Upload
felix-vargas-santillan
View
215
Download
0
Embed Size (px)
Citation preview
7/25/2019 ModelamientomatematicoydiseoNeurocontrolador
1/8
7/25/2019 ModelamientomatematicoydiseoNeurocontrolador
2/8
Mg. Ing. Henry Mendiburu Daz
Foro Iberoamericano de Ciencia y Tecnologa, Panam, Abril/2005 2
La velocidad de reaccin (r x) se define como la velocidad de formacin o de desaparicin de moles delmaterial X, transformados por cada unidad de tiempo y por cada una unidad de volumen.
Para este caso, la reaccin sigue la ecuacin de segundo orden, por tanto: XX CKr (3)
Ecuacin de Arrhenius:
TR
Ex
ezpK (4)
La cual se resolver segn Henry y Simancas (1996):TeK
2.2407
*63380 (5)
Donde:rx Velocidad de reaccin [mol/(seg*m3)]K Constante de velocidad [moln/(seg*m3)]p Factor estrico [moln+1/m3]Z Frecuencia de colisiones [1/(seg*mol)]Ex Energa de activacin [K*kJ/(Kg*mol)]R Constante de Botzmann [K*kJ/(Kg*mol)]T Temperatura [K]
Se sabe que el volumen de la masa reaccionante al interior del tanque es constante, entonces tanto elflujo de entrada como el flujo de salida sern iguales, por lo que el balance global de las masas ser:
BA FiFiF2 (6)
Balance de masas para hidrxido de sodio (A):VCCKCFCiFi
dt
dCV
BAAAA
A
(7)
Balance de masas para acetato de etilo (B):VCCKCFCiFi
dt
dCV BABBB
B
(8)
Balance de masas para acetato de sodio (C):VCCKCF
dt
dCV BAC
C
(9)
Balance de masas para el etanol (D):VCCKCF
dtdCV BADD
(10)
BALANCE DE ENERGA
Segn Fogler (1992), el balance de energa en un reactor CSTR de volumen constante esta dado por la
siguiente expresin:
dt
dCVH
dt
dTCpVCHCFHiCiFiQ X
XXXXXXXX
(11)
Subdividiendo cada trmino:
CrHrFiCrHrFiHiCiFiHiCiFiHiCiFi BABBBAAAXXX (12)
FCrHrHFCHFCHFCHFCHCF DDCCBBAAXX (13)
dt
dTCrCpCpCCpCCpCCpCV
dt
dTCpVC rDDCCBBAAXX
(14)
dt
dCrHr
dt
dCH
dt
dCH
dt
dCH
dt
dCHV
dt
dCVH DD
C
CB
BA
AX
X
(15)
Los trminos correspondientes a dt
dCX
se obtienen de las ecuaciones (7), (8), (9), y (10)
El trmino Q se desarrolla de la siguiente manera:)( TTrUAQ (16)
7/25/2019 ModelamientomatematicoydiseoNeurocontrolador
3/8
Modelamiento Matemtico y diseo de un Neurocontrolador DBP para un Reactor CSTR
Foro Iberoamericano de Ciencia y Tecnologa, Panam, Abril/2005 3
Donde U es el coeficiente global de transferencia de calor, y segn Hernndez y Borregales (2001) se
puede asumir constante: U = 19.19 / A (17)
Operando algebraicamente y simplificando se obtiene que el balance de energa, que expresa el
comportamiento dinmico de la temperatura dentro del reactor, queda reducido a la siguiente
expresin:
VCKCHTiTCpCiFiTiTCpCiFi
TTrUA
dt
dT
VCp BABBBBAAAA )()()(V
)(
L (18)
Capacidad calorfica: DDCCBBAA CpCCpCCpCCpCCp
(19)
Generalizando la Capacidad Calorfica del material X se encuentra a partir de la siguiente ecuacin, los
coeficientes para cada material, fueron obtenidos a partir de la bibliografa Perry (1992).
43
2
2
3
1 XXXXX TTTCp (20)
Las entalpas se agrupan en un solo trmino:
dtCpCpCpCpTrefhrHBA
T
TrefDC
)()(
(21)
El coeficiente hr(Tref) representa la parte de la integral que es constante, es decir la sumatoria de las
capacidades calorficas para una temperatura de referencia (Tref).
