DISEÑO DE UNA ALTERNATIVA PARA ESTABILIZAR LA ENERGÍA

ENTREGADA EN LOS PROCESOS DE COMBUSTIÓN DE LA U2800, EN GRB,

MEDIANTE LA IMPLEMENTACION DE CONTROL ADAPTATIVO USANDO
REDES NEURONALES

HARBEY ALEXI ESCOBAR SEPULVEDA

UNIVERSIDAD INDUSTRIAL DE SANTANDER

FACULTAD DE INGENIERÍAS FISICOQUÍMICAS
ESCUELA DE INGENIERIA QUÍMICA
MAESTRIA EN INGENIERIA QUÍMICA
BUCARAMANGA
2016

3.1.
 DISEÑO DE UNA ALTERNATIVA PARA ESTABILIZAR LA ENERGÍA
ENTREGADA EN LOS PROCESOS DE COMBUSTIÓN DE LA U2800, EN GRB,
MEDIANTE LA IMPLEMENTACION DE CONTROL ADAPTATIVO USANDO
REDES NEURONALES

HARBEY ALEXI ESCOBAR SEPULVEDA

Trabajo de grado para optar al título de Magister en Ingeniería Química

Director:
ING. JAQUELINE SAAVEDRA Ph. D

Co-director:
ING. JOHN JAIRO CASTILLO

UNIVERSIDAD INDUSTRIAL DE SANTANDER

FACULTAD DE INGENIERÍAS FISICOQUÍMICAS
ESCUELA DE INGENIERIA QUÍMICA
MAESTRIA EN INGENIERIA QUÍMICA
BUCARAMANGA
2016

4
3
4
 Este libro está dedicado a
Mi Padre Dios, mi Salvador Jesucristo, su Santo Espíritu,
Mi familia,
Destinatarios de mi amor y orgullo.

5
 AGRADECIMIENTOS

A los HAKETALUSA, Kelly Johanna, Tania Alejandra, Luis Alejandro y Danna

“Gracia” Salomé Alejandra, Son mi razón de ser.

A mis Padres Jorge Luis y Carmen Elisa, a quienes debo mi vida.

A mis Hermanos, Luis Fernando, Jorge Efrén, Victor Hugo, Eliana Alexandra, José
Guillermo, Gladys Adriana, sin ellos no habría sido posible llegar hasta aquí.

A Jaqueline Saavedra, por su apoyo incondicional, su gran amistad, sus

sugerencias, consejos y aportes.

A John Jairo Castillo por su amistad y su genial aporte en el área técnica.

A Dionisio Laverde y Orlando Diaz por su ingenio y audacia al concebir el

programa de Postgrados en Barrancabermeja.

A mis cincuenta y uno colegas de sendero.

A Hugo Armando ¡Adelante!

A la UIS por acercarse a Barrancabermeja con el Postgrado.

A Ecopetrol, una gran empresa.

