Construcción, Modelado y Adquisición de Señales de un Proceso de Adsorción por Oscilación de Presión para Producir Bio-etanol

Abstract

El proceso de adsorción por cambio de presión (PSA) es un método novedoso para la purificación y producción de bioetanol. En esta tesis se propone la implementación de un modelo riguroso altamente no lineal para simular la dinámica cíclica del PSA, logrando una pureza del 99 % wt (peso) de etanol, el cual cumple con los estándares internacionales para ser utilizado como combustible, algunos de los estándares son: la norma europea CEN EN 15376:2014 del Comité de europeo de normalización, exige que el etanol contenga un máximo de 0.24 % en volumen de agua. La norma estadounidense exige un contenido máximo de agua del 1 % en volumen, mientras que la ANP (agencia nacional de petróleo) de Brazil una resolución 36, 0.4 % en volumen. Por lo tanto, el contenido mínimo de etanol considerado es: 99.76 % en volumen, 99.39 % en moles, 99.0 % en volumen, 97.47 % en moles, 99.6 % en volumen, 98.98 % en moles. La contribución de este trabajo se centra en obtener un modelo identificado capaz de capturar la importante dinámica del proceso PSA (con un ajuste superior al 90 %) y que pueda ser utilizado para el diseño de controladores, ya que es muy complicado diseñar el control en sistemas altamente no lineales ya que son difíciles de predecir y modelar por no ser iguales en la suma de sus partes. Para este diseño, se asume un modelo que se representan con Ecuaciones Diferenciales Parciales (EDP). Como prueba de concepto, una comparación entre el modelo matemático Hammersetein-Wienner (HW) (sistemas dinámicos que utilizan uno o dos bloques estáticos no lineales en serie con un bloque lineal) y la red neuronal artificial (RNN-por sus siglas en inglés) mostró la relevancia del método propuesto, utilizando las mismas señales de entrada y salida. Entre las metodologías para identificar un sistema, en esta investigación se propone una RNN la cual ha sido comparada con un modelo HW. La RNN ha mostrado el mejor desempeño entre los modelos computados (HW vs RNN), usando varios procedimientos de prueba e índices de desempeño, por ejemplo, el FIT (ajuste) donde la RNN tiene un 84.51 % mientras que el modelo HW tiene un 75.8425 %.