da como resultado un tiempo de residencia más corto. La molécula más ligera (FFA) no pudo evaporarse a tiempo, y por lo tanto, permanece en el residuo. En consecuencia, la calidad del aceite comestible disminuye porque el FFA contamina la corriente de residuos. Modelado ANN La red neuronal artificial (ANN) es ampliamente aceptada como técnica alternativa para capturar y representar la complicada relación de entrada y salida de los procesos [16]. Es un sistema de procesamiento de información que no tiene que ser programado y no algorítmico. Los modelos ANN se aplican en diversas aplicaciones, como control de procesos, identificación de sistemas, negocios, modelado, reconocimiento de patrones y simulación. Realiza tareas intelectuales similares a las del cerebro humano al adquirir conocimiento durante el aprendizaje y almacenar dentro de la neurona interna.

La importancia de utilizar la red neuronal está en su característica fácil de realizar para desarrollar un modelo de proceso. Dado que el proceso no es lineal, es difícil resolverlo manualmente. A la inversa, el primer principio de modelado requiere conocimiento para calcular las propiedades físicas para desarrollar modelo. Además, el modelo de red neuronal es menos costoso computacionalmente que el modelo del primer principio. La red neuronal consta de neuronas en diferentes capas dentro de la red, que son la capa de entrada, una o más capas ocultas y la capa de salida. La red neuronal esencialmente recibe datos de entrada (señal), se entrena y procesa, luego envía la señal de salida. Cada entrada es ponderada, y su peso (w) se basa en la entrada particular. Los pesos y sesgos (b) son la conexión entre entrada, neuronas y salidas de la red neuronal. Las ponderaciones y los sesgos se suman y suman mediante una función de transferencia en una o más salidas, según el proceso. Arquitectura y formación de redes neuronales. En este estudio, la red de avance se utiliza para resolver el problema de ajuste de aproximación. La red de percepción multicapa (MLP) es el tipo más común y famoso de red de alimentación directa. La red de alimentación directa es una red directa que viaja solo de una manera (sin bucle de retroalimentación), y es una red de supervisión que requiere salidas para aprender. La arquitectura de la red neuronal para entradas múltiples y salidas múltiples se muestra en la Fig. 3, donde i es el número de elementos en la entrada y j es el número de neuronas en la capa. La suma de las entradas de peso (wx) con sesgos (b) es el argumento de la función de transferencia (f); Función de transferencia sigmoidea hiperbólica tangente (tansig) y función de transferencia lineal (purelin), que produce la salida (y). Además, las salidas de cada capa de transición son la entrada de la capa posterior. El algoritmo de propagación inversa basado en Levenberg-Marquardt (trainlm) es la función de entrenamiento utilizada para entrenar la red [17]. Este algoritmo es el procedimiento más utilizado para determinar el error derivado del peso. Antes de iniciar el diseño de la red, es importante asegurarse de que los datos de entrenamiento cubran el rango del espacio de entrada. Es porque la red neuronal es hábil en la interpolación en lugar de la extrapolación de datos [18, 19]. Las variables de salida del 1er modelo ANN pueden ser calculadas y escrito como:

dónde: i es el número de variables de entrada. j es el número de neuronas k es el número de variables de salida.

a1 y a2 son salidas combinadas lineales de la primera capa oculta y Capa de salidas respectivamente. b1 y b2 son el sesgo de la primera capa oculta y la capa de salida. yk = variables de salida yk escala hacia arriba = variables de salida de escalado yk std = desviación estándar de las variables de salida de escalado yk media = promedio de las variables de salida de escalado. Se puede desarrollar un modelo ANN efectivo si las variables de diseño y sus respuestas están normalizadas. Las variables de entrada y la variable de salida se normalizan antes del entrenamiento para evitar el ajuste excesivo. Los datos de entrada se normalizan y escalan como sigue

Velocidad de flujo de alimentación escalable Escala de temperatura Escalado de presión