6
 CONTENIDO

Pág.
INTRODUCCIÓN. .................................................................................................. 14

1. OBJETIVOS ....................................................................................................... 15

1.1. OBJETIVO GENERAL .................................................................................... 15

1.2. OBJETIVOS ESPECÍFICOS ........................................................................... 15

2. PROBLEMÁTICA. .............................................................................................. 16

2.1. LA ESTRATEGIA DE CONTROL ACTUAL .................................................... 16

2.2. EL CABEZAL DE GAS COMBUSTIBLE. ........................................................ 20

3. MARCO TEÓRICO Y ESTADO DEL ARTE ....................................................... 25

3.1. INTERCAMBIABILIDAD DE GASES. ............................................................. 25

3.2. ÍNDICES DE INTERCAMBIABILIDAD ............................................................ 26

3.3. ÍNDICE DE WOBBE: ...................................................................................... 27

3.4. PREPARACIÓN DE GAS COMBUSTIBLE. .................................................... 28

3.5. CONTROL ADAPTATIVO CON REDES NEURONALES. .............................. 29

3.6. CONTROL DE UNA PLANTA NO LINEAL CON REDES NEURONALES...... 32

4. METODOLOGÍA ................................................................................................ 37

4.1. VARIABLES A CORRELACIONAR ................................................................ 38

4.2. DISEÑO DEL NEUROCONTROLADOR......................................................... 40

4.3. IDENTIFICACIÓN DEL SISTEMA .................................................................. 44

7
5. RESULTADOS................................................................................................... 48

5.1. CREAR Y CONFIGURAR LA RED ................................................................. 48

5.2. EVALUACIÓN DE LOS CONTROLADORES ................................................. 55

5.3. NUEVA ESTRATEGIA DE CONTROL............................................................ 58

6. CONCLUSIONES. ............................................................................................. 61

REFERENCIAS ..................................................................................................... 62

BIBLIOGRAFÍA ...................................................................................................... 67

8
 LISTA DE TABLAS.

Pág.
Tabla 1. Cromatografía gas de suministro al H2801A ........................................... 21
Tabla 2. Histórico cromatografía de gas U2800. .................................................... 22
Tabla 3. Problemas de Intercambiabilidad de gases. ............................................ 26
Tabla 4. Variables a correlacionar ......................................................................... 38
Tabla 5. Matrices de datos para entrenamiento. .................................................... 40
Tabla 6. Algoritmos evaluados. .............................................................................. 48
Tabla 7. Resultados de evaluación de algoritmos de entrenamiento. .................... 50
Tabla 8. Requerimientos de cómputo de los controladores. .................................. 57

9
 LISTA DE FIGURAS.

Pág.
Figura 1. Diagrama de fase de la Unidad Viscorreductora II ................................. 14
Figura 2. La estrategia de control actual ................................................................ 16
Figura 3. Termografía interior del H2801A ............................................................. 17
Figura 4. Registro fotográfico tubos del H2801A ................................................... 18
Figura 5. Curva de respuesta lazo de control actual. ............................................. 19
Figura 6. Inestabilidad del lazo de control actual. .................................................. 20
Figura 7. Diagrama de Proceso de Mezcla de gas Industrial ................................. 28
Figura 8. Modelo de control predictivo basado redes neuronales artificiales. ........ 30
Figura 9. Esquema simplificado de una red neuronal de tres niveles .................... 32
Figura 10. Esquema modelamiento con redes neuronales. ................................... 33
Figura 11. Metodología del trabajo de aplicación................................................... 37
Figura 12. Variables Correlacionadas H2801 ........................................................ 40
Figura 13. Diagrama de bloques NNPC ................................................................. 41
Figura 14. Diseño NNPC ....................................................................................... 42
Figura 15. Diseño NNNarma-L2............................................................................. 42
Figura 16. Diagrama de bloques NNRC. ............................................................... 43
Figura 17. Diseño NNRC. ...................................................................................... 43
Figura 18. Diagrama de bloques identificación del sistema. .................................. 44
Figura 19. Metodología identificación del sistema. ................................................ 45
Figura 20. Diagrama de bloques procesamiento de datos ..................................... 46
Figura 21. Funciones de transferencia evaluadas. ................................................ 49
Figura 22. Grafica resultante función de entrenamiento traincgb. ......................... 51
Figura 23. Desempeño función de entrenamiento trainbr ...................................... 52
Figura 24. Grafica resultante función de entrenamiento trainlm ............................ 53
Figura 25. Desempeño función de entrenamiento trainlm ..................................... 54
Figura 26. Resultado de la RNA ............................................................................ 54

10
Figura 27. Respuesta del neurocontrolador NNPC ................................................ 55
Figura 28. Respuesta del neurocontrolador NNARMA-L2 ..................................... 56
Figura 29. Respuesta del neurocontrolador NNRC ................................................ 56
Figura 30. Respuesta salida en el control de temperatura. .................................... 58
Figura 31. Esquema de nueva estrategia de control H2801A ................................ 59
Figura 32. Protocolo de comunicación DCS – Matlab............................................ 60