Donde:U Coeficiente de transferencia de calor [J/(K*seg*m2)]A Superficie o rea para la transferencia de calor [m2]T Temperatura en el reactor a la salida [K]TiA Temperatura del material A en la entrada [K]TiB Temperatura del material B en la entrada [K]Tr Temperatura en el refrigerante a la salida [K]
Cp Capacidad calorfica general [kJ/(Kg*C]Cpx Capacidad calorfica del material X [kJ/(Kg*C]
L Densidad del lquido en el tanque [Kg/m3]Hx Entalpas de formacin del material X [kJ/C]
H Calor desarrollado en la reaccin [kJ/C]
El comportamiento dinmico para la temperatura de la camisa de refrigeracin (segn referencia
http://isaw.isa.cie.uva.es/ecosimjava/reactor.htm) esta dado por la expresin:
rr
rr
CpVr
TrTUATrTirCpFr
dt
dTr )()(
(22)Donde:
Tr Temperatura del refrigerante a la salida [K]Tir Temperatura del refrigerante a la entrada [K]Fr Flujo del lquido refrigerante [lit/seg]Cpr Calor especifico del refrigerante [kJ/(K*Kg)]Vr Volumen de la camisa de refrigeracin [m3]
r Densidad del refrigerante [Kg/m3]
Tambin es necesario conocer el valor del pH, este valor puede ser medido experimentalmente por un
sensor, pero en este caso de simulacin, se har una aproximacin mediante la expresin:
V
CCKPhFpHFipHFihP BABBAA
2
(23)
)(log11 10 PhpH (24)
http://isaw.isa.cie.uva.es/ecosimjava/reactor.htm7/25/2019 ModelamientomatematicoydiseoNeurocontrolador
4/8
Mg. Ing. Henry Mendiburu Daz
Foro Iberoamericano de Ciencia y Tecnologa, Panam, Abril/2005 4
Donde:pH Valor de pH dentro del reactorpHA Valor de pH del material ApHB Valor de pH del material BPh Variable auxiliar para determinar el pH
Las Ecuaciones del Modelo Matemtico del Reactor CSTR quedan resumidas de la siguiente manera:
V
CCKPhFpHFipHFihP
CpVr
TrTUATrTirCpFrrT
VCp
VCKCHTiTCpCiFiTiTCpCiFiTTrUA
T
V
VCCKCFC
V
VCCKCFC
V
VCCKCFCiFiC
V
VCCKCFCiFiC
BABBAA
rr
rr
BABBBBAAAA
BADD
BACC
BABBB
B
BAAAAA
2
)()(
)()()(V
)(
L
(25)
3. DISEO DEL NEUROCONTROLADOR
El objetivo del sistema de control es controlar la concentracin de los materiales que salen del reactor
(acetato de sodio y etanol). Para realizar dicho control es necesario variar las concentraciones de
entrada de los materiales reactantes (acetato de etilo e hidrxido de sodio). Otra variable a controlar es
la temper at ur a dent ro del rea ctor qumico, esto se conseguir var iando la tem pera tu ra de la camisa de
refrigeracin. Por tanto tambin se debe controlar la temperatura en la camisa de refrigeracin, para
esto la accin de control recae sobre la temperatura de entrada del refrigerante que recorre la camisa de
refrigeracin. Tambin se busca monitorearel nivel de pH de la reaccin.
ESQUEMA DE LA PLANTA
Variables sensadas:
FA, FB, TiA, TiB,CA,CB, CC, CD, T, Ph,
Fr, Tir, Tr
Variables
manipuladas
(actuadores):
CiA, CiB, Tir
Se pueden
presentar
perturbaciones en:
TiA, TiB, FiA, FiB, Fr
7/25/2019 ModelamientomatematicoydiseoNeurocontrolador
5/8
Modelamiento Matemtico y diseo de un Neurocontrolador DBP para un Reactor CSTR
Foro Iberoamericano de Ciencia y Tecnologa, Panam, Abril/2005 5
NEUROCONTROLADOR
Para la implementacin de la simulacin del sistema, es necesario discretizar el modelo matemtico
anterior, quedando ste expresado de la siguiente manera:
V
kCkCKkPhFpHFipHFikPhkPh
CpVr
kTrkTUAkTrkTirCpFrkTrkTr
VCp
VkCkKCHTikTCpCiFi
VCp
TikTCpCiFikTkTrUA
kTkT
V
VkCkCKkCFkCkC
V
VkCkCKkCFkCkC
V
VkCkCKkCFkCiFi
kCkC
V
VkCkCKkCFkCiFikCkC
BABBAA
rr
rr
BABBBB
AAAA
BAD
DD
BAC
CC
BABBB
BB
BAAAA
AA
)()()(2)()1(
))()(())()(()()1(
))()(())((
))((V
))()((
)()1(
)()()()()1(
)()()()()1(
)()()()(
)()1(
)()()()()()1(
L
Dado un sistema: X(k+1) = ( Xk , uk ) , el cual es conocido, se busca controlar el sistema, para lo cual se
desea minimizar una funcin de costo
1
0
)(2
)1(2
21
N
k
kk uXJ
Donde los estados del sistema son representados por : X(k+1) = ( Xk , uk )As mismo la seal de control se representa por:u(k) = ( Xk)
Los pesos del neu rocont rolador son repr esent ados por V y W :J J
w w v vw v
Donde, representa el ratio de aprendizaje de los pesos.
