Predicción de la producción de metanol en una planta de hidrogenación de dióxido de carbono mediante redes neuronales

Raúl Leandro Dávalos Monteiro, Mabel Mariela Parada Rivera, Jimena Alexandra Macas Macas

Resumen


El objetivo de este trabajo de investigación fue diseñar una red neuronal original (RNA) para predecir el flujo de metanol de una planta de deshidrogenación de dióxido de carbono. Para el desarrollo de ARN se generó una base de datos en el software abierto de simulación DWSIM. Ésta se realizó a partir de la validación de un proceso industrial descrito en la literatura. El tamaño de la muestra consistió en 133 pares de datos con 4 entradas: presión y temperatura del reactor, flujo másico de dióxido de carbono e hidrógeno, y una salida: flujo de metanol. La red fue de tipo perceptrón y se diseñó utilizando 12 neuronas en una capa oculta en su arquitectura, se entrenó con el algoritmo de regularización bayesiana para el entrenamiento de Levenberg-Marquardt. Se obtuvo un valor cuadrático medio (MSE) de 0,0085 y un coeficiente de regresión total de 0,9442. La red fue validada mediante el análisis de varianza (ANOVA) lo que indica que la ARN diseñada es estadísticamente válida y puede ser utilizada para predecir el flujo de metanol a la salida de la planta de deshidrogenación y puede ser utilizada como herramienta para la mejora continua de este tipo de procesos. Se recomienda añadir la presión de separación en la zona de recirculación como parámetro de entrada como forma de obtener un resultado más cercano a la realidad.

Palabras clave


Ingeniería y tecnología química; simulación; DWSIM; hidrogenación de dióxido de carbono; ARN.

Texto completo:

PDF HTML XML

Referencias


Ahmad, K., & Upadhyayula, S. (2020). Kinetics of CO2 hydrogenation to methanol over silica supported intermetallic Ga3Ni5 catalyst in a continuous differential fixed bed reactor. International Journal of Hydrogen Energy, 45(1), 1140-1150.

Alemany-Arrebola, L. J., Jiménez Martín, J. M., Herrera-Delgado, M. C., Larrubia-Vargas, M. Á., & Cortés Reyes, M. (2019). Ni-Ga no soportado como catalizador para la hidrogenación de CO2 a presión atmosférica.

Azzolina-Jury, F., Bento, D., Henriques, C., & Thibault-Starzyk, F. (2017). Chemical engineering aspects of plasma-assisted CO2 hydrogenation over nickel zeolites under partial vacuum. Journal of CO2 Utilization, 22, 97-109.

Bussche, K. V., & Froment, G. F. (1996). A steady-state kinetic model for methanol synthesis and the water gas shift reaction on a commercial Cu/ZnO/Al2O3Catalyst. Journal of catalysis, 161(1), 1-10.

CuiQing, G. M. L., & ShaoMei, R. E. N. (2004). ChemCAD software and application in chemical engineering course design [J]. Computers and Applied Chemistry, 5.

Dimian, A. C., Bildea, C. S., & Kiss, A. A. (2014). Integrated design and simulation of chemical processes. Elsevier 24, 10-21.

Do, T. N., & Kim, J. (2019). Process development and techno-economic evaluation of methanol production by direct CO2 hydrogenation using solar-thermal energy. Journal of CO2 Utilization, 33, 461-472.

Faizollahzadeh Ardabili, S., Najafi, B., Shamshirband, S., Minaei Bidgoli, B., Deo, R. C., & Chau, K. W. (2018). Computational intelligence approach for modeling hydrogen production: A review. Engineering Applications of Computational Fluid Mechanics, 12(1), 438-458.

Fang, X., Men, Y., Wu, F., Zhao, Q., Singh, R., Xiao, P., ... & Webley, P. A. (2019). Moderate-pressure conversion of H2 and CO2 to methanol via adsorption enhanced hydrogenation. International Journal of Hydrogen Energy, 44(39), 21913-21925.

Fang, X., Men, Y., Wu, F., Zhao, Q., Singh, R., Xiao, P., ... & Webley, P. A. (2019). Promoting CO2 hydrogenation to methanol by incorporating adsorbents into catalysts: effects of hydrotalcite. Chemical Engineering Journal, 378, 122052.

Groppo, E., Estephane, J., Lamberti, C., Spoto, G., & Zecchina, A. (2007). Ethylene, propylene and ethylene oxide in situ polymerization on the Cr (II)/SiO2 system: A temperature-and pressure-dependent investigation. Catalysis today, 126(1-2), 228-234.

Hattori, T., & Kito, S. (1995). Neural network as a tool for catalyst development. Catalysis Today, 23(4), 347-355.

Kiss, A. A. (2013). Advanced distillation technologies: design, control and applications. John Wiley & Sons 4, 13-17.

Kiss, A. A., Pragt, J. J., Vos, H. J., Bargeman, G., & De Groot, M. T. (2016). Novel efficient process for methanol synthesis by CO2 hydrogenation. Chemical engineering journal, 284, 260-269.

