Desenvolvimento de sensores virtuais para predição de carbonato residual em fornos de cal da indústria de celulose
Carregando...
Data
Autor(es)
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Minas Gerais
Descrição
Tipo
Dissertação de mestrado
Título alternativo
Primeiro orientador
Membros da banca
Elém Patrícia Alves Rocha
Sílvia Maria Alves Corrêa Oliveira
Sílvia Maria Alves Corrêa Oliveira
Resumo
No processo Kraft, o forno de cal converte CaCO₃ em CaO para reutilização na caustificação, sendo o teor de carbonato residual um dos principais indicadores da eficiência da calcinação e da qualidade da cal produzida. Esse parâmetro é tradicionalmente determinado por meio de análises laboratoriais, o que introduz atrasos no controle do processo e limita a realização de ajustes operacionais em tempo hábil. O presente trabalho teve como objetivo desenvolver um modelo preditivo, baseado em dados de processo, para estimar o teor de carbonato residual em um forno de cal de uma indústria de celulose brasileira. Foram avaliados os algoritmos de aprendizado de máquina, redes neurais artificiais do tipo Perceptron Multicamadas (MLP) e modelos baseados em árvores de decisão, especificamente Random Forest e XGBoost. De forma geral, o segundo tipo apresentou desempenho superior aos modelos de redes neurais artificiais. Os resultados evidenciaram a importância de se considerar o tempo de residência do forno de cal, bem como a aplicação de técnicas adequadas de pré-processamento de dados. A suavização dos sinais, realizada com filtro de Savitzky–Golay, mostrou-se necessária e não comprometeu a preservação das tendências do processo. O melhor desempenho foi obtido com o algoritmo XGBoost, que permitiu estimar o teor de carbonato residual com frequência de trinta minutos a partir de variáveis de processo medidas online. O modelo apresentou coeficiente de correlação de 0,83 e erro absoluto médio de 0,33%. A análise de importância das variáveis indicou que a concentração de CO nos gases da chaminé, a temperatura do ar secundário e a velocidade do ventilador foram os parâmetros mais influentes na predição do carbonato residual. Foi realizada uma análise ambiental e econômica simplificada, que indicou um potencial de redução de emissões de CO2 de 0,0324 tCO₂/tCaO, majoritariamente associada à economia de combustível, bem como um potencial de economia de energia térmica de 0,553 GJ/tCaO, que correspondem, respectivamente, a 4% das emissões estequiométricas e 17% da energia gasta na produção de uma tonelada de CaO. Em termos econômicos, considerando a redução do consumo de gás natural a 18,956 US$/GJ e créditos de carbono a US$3,88, o benefício econômico potencial associado ao controle da sobrequeima na unidade estudada poderia alcançar US$ 107.216,0 em 22 meses.
Abstract
In the Kraft pulping process, the lime kiln is responsible for converting calcium carbonate (CaCO3) into calcium oxide (CaO), which is reused in the causticizing plant. One of the main indicators of calcination efficiency and lime quality is the residual carbonate content, defined as the fraction of CaCO3 not converted into CaO. This parameter is traditionally determined through laboratory analyses, which introduce delays in process control and limit the ability to perform timely operational adjustments. The objective of this work was to develop a data-driven predictive model to estimate the residual carbonate content in a lime kiln of a Brazilian pulp mill. Different machine learning algorithms were evaluated, including Multilayer Perceptron (MLP) artificial neural networks, Random Forest, and XGBoost. Overall, tree-based models outperformed artificial neural network models. The results highlighted the importance of accounting for the lime kiln residence time, as well as the application of appropriate data preprocessing techniques. Signal smoothing using the Savitzky–Golay filter proved to be necessary and did not compromise the preservation of process trends. The best performance was achieved with the XGBoost algorithm, which enabled the estimation of residual carbonate content at a thirty-minute frequency using online process variables. The model achieved a correlation coefficient of 0,83 and a mean absolute error of 0,33%. Variable importance analysis indicated that CO concentration in the stack flue gas, secondary air temperature, and fan speed were the most influential parameters in predicting residual carbonate content. In addition, a simplified environmental and economic analysis indicated a potential reduction in CO2 emissions of 0,0324 tCO2/tCaO, mainly associated with fuel savings, as well as a potential thermal energy savings of 0,553 GJ/tCaO, which correspond, respectively, to 4% of stoichiometric emissions and 17% of the energy spent in the production of one ton of CaO. From an economic perspective, considering the reduced consumption of natural gas, priced at 18,956 US$/GJ, and carbon credits valued at US$ 3,88, the benefit associated with controlling overburning at the studied unit could reach US$ 107,216.00 over the analyzed period of 22 months.
Assunto
Engenharia sanitária, Meio ambiente, Aprendizado do computador, Carbonatos
Palavras-chave
Carbonato residual, Modelagem preditiva, Aprendizado de máquina, Eficiência operacional, Sustentabilidade industrial