Planta de Deshidratación n de Gas Natural por Utilizando una Red Neuronal Artificial.

Transcripción

1 REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD DEL ZULIA DIVISIÓN N DE POSGRADO DE INGENIERIA MAESTRIA EN INGENIERIA DE GAS NATURAL Detección n y Diagnóstico de Fallas de una Planta de Deshidratación n de Gas Natural por Absorción n con Trietilénglicol Utilizando una Red Neuronal Artificial. PRESENTADO POR: ING. RUBÉN DARÍO PÉREZ (PEQUIVEN)

2 PLANTEAMIENTO DEL PROBLEMA PRINCIPALES CONTAMINANTES DEL GAS NATURAL H2S (Acido Sulfidrico) R-SH (Mercaptanos) CO2 (Dióxido de Carbono) CO (Monóxido de Carbono) COS (Sulfuro de Carbonilo) CS2 (Disulfuro de Carbono) O2 (Oxigeno) Hg (Mercurio) H2O O (AGUA)

3 PLANTEAMIENTO DEL PROBLEMA PROBLEMAS OPERACIONALES CAUSADOS POR EL AGUA CONDICIONES DE P y T HIDRATOS TAPONAMIENTO DE EQUIPOS Y LÍNEAS PRES. GASES ACIDOS CORROSION DETERIORO DE LINEAS Y EQUIPOS BAJAS TEMPER. CONDENSACION PERDIDA DE CAPACIDAD EN LAS LINEAS Y EQUIPOS

4 PLANTEAMIENTO DEL PROBLEMA El contenido de agua en un gas debe reducirse hasta un valor que generalmente se encuentra establecido por los contratos de compra y venta (frecuentemente 7 lbs de agua / mmpcs de gas) o por las exigencias de los procesos que usarán n al gas natural como materia prima (se pueden requerir gases totalmente deshidratados).

5 PLANTEAMIENTO DEL PROBLEMA Debe garantizarse el funcionamiento correcto y continuo de los equipos en los procesos, los cuales con el paso del tiempo se deterioran paulatinamente lo que conlleva a la degeneración n del funcionamiento del proceso ocasionando: Paradas innecesarias. La obtención n de productos fuera de especificación. Sustituciones de equipos o reactivos a destiempo. La ocurrencia de eventos catastróficos que puedan llevar no solo a la pérdida p del equipo sino también n a causar daños a personas. Todo esto lleva intrínseco nseco las pérdidas p económicas y el retraso operacional que estos eventos suscitarían. an.

6 OBJETIVOS DE LA INVESTIGACION OBJETIVO GENERAL Detectar y Diagnosticar Fallas en una Planta de Deshidratación de Gas por Absorción con trietilénglicol Utilizando una Red Neuronal Artificial.

7 DESHIDRATACION DEL GAS NATURAL

8 PLANTA DE DESHIDRATACION

9 PROBLEMAS OPERACIONALES DE LA PLANTA Separador de Entrada: Malos diseños y problemas del controlador de nivel y drenaje permiten la entrada de contaminantes (Agua liquida, hidrocarburos pesados, sales) Absorbedor: Deshidratación insuficiente, contaminacion del gas seco, formación de espuma y arrastre, precipitación de cloruro de calcio. Regenerador: Pérdidas excesivas por vaporizacion, daño o taponamiento de empaques Rehervidor: Contaminación con sales, inclinación, degradación del glicol, inclusión de gases ácidos

10 PROBLEMAS OPERACIONALES DE LA PLANTA Acumulador: Bajo nivel de líquido, Corrosión, Pérdidas del colchón de gas Intercambiadores de Calor: Deficiencias en la transferencia de calor por ensuciamiento, uso de equipos subdiseñados, corrosión Separador Flash: Tiempos de residencia inadecuados, Formación de emulsiones y espuma Bombas de circulación de glicol: Confiabilidad, Desgaste de la Bomba, Sobre circulación de glicol