11
 RESUMEN

TITULO: DISEÑO DE UNA ALTERNATIVA PARA ESTABILIZAR LA ENERGÍA

ENTREGADA EN LOS PROCESOS DE COMBUSTIÓN DE LA U2800, EN GRB,
MEDIANTE LA IMPLEMENTACION DE CONTROL ADAPTATIVO USANDO
REDES NEURONALES.*

AUTOR: Harbey Alexi Escobar Sepúlveda**

PALABRAS CLAVES: Gas Combustible, Índice de Wobbe, Eficiencia térmica,

Redes Neuronales.

DESCRIPCIÓN:

El presente trabajo de aplicación propone una estrategia de control apoyada en redes neuronales
aplicada en horno de craqueo térmico .El objetivo operacional del horno es proporcionar a la carga
energía suficiente para la reacción; por consiguiente, la eficiencia de la operación resulta al
maximizar la transferencia de calor hacia el fluido de proceso, es decir, al incrementar la temperatura
para un consumo dado de combustible. La técnica de control adaptativo del control de gas
combustible frente a las fuertes variaciones de las propiedades físico-químicas del cabezal de gas
combustible de suministro generó un beneficio adicional con una mejor práctica operativa.

El problema a solucionar en el presente trabajo de aplicación radica que ante las degradaciones de
gas de refinería se evidencia inestabilidad en la energía entregada en los procesos de combustión,
a partir de la variabilidad las propiedades fisicoquímicas del cabezal de gas combustible de
suministro, afectando la integridad de los activos y la operación de la unidad.

Al evaluar el sistema de combustión con la estrategia de control actual no cumple con todos los
criterios de estabilidad, evidenciando altos valores de sobrepaso en el control de la temperatura de
salida de los serpentines del H2801AB, ante las degradaciones de gas a la red de suministro y el
presente trabajo de aplicación facilitará la implementación de iniciativas de control en sistemas
dinámicos, como hornos de proceso, proporcionando ahorro de energía y mejoramiento de la
integridad de los equipos de combustión, basado en las características de las mezclas de gas de
refinería, utilizadas como combustible por los hornos y calderas.

*Trabajo e Grado
** Facultas Ingenierías Físico Químicas,. Escuela de Quimica. Director Jaqueline Saavedra. Director Jaqueline
Saavedra

12
 ABSTRACT

TITLE: DESIGN OF AN ALTERNATIVE TO STABILIZE ENERGY DELIVERED IN

THE PROCESS OF BURNING OF THE U2800, IN GRB, BY IMPLEMENTING
ADAPTIVE CONTROL USING NEURAL NETWORKS.*

AUTHOR: Harbey Alexi Escobar Sepúlveda**

KEYWORDS: Gas Fuel, Wobbe index, thermal efficiency, neural networks, control
systems.

DESCRIPTION:

This paper proposes implementing a control strategy supported by neural networks applied in thermal
cracking furnace furnace .The operational objective is to provide enough energy for the reaction
charge; therefore, the operation efficiency is to maximize the heat transfer to the process fluid, that
is, by increasing the temperature for a given fuel consumption. The technique of adaptive control of
gas fuel control against strong variations of the physicochemical head supply fuel gas properties
generated an additional benefit with better operational practice.

The problem to be solved in this application work lies that before degradations refinery gas instability
is evident in the energy delivered in combustion processes, from the variability in the physicochemical
properties of head combustible gas supply, affecting the asset integrity and operation of the unit

In evaluating the combustion system with the strategy of current control does not meet all the criteria
of stability, showing high values override the temperature control output coils H2801AB before
degradations gas supply network and this application work will facilitate the implementation of control
initiatives in dynamic systems such as process furnaces, providing energy savings and improve the
integrity of the combustion equipment, based on the characteristics of the blends of refinery gas, used
as fuel for the furnaces and boilers.

