| dc.contributor | Raúl González García | |
| dc.contributor | RAUL GONZALEZ GARCIA;120674 | |
| dc.creator | Bernardo Valadez Hernández;CA1358683 | |
| dc.creator | Valadez Hernández, Bernardo | |
| dc.date | 2022-02-17T21:26:23Z | |
| dc.date | 2022-02-17T21:26:23Z | |
| dc.date | 2022-02-01 | |
| dc.date.accessioned | 2023-07-17T20:29:53Z | |
| dc.date.available | 2023-07-17T20:29:53Z | |
| dc.identifier | https://repositorioinstitucional.uaslp.mx/xmlui/handle/i/7508 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/7516228 | |
| dc.description | En este estudio se utiliza un modelo no-lineal a base de una red neuronal artificial
(RNA) en lugar de un modelo lineal, para mejorar la precisión de un controlador
por modelo predictivo (MPC). Para validar el sistema de control se compara el
desempeño con el de un MPC con modelo lineal. Se obtiene el diseño de dos columnas
Petlyuk en Aspen Plus® , para las mezclas: M1 (n-butano, 2-metil-butano,
n-pentano) y M2 (n-butano, n-pentano, n-octano). De cada columna se extraen
datos de su dinámica para entrenar la RNA. El entrenamiento se realiza utilizando
el método Stochastic One-Step (SOS). Se utilizan ocho variables manipulables y
ocho variables a controlar. La simulación se hace en Matlab® en conjunto con
Aspen Plus Dynamics® . Los pesos de la función de costo del MPC son ajustados
a partir de un plan experimental y una optimización. La sintonización se realiza
utilizando el tiempo de estabilidad máximo, el máximo sobretiro y el cuadrado del
error total como métricas de rendimiento. Para comparar el desempeño del MPC
y el tipo de modelo, a la columna se le dan múltiples perturbaciones y cambios de
setpoint. Las combinaciones de las perturbaciones están basadas en un plan experimental
de 20 casos de estudio. Las RNAs entrenadas logran un ajuste adecuado de
los datos dinámicos de cada columna Petlyuk. Son capaces de predecir de manera
adecuada el comportamiento dinámico de las columnas. Los resultados del control
muestran un mejor rendimiento del MPC no-lineal frente a el MPC lineal por una
diferencia significativa. La implementación de un modelo no-lineal aumenta la robustez
del sistema de control. El modelo lineal a pesar de tener un rendimiento
menor funciona de una manera correcta cumpliendo con los objetivos de control.
Ambos controladores con diferente modelo (lineal y no-lineal) logran estabilizar la
columna Petlyuk. La metodología presentada en este trabajo se puede aplicar para
controlar diferentes procesos en la industria química. La elección del modelo y su
complejidad estarán determinados por el tipo de proceso y por la precisión que se
requiera. Una RNA se puede utilizar como modelo no-lineal y mejorar el desempeño
de un MPC. | |
| dc.description | In this study, a non-linear model based on an artificial neural network (ANN) is used
instead of a linear model to improve the accuracy of an model predictive controller
(MPC). The performance is compared with an MPC with a linear model to validate
the control system The design of two Petlyuk columns in Aspen Plus® is obtained
for the mixtures: M1 (n-butane, 2-methyl-butane, n-pentane) and M2 (n-butane,
n-pentane, n-octane). Data of its dynamics are extracted from each column to train
the ANN. Training is done using the Stochastic One-Step (SOS) method. Eight
manipulable variables and eight variables to be controlled are used. The simulation
is done inMatlab® in conjunction with Aspen Plus Dynamics®. The weights of the
MPC cost function are adjusted from an experimental plan and by optimization.
The tuning is done using the maximum stability time, the maximum overshoot,
and the total error square as performance metrics. The column is given multiple
perturbations and setpoint changes to compare the performance of the MPC and
the model type. The disturbance combinations are based on an experimental plan
of 20 case studies. The trained ANNs achieved an adequate fit of the dynamic data
of each Petlyuk column. They are capable of adequately predicting the dynamic
behavior of the columns. The control results show a better performance of the nonlinear
MPC versus the linear MPC by a significant di¤erence. The implementation
of a nonlinear model increases the robustness of the control system. Despite having
lower performance, the linear model works correctly, fulfilling the control objectives.
Both controllers with diferent models (linear and nonlinear) stabilized the Petlyuk
column. The methodology presented in this work can be applied to control diferent
processes in the chemical industry. The process type and precision required are
determinating in the model choice and complexity. An ANN can be used as a
nonlinear model and improve the performance of an MPC. | |
| dc.description | Beca No.706330, Consejo Nacional de Ciencia y Tecnología. | |
| dc.description | Administradores | |
| dc.description | Investigadores | |
| dc.description | Estudiantes | |
| dc.format | application/pdf | |
| dc.language | Español | |
| dc.relation | REPOSITORIO NACIONAL CONACYT | |
| dc.rights | Acceso Abierto | |
| dc.rights | http://creativecommons.org/licenses/by-nc-nd/4.0 | |
| dc.subject | Control de procesos químicos (lemb) | |
| dc.subject | Control por modelo predictivo | |
| dc.subject | Redes neuronales artificiales (bne) | |
| dc.subject | Columnas de destilación Petlyuk | |
| dc.subject | Destilación (lemb) | |
| dc.subject | Control of chemical processes | |
| dc.subject | Model predictive control | |
| dc.subject | Artificial neural networks | |
| dc.subject | Distillation | |
| dc.subject | Petlyuk distillation columns | |
| dc.subject | INGENIERÍA Y TECNOLOGÍA | |
| dc.title | Control de modelo predictivo (MPC) No-lineal para una columna petlyuk: Cosimulación Matlab-Aspen | |
| dc.type | Tesis de maestría | |
| dc.coverage | México. San Luis Potosí. San Luis Potosí. | |