11 PROBLEMAS OPERACIONALES DE LA PLANTA Filtros: Taponamiento y resquebrajamiento Instrumentación y controles: Ensuciamiento, taponamiento, descalibración. Degradación Química del glicol: Oxidación, Polimerización, Saponificación de hidrocarburos pesados

12 REDES NEURONALES ARTIFICIALES Las Redes Neuronales Artificiales (RNA) son implementaciones computacionales que emulan el funcionamiento del sistema neurológico humano para resolver problemas que van desde el reconocimiento de patrones, procesamiento de señales, hasta el desarrollo de controladores para la robótica. Por sus características, las RNA pueden ser implementadas en la detección y diagnóstico de fallas de procesos químicos industriales, dado que tales fallas van asociadas a alteraciones reproducibles de los valores deseados para las variables de operación del proceso en estudio

13 REDES NEURONALES ARTIFICIALES

14 REDES NEURONALES ARTIFICIALES Capa salida Capa oculta Capa entrada y 1 w 11 w 12 w1m y n 1 2 m

15 Γ( x) = 1 1+ e λx Retropropagación

16 ALGORITMO DE RETROPROPAGACIÓN El Algoritmo de retropropagación ajusta los pesos para minimizar un criterio de error, comenzando con el establecimiento aleatorio de los pesos, se dan los siguientes pasos: Evaluación de la entradas a la red Cálculo del error (mediante el criterio de error) Ajuste de los pesos y BIAS

17 CRITERIO DE ERROR E = m p ( d Y ) 2 m 2 p m

18 AJUSTE DE PESOS Y BIAS w nuevo = w anterior + w anterior w anterior = n w E anterior w anterior = n*δ * x n Velocidad de Aprendizaje δ Función que representa el error x Entrada siguiente a un nodo en particular

19 OPERACIÓN DE REDES NEURONALES ARTIFICIALES Fase de Entrenamiento Fase de Generacion de Respuestas Fase de Generalización Se le presentan los Patrones (datos) de entrada y salida. Modificación de pesos de las conexiones. La red genera respuestas a los patrones usados durante el entrenamiento. La red genera respuestas a patrones similares o nuevos.

20 OPERACIÓN DE REDES NEURONALES ARTIFICIALES AZUL Y VERDE

21 VENTAJAS Y LIMITACIONES DE LAS REDES NEURONALES ARTIFICIALES VENTAJAS Comportamiento Adaptativo Capacidad de Filtrado Potencial para Uso en Línea Capacidad de Generalizar Capacidad de Actualización LIMITACIONES Largos periodos de Entren. Gran cant. de datos de Ent. Etapa de operación no garantizada Sencibilidad al daño de medirores Capacidad de Actualización

22 APLICACIONES DE LAS REDES NEURONALES ARTIFICIALES Modelado Simulación Manejo de fallas Sensores virtuales Reconocimiento y clasificación de patrones.

23 Optimización de un proceso Diagnóstico de fallas en intercambiadores de calor y unidades de craqueo catalítico, Analizadores en línea, Predicción de propiedades, Monitoreo de la calidad de productos Selección de pozos candidatos para incrementar su desempeño, Estimación de permeabilidades en pozos, interpretación geológica de datos sísmicos

24 FASE EPERIMENTAL DE LA INVESTIGACIÓN

25 OBJETIVOS ESPECIFICOS Realizar la simulación dinámica de la planta de deshidratación de gas por absorción con trietilénglicol Obtener los datos operacionales de cada uno de los equipos, cuando el proceso se encuentra en condiciones de trabajo normal (sin falla) Obtener datos operacionales de cada uno de los equipos, cuando alguno de estos falla. Determinar la estructura de la Red Neuronal Artificial a utilizar. Realizar el entrenamiento de la Red Neuronal Artificial con los datos obtenidos. Determinar la eficiencia en la detección y diagnóstico de fallas de la Red Neurona

26 Gas Seco Producido ft3/sec ft3/sec 990 psia F 24 D4 25 Gas Seco F 17 Glicol Limpio F F 16 Pump F ft3/sec 14.7 psia REGENERADOR CONTACTOR 6 trays 4 trays 26 1 Gas (saturado) ft3/sec TEG 400 F STRIPPER F 3 trays F F MMSCFD GAS A 990PSIA Y 140F (170 lbs agua/mmscf) sale a un promedio de 2.10 lbs agua/mmscf. Simulador DESINGII - WINSIM INC