* Degree Work
** Engineering Faculty Physicochemical,. School of Chemistry. Director Jaqueline Saavedra

13
 INTRODUCCIÓN.

En el contexto de la refinería de Ecopetrol en Barrancabermeja, la U2800 o planta

Viscorreductora II, hace parte del esquema de recuperación de productos valiosos
de los fondos del barril de hidrocarburo, la unidad procesa veinticinco mil barriles de
fondos al día y tiene como objetivo reducir la viscosidad de la materia prima para la
producción de un terminado llamado combustóleo, mediante la adición de diluyente
llamado aceite liviano de ciclo ALC. La reducción de la viscosidad se realiza
mediante un proceso endotérmico de craqueo a altas temperaturas, en dos hornos
en paralelo, los cuales realizan la transferencia de la energía a partir de combustión
de 3.500.000 pies cúbicos estándar por día de gas de suministro. En la figura 1 se
presenta un diagrama de fase de Viscorreductora, precalentamiento, craqueo,
fraccionamiento, estabilización, despojo y circuito de agua atemperada. En la sub-
fase de craqueo se encuentran los hornos de craqueo térmico, los cuales son de
tiro natural tipo cabina con pared radiante interna y una distribución de veinticuatro
quemadores cada uno.
Figura 1. Diagrama de fase de la Unidad Viscorreductora II

Fuente: Ecopetrol. Información Técnica de la Refinería de Barrancabermeja.

Barrancabermeja: Ecopetrol. 2014

14
 1. OBJETIVOS

1.1. OBJETIVO GENERAL

Diseñar una alternativa para estabilizar la energía entregada en los procesos de

combustión de la U2800 en GRB, mediante la implementación de control adaptativo
usando redes neuronales.

1.2. OBJETIVOS ESPECÍFICOS

Analizar el sistema actual mediante la caracterización de las corrientes que

componen la red de gas combustible desde el punto de vista físico-químico.

Evaluar el sistema de combustión con la estrategia de control actual de acuerdo a

los criterios de estabilidad establecidos.

Diseñar la estrategia de control adaptativo a partir de las diferentes arquitecturas de

redes neuronales, mediante el uso de la herramienta Matlab.

15
 2. PROBLEMÁTICA.

El problema a solucionar en el presente trabajo de aplicación radica que ante las

degradaciones de gas de refinería se evidencia inestabilidad en la energía
entregada en los procesos de combustión, a partir de la variabilidad las propiedades
fisicoquímicas del cabezal de gas combustible de suministro, afectando la integridad
de los activos y la operación de la unidad.

2.1. LA ESTRATEGIA DE CONTROL ACTUAL

El lazo de control de temperatura actual consiste en una cascada de dos PID, el

control de temperatura de salida de proceso como lazo maestro y el control de
presión de gas a quemadores, como lazo esclavo o dependiente.

Figura 2. La estrategia de control actual

16
La evaluación del lazo de control actual evidencia valores de sobre paso de
temperatura en la salida de proceso ante la inestabilidad de la composición de gas
combustible de suministro.

El Impacto de la inestabilidad se evidencia en las altas temperaturas de piel de

tubos, registrados en los sensores correspondientes. En la figura 3 se presenta una
termografía donde se evidencian zonas de temperatura por encima de las guías de
control y ventanas operativas; en el interior de los tubos que incrementan la
velocidad de formación de coque, modificando el factor de transferencia de calor
por conducción y disminuyen la eficiencia de los equipos de quema. En la figura 4
se presenta un registro fotográfico de los serpentines del H2801A durante una
inspección de reparación y mantenimiento después de la corrida 57 de la unidad de
proceso.

Figura 3. Termografía interior del H2801A

Fuente: Ecopetrol. Información Técnica de la Refinería de Barrancabermeja. 2014

17
Figura 4. Registro fotográfico tubos del H2801A

Fuente: Ecopetrol. Información Técnica de la Refinería de Barrancabermeja. 2014

En la figura 5 se observa la curva de respuesta del lazo de control actual, bajo la

estrategia de control de temperatura, en cascada con el control de presión de gas
combustible a quemadores, se evidencia altos porcentajes de sobre paso de la
señal de temperatura respecto al valor de referencia del lazo de control, parámetro
responsable de la inestabilidad del sistema de combustión en el horno objeto del
trabajo de aplicación.