La actualizacin de los pesos responde a la siguiente derivada total:
w
uu
w
XX
w
uu
w
XX
w
uu
w
XX
w
J )2()2(
)3(
)3(
)1(
)1(
)2(
)2(
)0(
)0(
)1(
)1(
Las derivadas totales de X respecto a los pesos W, se expresan de la siguiente forma:
w
X
X
u
u
X
X
X
w
u
u
X
w
X k
k
k
k
k
k
kk
k
kk )(
)(
)(
)(
)1(
)(
)1()(
)(
)1()1(
Las derivadas totales de u respecto a los pesos W, se expresan de la siguiente forma:
wX
Xu
wu
wu k
k
kkk )(
)(
)()()(
Se puede notar que el sistema trabaja bien nicamente cuando existen muy pocas neuronas en la capa
intermedia, por lo que se ha diseado el controlador utilizando 3 neuronas.
La entrada a la red es el error entre los estados a controlar y sus respectivas referencias, estos errores
ha n sido llevados a un escala mien to de 3. Se busca que este error sea cero por lo cual ta mbin se
convierte en el error del sistema
NCSistema
X(0)U(0)
X(0)
NCSistema
X(1)U(1)
X(1)
NCSistema
X(2)U(2)
X(2)
X(3)
7/25/2019 ModelamientomatematicoydiseoNeurocontrolador
6/8
Mg. Ing. Henry Mendiburu Daz
Foro Iberoamericano de Ciencia y Tecnologa, Panam, Abril/2005 6
La salida de la red se convierte en la seal de control que se conecta a los actuadores, la cual tambin
ha sido escalada a 0.9
El entrenamiento comenz con pesos aleatorios con distribucin gauseana, luego de aproximadamente
15000 iter aciones se consigui llegar a r esu lta dos acepta bles, el rat io de apr end izaje fluctu ent re0.00001 y 0.0000001.
La funcin utilizada en la capa intermedia fue la funcin sigmoidea, as mismo tambin se consider lavariacin de centros y amplitudes de esta, para lo cual se uso un ratio de aprendizaje entre 0.0001 y
0.00001 para los centros, y entre 0.0000001 y 0.00000001 para las amplitudes.
La actu alizacin de los pesos se consigue luego de resolver la siguient e ecuacin, donde w rep resen ta
al peso que se desea actualizar.
w
X
X
u
u
X
X
X
w
u
u
X
w
X k
k
k
k
k
k
kk
k
kk )(
)(
)(
)(
)1(
)(
)1()(
)(
)1()1(
De donde se tiene que desarrollar por partes cada trmino, as tenemos:
La derivada del estado X en elinstante siguiente con respecto
al estadoX en el instante
actual,se resuelve de la forma:
)(
)1(
)(
)1(
)(
)1(
)(
)1(
)(
)1(
)(
)1(
)(
)1(
)(
)1(
)(
)1(
)(
)1(
k
k
kD
k
kC
k
k
kD
kD
kD
kC
kD
k
kC
kD
kC
kC
kC
k
k
T
T
C
T
C
T
T
C
C
C
C
C
T
C
C
C
C
C
X
X
La derivada del estado X en el
instante siguiente con respecto
a la seal de control U en el
instante actual, se resuelve de
la forma:
)(
)1(
)(
)1(
)(
)1(
)(
)1(
)(
)1(
)(
)1(
)(
)1(
)(
)1(
)(
)1(
)(
)1(
k
k
k
k
k
k
k
kD
k
kD
k
kD
k
kC
k
kC
k
kC
k
k
Tir
T
CiB
T
CiA
T
Tir
C
CiB
C
CiA
C
Tir
C
CiB
C
CiA
C
u
X
La red neuronal hace uso de la funcin sigmoideapara su entrenamiento: 1
1
2)(
a
cm
e
n
De esta se obtienen las siguientes derivadas(para pesos, amplitudes y centros):
acm
a
cme
aem
n )(
2)(
1
2 acm
a
cme
ae
cm
a
n )(
2
2)(
1
)(2 acm
a
cme
aec
n )(
2)(
1
2
La derivada de la seal de control U con respecto a los estados X,se resuelvede la forma:
vm
nw
X
u
k
k
)(
)(
Finalmente las derivadas de la seal de controlUcon respecto a los pesos se resuelven de la forma:
nnnw
T
w
C
w
C
w
u DC
mnwrefX
vu
ii
c
n
wc
u
)( a
n
wa
u
)(
pesos w pesos v centro c amplitud a
7/25/2019 ModelamientomatematicoydiseoNeurocontrolador
7/8
Modelamiento Matemtico y diseo de un Neurocontrolador DBP para un Reactor CSTR
Foro Iberoamericano de Ciencia y Tecnologa, Panam, Abril/2005 7