27 FALLA DESCRIPCION Temperatura de regeneración de glicol inadecuada Disminución del área de transferencia de calor del Condensador por ensuciamiento Variación del caudal del gas de despojamiento, por problemas en el divisor de caudal de gas seco Caída de presión insuficiente en la válvula V-9 Caída de presión insuficiente en la válvula V-6 Disminución del área de transferencia de calor por ensuciamiento, intercambiador glicol-glicol Inundación o espuma en el absorbedor Disminución del área de transferencia de calor por ensuciamiento, intercambiador gas-glicol CREACION DE BASE DE DATOS: 7000 DATOS

28 ANÁLISIS Y SELECCIÓN DE LAS VARIABLES DEL PROCESO UTILIZADAS PARA EL ENTRENAMIENTO DE LA RED NEURONAL ARTIFICIAL Cada variable que integra los patrones, (presión y temperatura de cada corriente), fue analizada gráficamente con el objeto de identificar cuáles de esos datos presentan modificaciones a medida que se presentaban fallas en los equipos de la planta, y cuáles permanecen constantes o presentan duplicidad con otros datos. Software utilizado Excel Microsoft. Escalamiento de los datos seleccionados. Software utilizado Excel Microsoft.

29 DETERMINACIÓN DE LA ESTRUCTURA Y ENTRENAMIENTO DE LA RED NEURONAL ARTIFICIAL La determinación de la estructura de la red neuronal mas eficiente y su entrenamiento son tareas que se llevan a cabo en paralelo. Las investigaciones que se han realizado con respecto a la estructura de las redes neuronales tienen una base netamente empírica; el número de capas intermedias y el número de neuronas en cada capa intermedia son parámetros de diseño que suelen ser escogidos por tantéo.

30 VECTORES DE SALIDAS DESEADAS PARA LA RED NEURONAL COND. OPE. Y1 Y2 Y3 Y4 Y5 Y6 Y7 Y8 NORMAL FALLA 1 1 FALLA 2 1 FALLA 3 1 FALLA 4 1 FALLA 5 1 FALLA 6 1 FALLA 7 1 FALLA 8 1

31 PARA DETERMINAR LA ESTRUCTURA Y REALIZAR EL ENTRENAMIENTO DE LA RED NEURONAL ARTIFICIAL SE UTILIZÓ UN SOFTWARE DE LA COMPAÑÍA NORTEAMERICANA ARD CORPORATION LLAMADO PROPAGATOR, CON EL CUÁL SE PUEDEN ESTRUCTURAR Y ENTRENAR REDES NEURONALES DEL TIPO PERCEPTRÓN DE CAPAS MÚLTIPLES, UTILIZANDO EL ALGORITMO DE RETROPROPAGACIÓN COMO ALGORITMO DE ENTRENAMIENTO. DICHO SOFTWARE LE DA AL USUARIO LA POTESTAD DE ESCOGER EL NÚMERO DE CAPAS OCULTAS DE LA RED, EL NÚMERO DE NODOS POR CAPA, LAS FUNCIONES DE ACTIVACIÓN A UTILIZAR EN CADA CAPA, LA VELOCIDAD DE APRENDIZAJE Y EL FACTOR DE MOMENTO, ASÍ COMO ESTABLECER EL NÚMERO DE CICLOS DE ENTRENAMIENTO ENTRE OTROS.

32 DETERMINACIÓN DE LA EFICIENCIA EN LA DETECCIÓN Y DIAGNÓSTICO DE FALLAS DE LA RED NEURONAL Para determinar la eficiencia en la detección y diagnóstico de fallas de cada una de las redes propuestas en esta investigación, se procedió a tomar al azar una muestra de los diferentes conjuntos de datos (condiciones de fallas de los distintos equipos y la condición normal de operación, los cuales no fueron incluidos para el entrenamiento de la red), y le fueron presentados a la red neuronal. De esta forma, se verificaba la coincidencia en la detección y el diagnóstico de las fallas por parte de la red neuronal. De la misma forma, el software Propagator posee la capacidad de hacer esta verificación al presentarle a la red la serie de datos seleccionados para la prueba y calcula el error cuadrático medio entre la respuesta generada por la red y la respuesta que se debe generar.