18
Figura 5. Curva de respuesta lazo de control actual.

A partir del análisis del lazo de control de temperatura actual, se define como criterio
de estabilidad el valor del sobrepaso de señal de temperatura de salida sobre el
valor de referencia de dicho lazo. Adicional se define como criterio de adaptabilidad
el desempeño del lazo de control a lo largo de la corrida de la U2800, en la figura 6
se observa el bajo nivel de adaptabilidad del lazo de control actual en el transcurso
de la corrida de la unidad, dinámica que se afecta por la modificación de los
coeficientes de transferencia de calor en el interior de los serpentines de los tubos
por coquizamiento progresivo.

19
Figura 6. Inestabilidad del lazo de control actual.

2.2. EL CABEZAL DE GAS COMBUSTIBLE.

En la tabla 1, se presenta el resultado de una cromatografía típica de la red de

suministro a la U2800 donde se evidencia como componentes principales el metano,
hidrógeno, etano, propano, propileno y un poder calórico de 940 BTU por cada pie
cúbico.

20
Tabla 1. Cromatografía gas de suministro al H2801A
Cromatografía típica de la red de
suministro Valor Unidad
Hidrógeno 9,77 % mol
Oxígeno 0,02 % mol

Nitrógeno 1,8 % mol

Monóxido de Carbono 0,48 % mol

Dióxido de Carbono 0,82 % mol

Metano 77,9 % mol

Etano 3,46 % mol

Propano 1,26 % mol

Propileno 1,29 % mol

Iso-butano 0,6 % mol

N-butano 0,63 % mol

Iso-pentano 0,32 % mol

Total olefinas 1,23 % mol

Potencia Calorífica 940 BTU

Fuente: Ecopetrol. Información Técnica de la Refinería de Barrancabermeja. 2014

El gas combustible proviene de dos fuentes principales, una externa a la refinería

consistente en gas natural, compuesto por metano el cual es suministrado por los
campos de producción del país; esta primera fuente es de composición estable; la
segunda fuente de suministro es interna de la refinería y consiste en una mezcla de
varios gases de cola de las unidades de proceso, el cual es de composición variable,
dependiendo de las condiciones operacionales de cada unidad. En la tabla 2 se
presenta un resumen histórico en un periodo de un año, tiempo que dura la corrida

21
de la U2800, donde se muestran los resultados de cromatografías realizadas a la
mezcla de gas combustible de suministro y se resaltan los valores máximos y
mínimos en porcentaje molar, para el metano, como gas base de la mezcla y el
etano, como el principal enriquecedor del poder calórico y el hidrógeno como
principal empobrecedor de la mezcla.

Tabla 2. Histórico cromatografía de gas U2800.

GAS COMBUSTIBLE %
MOL
FECHA METANO CO2 ETANO ETILENO H2 PROPANO PROPILENO
OCTUBRE 78.84 0.21 3.96 1.02 10.55 0.92 1.18
NOVIEMBRE 83.36 0.15 3.12 0.52 7.95 0.81 1.07
DICIEMBRE 73.35 1.18 7.17 1.43 10.56 1.49 0.98
ENERO 91.31 1.01 4.26 0.07 0.26 0.90 0.05
FEBRERO 78.70 0.16 4.84 0.75 10.49 0.78 1.00
MARZO 82.65 0.35 6.33 0.46 5.41 1.70 0.65
ABRIL 79.87 0.08 3.00 0.44 11.24 0.54 0.88
MAYO 77.05 1.24 5.63 0.44 8.96 1.70 1.05
JUNIO 83.67 0.18 2.14 1.26 8.25 0.60 0.90
JULIO 83.08 0.26 1.69 0.94 8.97 0.64 0.95
AGOSTO 87.83 0.18 2.15 0.72 5.95 0.37 0.56
SEPTIEMBRE 85.21 0.23 1.62 0.71 7.81 0.52 0.74
OCTUBRE 82.47 0.67 2.70 0.66 8.78 0.70 0.94
NOVIEMBRE 81.67 0.20 3.91 0.41 7.99 0.82 1.22