Leonzio, G., Zondervan, E., & Foscolo, P. U. (2019). Methanol production by CO2 hydrogenation: analysis and simulation of reactor performance. International Journal of Hydrogen Energy, 44(16), 7915-7933.

Li, H., Zhang, Z., & Liu, Z. (2017). Application of artificial neural networks for catalysis: a review. Catalysts, 7(10), 306.

Li, S., Guo, L., & Ishihara, T. (2020). Hydrogenation of CO2 to methanol over Cu/AlCeO catalyst. Catalysis Today, 339, 352-361.

Liu, Y., Liu, Y., Liu, D., Cao, T., Han, S., & Xu, G. (2001). Design of CO2 hydrogenation catalyst by an artificial neural network. Computers & Chemical Engineering, 25(11-12), 1711-1714.

Martíneza, J. A. T., Garcíab, R. R., Gonzálezc, J. F., Handyd, B. E., & Escamillaa, G. A. F. (2017). hidrogenación de co2 utilizando catalizadores de rh soportado en nanotubos de TiO2.

Monteiro, R. L. D., & Ananda, S. D. (2017). Pitting corrosion of type 304 stainless steel and sulfate inhibition effect in chloride containing environments. Revista Tecnológica-ESPOL, 30(3)

Nguyen, T. B., & Zondervan, E. (2019). Methanol production from captured CO2 using hydrogenation and reforming technologies_ environmental and economic evaluation. Journal of CO2 Utilization, 34, 1-11.

Pisello, A. L., Petrozzi, A., Castaldo, V. L., & Cotana, F. (2016). On an innovative integrated technique for energy refurbishment of historical buildings: Thermal-energy, economic and environmental analysis of a case study. Applied Energy, 162, 1313-1322.

Sadeghinia, M., Rezaei, M., Kharat, A. N., Jorabchi, M. N., Nematollahi, B., & Zareiekordshouli, F. (2020). Effect of In2O3 on the structural properties and catalytic performance of the CuO/ZnO/Al2O3 catalyst in CO2 and CO hydrogenation to methanol. Molecular Catalysis, 484, 110776.

Sánchez-Escalona, A. A., Góngora-Leyva, E., & Zalazar-Oliva, C. (2018). Predicción de la resistencia térmica de las incrustaciones en los enfriadores de ácido sulfhídrico. Minería y Geología, 34(3), 348-362..

Schefflan, R. (2016). Teach yourself the basics of Aspen Plus. John Wiley & Sons.

Sun, Y., Yang, G., Wen, C., Zhang, L., & Sun, Z. (2018). Artificial neural networks with response surface methodology for optimization of selective CO2 hydrogenation using K-promoted iron catalyst in a microchannel reactor. Journal of CO2 Utilization, 24, 10-21.

Szima, S., & Cormos, C. C. (2018). Improving methanol synthesis from carbon-free H2 and captured CO2: A techno-economic and environmental evaluation. Journal of CO2 Utilization, 24, 555-563.

Van-Dal, É. S., & Bouallou, C. (2013). Design and simulation of a methanol production plant from CO2 hydrogenation. Journal of Cleaner Production, 57, 38-45.

Xiong, S., Lian, Y., Xie, H., & Liu, B. (2019). Hydrogenation of CO2 to methanol over Cu/ZnCr catalyst. Fuel, 256, 115975

Ye, J., Liu, C. J., Mei, D., & Ge, Q. (2014). Methanol synthesis from CO2 hydrogenation over a Pd4/In2O3 model catalyst: A combined DFT and kinetic study. Journal of catalysis, 317, 44-53.

Ye, R. P., Ding, J., Gong, W., Argyle, M. D., Zhong, Q., Wang, Y., ... & Yao, Y. G. (2019). CO 2 hydrogenation to high-value products via heterogeneous catalysis. Nature communications, 10(1), 1-15.

Zahedi, G., Elkamel, A., Lohi, A., Jahanmiri, A., & Rahimpor, M. R. (2005). Hybrid artificial neural network—First principle model formulation for the unsteady state simulation and analysis of a packed bed reactor for CO2 hydrogenation to methanol. Chemical Engineering Journal, 115(1-2), 113-120.




DOI: http://dx.doi.org/10.23857/dc.v7i6.2357

Métricas del Artículos

Cargando Métricas.....

Metrics powered by MI WEB PRO

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia


Copyright (c) 2021 Raúl Leandro Dávalos Monteiro, Mabel Mariela Parada Rivera, Jimena Alexandra Macas Macas

URL de la Licencia: https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es

Polo de Capacitación, Investigación y Publicación (POCAIP)

Dirección: Ciudadela El Palmar, II Etapa,  Manta - Manabí - Ecuador.

Código Postal: 130801

Teléfonos: 056051775/0991871420

Email: [email protected]

URL: https://www.dominiodelasciencias.com/

DOI: https://doi.org/10.23857/pocaip