Desarrollo de un sistema de control inteligente basado en redes neuronales multilayer perceptron para la aplicación en un gasificador de lecho fijo

Abstract

Las consecuencias del uso desmedido de los combustibles fósiles y la disposición final de los residuos sólidos generan afectaciones ambientales, incentivado la búsqueda de alternativas amigables al medio ambiente para la generación de energía. La gasificación es una de las tecnologías en desarrollo que aborda lo anteriormente dicho, este proceso termoquímico es de gran importancia para realizar estudios paramétricos y de automatización, con el fin de mejorar las características del mismo, optimizar el uso de la biomasa y obtener un gas de síntesis de alto contenido de monóxido de carbono. Este proyecto modela una red neuronal tipo multilayer perceptron como estrategia de control inteligente para un reactor de corriente descendente de lecho fijo presente en la Universidad Nacional de Colombia para minimizar el impacto de la generación de alquitranes y la inestabilidad del proceso. La aplicación de las redes neuronales es muy amplia, pero el uso de las mismas en los procesos termoquímicos es una implementación novedosa en este tipo de tecnologías donde es de gran importancia la composición del gas de síntesis. En el proyecto se elabora un software de adquisición de datos para modelar las redes neuronales como estrategia de control inteligente -THERMOBIND- para el análisis de los parámetros de operación del reactor y predecir el comportamiento de los actuadores en función de la concentración del CO y CO2 del gas de síntesis. En la red neuronal se utilizan parámetros de temperatura de combustión, CO, CO2, pérdida de masa, contenido de Carbono contenido de humedad de la biomasa. La arquitectura de la red está basada en multilayer perceptron, para la capa de salida los parámetros de predicción fueron la temperatura de combustión (feedback), caudal de aire y presión de vacío, se encontró que la salida de la red neuronal modelada tiene una capacidad de predicción del 99%,97% y 95% respectivamente, optimizando la fase estable de la gasificación. Los resultados muestran que las redes neuronales como estrategias de control son una gran alternativa para la predicción de los actuadores del reactor, con la aplicación de dicha estrategia se logra generar un gas de síntesis con un 25% de CO.

Abstract: The consequences of excessive use of fossil fuels and the final provision of the solid waste, generate environmental affectations worldwide, encouraging the search of friendly alternatives to the environment for the energy generation. Gasification is one of the technologies in development that addresses the above, this thermochemical process it is very important to realize parametric studies and of automation, with the order to improve characteristics of the same, optimize use of biomass and obtain syngas with high carbon monoxide (CO). The project present model a neuronal network of type multilayer perceptron as smart strategy control for a fixed bed downdraft reactor of the National University of Colombia to minimize the impact of the tars generation and process instability. The application of neuronal networks is very wide, but the use of the same in neurochemical processes is an innovative implements in this type of technologies where is the very important the composition of the syngas. In the project, a data acquisition software is developed to model the neural networks as an intelligent control strategy -THERMOBIND- for the analysis of the operating parameters of the reactor and to predict the behavior of the actuators as a function of the concentration of CO and CO2 of syngas. In the neuronal network are used parameters of combustion temperature, CO, CO2, loss of mass, carbon (C) content and moisture content of the biomass. The architecture of the network is based in multilayer perceptron, for the output layer the prediction parameters were the combustion temperature (feedback), air flow and vacuum pressure, it was found that the output of the neuronal network has a prediction capacity of the 99%, 97% and 95% respectively, optimizing the stable phase of gasification.. The results show that neuronal network as strategies of control are a great alternative to the prediction of reactor actuators, with the application of this strategy it is possible to generate a syngas with 25% CO.