Inteligencia artificial en el diseño de una torre de destilación discontinua

por | agosto 9, 2018

Desde la Escuela de Ingeniería Química de la Universidad de Carabobo en Valencia, Venezuela, los investigadores Ixmit J. López Sosa y Sergio A. Pérez Pacheco han desarrollado un novedoso método, altamente preciso, para el cálculo del perfil de temperatura de una torre de destilación discontinua durante su proceso de arranque, con la ayuda de redes neuronales artificiales.

Recordemos que el proceso de arranque o puesta en marcha de una torre de destilación por lotes es un proceso dinámico no estacionario donde todos los métodos de cálculos conocidos no aplican debido al dinamismo de las condiciones y de las variables que la torre experimenta, por lo que el uso de las redes neuronales supone un avance significativo en este ámbito y permite predecir con exactitud el comportamiento de los perfiles de temperatura, como nunca antes se había hecho, para optimizar el arranque de una torre desde el diseño mismo.

¿Qué son las redes neuronales artificiales?

Antes de adentrar en detalles, y para una mejor compresión del tema, es importante que se entienda de qué se habla cuando se hace referencia a redes neuronales. Las redes neuronales son la base de la inteligencia artificial, pues son modelos computacionales que emulan el comportamiento del cerebro humano, específicamente de las neuronas y sus redes, usados para solucionar problemas difíciles mediante técnicas algorítmicas convencionales.

Las redes neuronales están compuestas por varias unidades de neuronas conectadas entre sí. Cada una de ellas es capaz de recibir múltiples señales para emitir una salida que reciba otra neurona artificial, de modo que puedan retroalimentarse y comunicarse constantemente. Lo interesante de estas redes neuronales es que pueden aprender y formarse a sí solas sin necesidad de ser programadas explícitamente, siendo, de esa forma, muy útiles para resolver problemas complejos donde la programación convencional queda obsoleta.

¿Por qué es necesario un sistema de cálculo tan complejo para calcular los perfiles de temperatura de una torre de destilación continua durante su puesta en marcha?

Tal como se explicó anteriormente y los autores del método lo exponen en su tesis titulada “Redes neuronales de base radial como modelos dinámicos para la puesta en marcha de columnas de destilación por lotes” (2017), la puesta en marcha de una torre de destilación continua es un proceso dinámico donde las condiciones internas de la torre cambian en todo momento, por lo tanto, los métodos de cálculos conocidos no tienen validez.

La puesta en marcha también puede entenderse como el período en el que la columna cambia desde un estado inicial a temperatura ambiente hasta las condiciones de operación de estado estacionario. Durante ese período la columna sufre tres etapas esenciales:

  • Estado de vacío (EV): la columna se encuentra vacía, a presión y temperatura ambiente.
  • Acumulación de líquido (AL): se empieza a llenar de líquido a la columna, por ende, su temperatura es la misma que la del líquido que ingresa.
  • Equilibrio líquido-vapor (ELV): se produce el equilibrio líquido-vapor y se logra el estado estable con reflujo total.

Como se puede inferir, el periodo de puesta en marcha produce cambios muy drásticos en el perfil de temperatura de la torre, al igual como sucede con las demás variables (presión, composición, etcétera), por lo que se considera un periodo improductivo para la columna.

En la actualidad sólo existen unos pocos métodos rigurosos capaces de predecir el comportamiento de la temperatura de una torre durante su puesta en marcha, pero requieren de una inmensa cantidad de datos específicos relativos a las condiciones geométricas de los platos o empaques. Además, no son muy precisos y requieren un tiempo considerable de cálculo.

¿Cómo desarrollaron las redes neuronales predicadoras del perfil de temperatura de una columna de destilación discontinua?

Ixmit J. López Sosa y Sergio A. Pérez Pacheco se decantaron por redes neuronales de base radial, es decir, que emplean funciones radiales para las computaciones, ya que son un tipo de redes neuronales artificiales que sirven para aproximar cualquier clase de valores en sistemas dinámicos, tal como lo es la puesta en marcha de una torre de destilación.

Para la programación inicial y manipulación de las redes neuronales utilizaron la herramienta Toolbox del software Matlab. Seguidamente, las neuronas así creadas las entrenaron con valores experimentales que fueron tomados de pruebas donde se midió la temperatura desde el momento en que inicia el calentamiento hasta la estabilización de la temperatura en cada punto de medición a lo largo de la columna de destilación discontinua de la Universidad de Carabobo. Para la experimentación se usó una mezcla etanol-agua con diferentes composiciones iniciales que fueron desde el 12% al 20% molar de etanol.

Se recolectaron 330 patrones (datos de temperatura experimentales), de los cuales 247 se utilizaron para desarrollar los modelos neuronales en cuestión y 83 para validar los resultados finales de los mismos. Posteriormente, se codificó el pre-procesamiento de datos de las neuronas hasta llegar a los resultados y su validación.

Los resultados finales demuestran que los modelos de neuronales desarrollados en la Universidad de Carabobo predicen con exactitud suficiente los perfiles de temperatura de una torre durante su proceso de arranque. El personal de Cerrajeros concuerda que este puede ser uno de los avances más significativos de ingeniería de los últimos años.

En ambos casos notamos como las neuronas predicen los cambios de temperatura de cada una de las etapas de la puesta en marcha y llegan al estado de estabilización de la temperatura de la torre de manera precisa. Los investigadores remarcan cada una de dichas etapas y demuestran lo efímera que es la etapa de acumulación de líquido (AL).

¿Por qué supone un avance significativo en el diseño de columnas?

Predecir el perfil de temperatura de una columna de destilación discontinua durante la puesta en marcha habilita al diseñador a tomar previo al diseño las medidas necesarias para reducir los periodos improductivos de inicio (puesta en marcha), minimizar al consumo energético y la cantidad de productos de residuo.

Asimismo, si se logró que una red neuronal artificial prediga con exactitud los perfiles de temperatura de una torre de destilación discontinua, entonces no estamos muy lejos de lograr redes neuronales capaces diseñar integralmente una columna de destilación, optimizando al mismo tiempo las variables que intervienen en el proceso para hacer lo que a los humanos nos cuesta mucho tiempo y experimentaciones costosas, en un par de minutos y con un gasto económico nulo.

En resumen, si continua la evolución de la inteligencia artificial muy pronto morirán los prototipos de columnas de destilación y otros equipos unitarios, pues ya no serán necesarios.

¿Problemas de los modelos neuronales?

Ateniéndonos al funcionamiento interno de las redes neuronales, la base de datos experimentales usada para el entrenamiento de las neuronas de esta investigación sólo permite predecir con gran precisión los perfiles de temperatura de una torre que separe mezclas agua-etanol, por lo que su uso efectivo con mezclas de hidrocarburos, por ejemplo, no está comprobado. De igual forma, los investigadores no especifican si sus neuronas artificiales funcionan con igual precisión para presiones y temperaturas ambientales disimiles.

Es muy posible que, para cada tipo de mezcla, de acuerdo a la condición medio ambiental dada, se deba entrenar nuevamente a la red neuronal artificial para poder lograr los objetivos deseados. No olvidemos que la especialidad de las neuronas artificiales es que aprenden solas según experimentan distintas condiciones, así que este tipo de problema será menor si se confirma su funcionamiento óptimo con otras mezclas.