Límite Superior 95.55 1.66 9.79 1.79 16.53 2.18 1.76

0.79 (-
Límite Inferior 68.59 ) 1.14(-) 0.38(-) 0.36 (-) 0.39(-) 0.03(-)
Promedio 82.06 0.43 3.75 0.70 8.08 0.89 0.86

22
 Desviación
Estándar 4.49 0.40 1.74 0.36 2.81 0.43 0.29
>=65; <=
Especificaciones 85 <=0.40 <=10 <=4.00 <=20.00 <=3.00

Fuente: Ecopetrol. Información Técnica de la Refinería de Barrancabermeja. 2014.

Se evidencia entre otros aspectos el rango de contenido de metano, el cual tiene un

valor mínimo de 73.335 % mol, y un máximo de 91.31% mol; el rango de contenido
de hidrogeno, el cual tiene un valor de 0.26% mol y alcanza un máximo de 11.24 %
mol; por otro lado se aprecia el contenido de etano en valores de 1.62% mol y 7.17
%mol respectivamente.

Para la industria del petróleo han sido muchos los estudios sobre variabilidad de
gas combustible y el intento por estabilizar la energía entregada a los procesos. A
continuación se presentan algunos casos donde se presentan las bases
conceptuales que permiten abordar el trabajo de aplicación, se realiza una
descripción de la red de gas combustible, el proceso de combustión y sus
parámetros, la intercambiabilidad de gases y sus implicaciones, así como el uso del
gas de refinería y el efecto sobre otros equipos de combustión. Igualmente se
presentan trabajos donde se diseñaron nuevas estrategias de control, mediante el
uso de la inteligencia artificial y la incorporación de redes neuronales artificiales
RNA, como complementos efectivos en la búsqueda de estabilizar los complejos
sistemas de combustión.

Es así como la combustión es uno de los procesos más analizados a través de la

historia de la ingeniería, por su gran impacto como mecanismo de reacción para el
suministro de energía química. Dentro de los parámetros de operación que afectan
el proceso de la combustión se resaltan: la intercambiabilidad de gases, la

23
composición, el poder calorífico, la temperatura adiabática de llama y la eficiencia
del proceso.

24
 3. MARCO TEÓRICO Y ESTADO DEL ARTE

3.1. INTERCAMBIABILIDAD DE GASES.

En el caso particular de la combustión de gases, se han realizado estudios sobre

los efectos que generan en los quemadores el cambio de la fuente de suministro.

Debido a que el principal uso del gas natural es como combustible, la variación de
las propiedades del gas, representa un enorme reto desde el punto de vista de poder
asegurar su combustión segura, eficiente y con menor impacto ambiental.

Todos los equipos de combustión a gas están diseñados para operar con un
intervalo particular de especificaciones de gas, en el caso de los hornos de tiro
natural mediante la correlación de la presión a quemadores y la energía
suministrada por unidad de volumen para determinado valor de poder calorífico. Si
las propiedades del gas se salen de dicho intervalo se representan problemas de
combustión incompleta, daños en los equipos y una operación riesgosa entre otros
aspectos.

Los problemas con la intercambiabilidad se traducen en fenómenos de combustión

que afectan el desempeño de los equipos de combustión y las emisiones que se
generan como producto de la reacción; en la tabla 3 se presenta un listado de
problemas asociados a la intercambiabilidad de gases, los cuales se relacionan por
un lado con los fenómenos de combustión y por otro lado con la naturaleza de las
emisiones.