33 RESULTADOS DE LA INVESTIGACIÓN

34 DATOS DEL PROCESO UTILIZADOS PARA CREAR LOS PATRONES DE ENTRENAMIENTO DE LA RED NEURONAL ARTIFICIAL. Gas Seco Producido ft3/sec 24 D ft3/sec psia Gas Seco F Glicol Limpio F F F Pump 1 Gas (saturado) ft3/sec CONTACTOR 6 trays 23 CORRIENTES INVOLUCRADAS F F F trays REGENERADOR TEG F F ft3/sec 14.7 psia 26 STRIPPER Manning et Al. Guidelines for Glycol Dehydrator Desing Part 1-2 Hydrocarbon Processing, January trays

35 CORRIENTE DATOS DEL PROCESO UTILIZADOS PARA CREAR LOS PATRONES DE ENTRENAMIENTO DE LA RED NEURONAL ARTIFICIAL. DESCRIPCION Salida de gas seco, intercambiador gas-glicol Entrada de glicol pobre al absorbedor Glicol rico entrando al tanque flash Glicol riso salida del intercambiador glicol-glicol Glicol rico entrando a la columna regeneradora Glicol pobre saliendo del intercambiador glicol-glicol Glicol pobre a la descarga de la bomba Glicol saliendo del rehervidor Mezcla vapor-glicol tope del regenerador Mezcla vapor-glicol salida del condensador Glicol pobre saliendo del contactor de gas de despojo Gas de despojo y vapores de glicol y agua entrando al regenerador Agua de enfriamiento saliendo del condensador

36 ANÁLISIS Y SELECCIÓN DE LOS DATOS DEL PROCESO UTILIZADOS PARA EL ENTRENAMIENTO DE LA RED NEURONAL ARTIFICIAL Comportamiento de las Presiones en Condiciones Normales. Nivel de Presiones Alto VARIACIÓN DE LAS PRESIONES DE OPERACION EN FUNCION DE LA FALLAS. ALTAS PRESIONES PRESION LPCA MEDICIONES P7 P17 P9 PRESION (LPCA) FA LLA 1 FALLA 2 FA LLA 3 FA LLA 4 FALLA FALLA 5 FA LLA 6 FA LLA 7 FA LLA 8 P7 P9 P17

37 ANÁLISIS Y SELECCIÓN DE LOS DATOS DEL PROCESO UTILIZADOS PARA EL ENTRENAMIENTO DE LA RED NEURONAL ARTIFICIAL PRESION LPCA Comportamiento de las Presiones en Condiciones Normales. Nivel de Presiones Bajo MEDICIONES P10 P13 P14 P16 P18 P19 P21 P23 P26 P33 PRESION (LPCA) VARIACION DE LAS PRESIONES DE OPERACION EN FUNCION DE LAS FALLAS. BAJAS PRESIONES FALLA 1 FALLA 2 FALLA 3 FALLA 4 FALLA FALLA 5 FALLA 6 FALLA 7 FALLA 8 P10 P13 P14 P16 P18 P19 P21 P23 P26 P33

38 ANÁLISIS Y SELECCIÓN DE LOS DATOS DEL PROCESO UTILIZADOS PARA EL ENTRENAMIENTO DE LA RED NEURONAL ARTIFICIAL CONDICIONES NORMALES NIVEL DE TEMPERATURAS MEDIAS TEMP. ( F) T7 T9 T10 T16 T10 T33 T Medición # Variacion de la Temperatura en función del tipo de Falla. Nivel de Temperaturas Medias T ( F) falla 1 falla 2 falla 3 falla 4 falla 5 falla 6 falla 7 FALLA 8 T7 T9 T10 T16 T17 T33 Falla