Los pesos obtenidos cuando se realizo el entrenamiento para el caso de mltiples condiciones iniciales,
se muestran a continuacin:
3466.22750.28156.2
4769.86871.31172.6
6309.36126.19222.7
w
4101.00001.00501.0
0113.00055.00020.0
0011.30010.20158.3
v
9986.0
9991.0
3969.0
a
0518.0
0532.0
0062.0
c
4. SIMULACIN Y VALIDACIN DEL SISTEMA
A continuacin se muestra la respuesta de los estados y seal de control para el caso de mltiples
condiciones iniciales que buscan alcanzar la referencia CC = 0.25mol, CD = 0.25mol, T= 304k.
Respuesta en el tiempo de los Estados Seal de Control
A continuacin se muestra la respuesta de los estados frente a dos casos con presencia de ruido y
perturbaciones, para alcanzar la misma referencia.
7/25/2019 ModelamientomatematicoydiseoNeurocontrolador
8/8
Mg. Ing. Henry Mendiburu Daz
Foro Iberoamericano de Ciencia y Tecnologa, Panam, Abril/2005 8
Para evaluar el rendimiento del neurocontrolador, se compar con otros dos controladores: un
controlador PID, y una red neuronal esttica, bajo las mismas condiciones que la primera simulacin:
Controlador PID Red Neuronal Esttica
5. CONCLUSIONES
Mediante las tcnicas de modelamiento matemtico se ha realizado el balance de masas y balance de
energa, cuyas ecuaciones han permitido llegar a un modelo matemtico del sistema que se desea
controlar.
El diseo del neurocontrolador dinmico ha resultado ser complicado, del mismo modo elentrenamiento
de la red es arduo y requiere un gran nmero de iteraciones. Una caracterstica importante es el hechode que el entrenamiento requiere el conocimiento del modelo del sistema. Pese a la marcadacomplejidad es justificable para el eficaz control de sistemascomplejos.
El neurocontrolador dinmico ha demostrado ser una buena opcin, debido al pequeo error en estado
estable, tiempo de establecimiento corto, la seal de control es aplicable a actuadores reales, y larespuesta del sistema no presenta alteraciones bruscas que daen el producto final producido. Cuando
se someti al sistema a la afeccin de un juego completo de perturbaciones y ruido, el resultado obtenido
afect a todos los controladores, pero en una escala menor al neurocontrolador dinmico.
6. BIBLIOGRAFA
Fogler,S. (1992). Elements of chemical reaction engineering . Pren tice Ha ll. New J ersey.
Fr eeman , J am es A., Ska pur a, David M. (1993). Redes neuronales: algoritmos, aplicaciones ytcnicas de programacin . Addison-Wesley Iberoamericana.Ha rvey, Robert L. (1994). Neural network principles . Pren tice-Hall. Englewood Cliffs.Her n ndez,A.,Borr egales,E. (2001). Monta je, inst ru men ta cin y modelaje de un rea ctor de
laboratorio . Universidad Simn Bolivar. Venezuela.Hen ry,C., Sima ncas ,D. (1996) Modelaje y simu lacin de un r eactor qumico . Pr oyecto de Grado.
Universidad Simn Bolvar. Venezuela.
Luyben ,W.L. (1990). Pr ocess modeling, simu lat ion, an d contr ol for chemical engineers . McGraw-Hill. NewYork.Perry, Robert H. (1992). Manua l del ingeniero qumico .Mc.Graw Hill, Mxico.
Srin ivas Palan ki, Soum itri Kolavennu , (2003). Simula tion of Cont rol of a CSTR Process . TheInternational Journal of Engineering Education Volume 19, Number 3, pag.398-402.Vemur i, V. Rao (1992). Artificial neur al networks: concepts an d control applicat ions . IEEE
Computer Society Press tutorial. California.