Predição da eficiência de redução de uma caldeira de recuperação usando rede neural artificial.

Abstract

A eficiência de redução é um ponto relevante na operação das caldeiras de recuperação e estando bem ajustada é possível ter uma economia considerável nos custos de produção de celulose. A obtenção desse parâmetro é feita a partir de análises laboratoriais, o que demanda tempo e capital humano, fazendo com que os ajustes na combustão das caldeiras de recuperação aconteçam de forma defasada e lenta. Nesse contexto, o objetivo desse trabalho foi construir um modelo para predizer a eficiência de redução da caldeira de recuperação e identificar as variáveis do processo que mais influenciam nas reações de redução do sulfato de sódio a sulfeto. Foi realizado o estudo de uma caldeira de recuperação de uma fábrica de celulose do Brasil e constatado que a vazão do licor preto e a vazão de óleo queimado são as variáveis de maior correlação com a eficiência de redução, sendo que essa relação se dá de forma direta e indireta, respectivamente. Usando essas variáveis e outras dez, como vazão dos níveis de ar, concentração e temperatura do licor preto, foram construídos modelos de redes neurais artificiais do tipo Perceptron Multicamadas com a variável resposta nas formas contínua, sem e com validação cruzada, e categórica, sem e com balanceamento de classes, a fim de identificar qual mais se adéqua a realidade do problema. A partir do keras tuner, obteve-se os melhores hiperparâmetros, dentro de um espaço de busca, para treinar as redes. Com os modelos construídos, pode-se verificar que não é trivial predizer a eficiência de redução na forma contínua e que trabalhar com classes é mais factível. O melhor modelo construído foi utilizando três classes de eficiência de redução - baixa (<90%), normal (90% a <95%) e alta (>=95%) - e sem balanceá-las. Para este modelo, a acurácia global foi 79,2% e para a classe baixa, de maior interesse, foi 62,5% e o percentual de falsos-positivos para a classe baixa foi 12,8. Dessa forma, a utilização desse modelo de rede neural se mostra viável visto que pode possibilitar à equipe operacional a realização de ajustes mais rápidos e precisos nos parâmetros da caldeira de recuperação, trazendo ganhos em todas as etapas do processo.