Las variables de salida normalizadas en la red neuronal de correlación. son como sigue: Beta caroteno escalado Escalado de tocoferol Incremento de ácidos grasos libres

donde Ximean, es el promedio de las variables de entrada. xistd es la desviación estándar de las variables de entrada, La desviación estándar de cada variable de entrada se calcula como sigue:

La normalización de los datos acelera el proceso de capacitación y también mejora las capacidades de la red [20]. Se utiliza y aplica análisis de sensibilidad o análisis de variables de entrada. En esta parte como técnica para eliminar el menor impacto en el proceso. Es una técnica que ayuda al centrarse solo en el efecto significativo de las variables de entrada al proceso. En esta

parte, se aplica un modelo parcial para estimar la sensibilidad de las respuestas pronosticadas. La presión y la temperatura variables tienen mayores efectos en las salidas; sin embargo, el caudal de alimentación tiene menos efecto en cualquiera de las salidas. Se puede concluir que x2 y x3 son variables significativas, mientras que x1 es una variable insignificante. Posteriormente, en este trabajo, desarrollamos 2 modelos de diferencia; el primer modelo ANN (1st ANN) basado en 3 entradas (x1, x2, x3) y 3 salidas: concentración de betacaroteno y tocoferol en el residuo y ácido graso libre en la corriente destilada (y1, y2, y3) y la segunda ANN modelo (2da ANN) basado en 2 entradas (x2, x3) sin considerar variables insignificantes y 3 salidas (y1, y2, y3). El modelo ANN se desarrolla y se discuten los efectos de los números de neuronas y capas ocultas. En este estudio se generan diferentes aportaciones desde el ASPEN HYSYS simulación del proceso de aceite de palma refinado que se utilizará para desarrollar los modelos de redes neuronales artificiales (ANN). El 70% de los datos de entrada se utilizan para entrenamiento (negrita), el 15% se usan para pruebas (normal) y el 15% restante (cursiva) se usan para validación (Tabla C, Apéndice). El entrenamiento, las pruebas y la validación se ejecutan para estimar el rendimiento de la red neuronal [21] para pronosticar la concentración de beta-caroteno (y1), tocoferol (y2) y ácido graso libre (y3), para estimar la calidad. de aceite comestible, en términos de valor agregado y contaminante. La entrada las variables y sus estadísticas para el primer modelo ANN y el segundo modelo ANN se muestran en las Tablas 1 y 2, respectivamente. El caudal de alimentación para el primer modelo está en el rango de 1000–2000 kg / h, para ambos modelos, la temperatura y la presión están en el rango de 100–200 ° C y 0.00000–0.001 kPa respectivamente. En una red de neuronas existe un peso o fuerza sináptica que va a ser un valor numérico que pondera las señales que se reciben por sus entradas. Este peso será un valor que determina la fuerza de conexión entre 2 neuronas.

En este estudio, la red de avance se utiliza para resolver el problema de ajuste de aproximación. La red de percepción multicapa (MLP) es el tipo más común y famoso de red de alimentación directa. La red de alimentación directa es una red directa que viaja solo de una manera (sin bucle de retroalimentación), y es una red de supervisión que requiere salidas para aprender. La arquitectura de la red neuronal para entradas múltiples y salidas múltiples se muestra en la Fig. 3, donde i es el número de elementos en la entrada y j es el número de neuronas en la capa.

La suma de las entradas de peso (wx) con sesgos (b) es el argumento de la función de transferencia (f); Función de transferencia sigmoidea hiperbólica tangente (tansig) y función de transferencia lineal (purelin), que produce la salida (y). Además, las salidas de cada capa de transición son la entrada de la capa posterior.

respectivamente. w1 y w2 son el peso sináptico de la neurona para la primera capa oculta y capa de salida respectivamente. f 1 es la función de transferencia para la capa oculta.

Un modelo eficaz ANN se puede desarrollar si las variables de diseño y sus respuestas se normalizan. Las variables de entrada y variable de salida se normalizan antes del entrenamiento con el fin de evitar el exceso fi tting. Los datos de entrada son normalizadas y ampliarse como sigue