39 ANÁLISIS Y SELECCIÓN DE LOS DATOS DEL PROCESO UTILIZADOS PARA EL ENTRENAMIENTO DE LA RED NEURONAL ARTIFICIAL CONDICIONES NORMALES TEMPERATURAS ELEVADAS TEMP. ( F) T13 T14 T18 T19 T21 T23 T26 Medición # Variacion de la Temperatura en funcio del tipo de Falla. Nivel de Temperaturas Altas T13 T14 T18 T19 T21 T23 T falla 1 falla 2 falla 3 falla 4 falla 5 falla 6 falla 7 FALLA 8

40 ANÁLISIS Y SELECCIÓN DE LOS DATOS DEL PROCESO UTILIZADOS PARA EL ENTRENAMIENTO DE LA RED NEURONAL ARTIFICIAL Contenido de Agua en el gas Seco. Condiciones Normales de Funcionamiento Lbs H2O/MMPCS Medición # Variacion del Contenido de Agua en el Gas por Fallas Presentadas en la Planta Lbs. H2O/MMPCS Falla

41 ANÁLISIS Y SELECCIÓN DE LOS DATOS DEL PROCESO UTILIZADOS PARA EL ENTRENAMIENTO DE LA RED NEURONAL ARTIFICIAL TEMPERATURAS AFECTADAS POR LA PRESENCIA DE LAS FALLAS PROPUESTAS CA FALLA 1 FALLA 2 FALLA 3 FALLA 4 FALLA 5 FALLA 6 FALLA 7 FALLA 8

42 ESTRUCTURA Y ENTRENAMIENTO DE LA RED NEURONAL ARTIFICIAL Falla # 1. Error producido por la Variación del Numero de Neuronas en la Capa Interna. V.A.= 0.09 Error 2.000E E E E E E E E E E E # Neuronas Falla # 1. Error producido por la Variacion de la Velocidad de Aprendizaje. Estructura (11-7-2) 2.50E E E E-02 Error 1.00E E E E E E E E Vel. Aprendizaje

43 ESTRUCTURA Y ENTRENAMIENTO DE LA RED NEURONAL ARTIFICIAL Falla # 2. Error producido por la Variación del Numero de Neuronas en la Capa Interna. V.A.=0.1 Error 8.000E E E E E E E E E E E E E E E # Neuronas Falla # 2. Error producido por la Variacion de la Velocidad de Aprendizaje. Estructura (2-4-2) Error 5.00E E E E E E E E E E E E E E E E Vel. Aprendizaje

44 ESTRUCTURA Y ENTRENAMIENTO DE LA RED NEURONAL ARTIFICIAL. Error producido por la Variación del Numero de Neuronas en la Capa Interna. V.A.= 0.1 Error 1.600E E E E E E E E E E E E E E E # Neuronas Error producido por la Variacion de la Velocidad de Aprendizaje. 3.00E E E E+00 Error 1.50E E E E E E E Vel. de Aprendizaje

45 DETERMINACIÓN DE LA EFICIENCIA EN LA DETECCIÓN Y DIAGNÓSTICO DE FALLAS DE LA RED NEURONAL. FALLA # MUESTRA DETECTADO % ERROR CUADRÁTICO MEDIO= 2.5x10-7.

46 CONCLUSIONES

47 CONCLUSIONES 1) Las Redes Neuronales Artificiales representan una alternativa económica y eficiente para el control de las operaciones de una planta deshidratadora ya que en esta investigación se demostró que es posible detectar y diagnosticar con gran efectividad la ocurrencia de fallas en una planta de deshidratación de gas natural mediante absorción con trietilénglicol, utilizando redes neuronales artificiales debidamente entrenadas. 2) Con el sistema propuesto es posible detectar fallas que pueden ser obviadas por los ingenieros y operadores debido a las gran cantidad de variables involucradas en el proceso. 3) Con el sistema propuesto se pueden detectar fallas en estado incipiente, es decir en estados donde ni los instrumentos de medición pueden detectar la ocurrencia de la misma.

48