25
Tabla 3. Problemas de Intercambiabilidad de gases.
PROBLEMAS DE
.
INTERCAMBIABILIDAD
Relacionados con la
Relacionado con fenómenos de
naturaleza de las
combustión
emisiones

Puntas de Llama Amarilla –

Inquemados Monóxido de carbono (CO)
Desprendimiento de la llama del
quemador Óxidos de nitrógeno (Nox)
Hidrocarburos sin quemar
Apagado de la llama - Baja presión. (CxHy)
Auto ignición de gas
Problema de dinámica de la llama
Retroceso de la llama.
Fuente: Ortiz (2014). Fundamentos dela intercambiabilidad del gas natural.
MET&FLU Ciencia Tecnología e Innovación, 7-15.

3.2. ÍNDICES DE INTERCAMBIABILIDAD

En su trabajo Montaña, presenta los métodos para hallar la intercambiabilidad de

gases, basado en el cálculo de magnitudes llamadas “índices de Intercambiabilidad”
los cuales relacionan las propiedades físicas del gas y los fenómenos de
combustión, permitiendo una mejor caracterización y en consecuencia un rango
más ajustado y preciso de intercambiabilidad, así mismo determinan el
comportamiento de la combustión del gas sustituto. (1). Se presenta el índice de
Wobbe (IW) como ejemplo de índice simple, a los índices de Weaver como
representantes de índices múltiples y el diagrama de Delbourg como método
gráfico.

26
3.3. ÍNDICE DE WOBBE:

Desde el inicio del siglo pasado el físico italiano Goffredo Wobbe describe la
intercambiabilidad de un amplio rango de gases mediante el Índice que lleva su
nombre, dado por la siguiente expresión.

𝑃𝐶𝐼
𝐼𝑊 = (1)
√𝐷𝑟

Donde IW es el Índice de Wobbe,

PCI el poder calorífico inferior del combustible
Dr la densidad relativa del gas.

De esta manera Wobbe estableció una proporcionalidad que combina las

ecuaciones de flujo de entrada de energía al quemador y de la hidráulica asociada
al flujo de gas. A partir de este planteamiento formuló las siguientes observaciones:

La energía que suministra un quemador es directamente proporcional al caudal

volumétrico de gas que ingresa al quemador.

La velocidad del flujo a través de un orificio dado, a presión constante es

inversamente proporcional a su gravedad específica.

Cuanto mayor sea el IW, mayor será la energía asociada al flujo de gas que pasa a
través de un orificio o inyector de determinado tamaño para alimentar un quemador.

En un estudio realizado por el Dr. Campos Avella, recomienda controlar los desvíos
de etano, propano y butano provenientes de la refinería, de tal forma que el

27
combustible alimentado al quemador pertenezca siempre a la familia 2 del índice de
Wobbe. (2)

3.4. PREPARACIÓN DE GAS COMBUSTIBLE.

Muller et al. Determinaron que en la preparación del gas combustible, la

composición debe ser controlada dentro de límites de especificación. Esto permite
a los clientes la quema segura y transferencia de calor constante. Las variables a
controlar son el poder calorífico alto, (HHV), El Índice de Wobbe (WI), El Índice de
velocidad de llama (FSI) y la presión. (3), variables ilustradas en la figura 7.
Figura 7. Diagrama de Proceso de Mezcla de gas Industrial

Fuente: MULLER, E. A. Modelling, validation and control of an industrial fuel gas

blending system. Journal Process Control 21, 852-860. 2011

En acuerdo con Muller, Ricker et al. determinaron que en mezcal de gases

Industriales se propone un sistema de control donde las variables controladas son
la presión del gas combustible y tres mediciones de la composición del gas. Y se
propone que las velocidades de flujo de gas de seis alimentaciones pueden

28
manipular para lograr el objetivo. (RIKER. Fuel gas blending benchmark for
economic performance evaluation of advanced control and state estimation. journal
process Control, 968-974. 2012).

Por su parte Cala, (4) concluye después de un estudio realizado mediante la

simulación de las mezclas combustibles que es viable realizar el proceso de
combustión con gases de refinería con un índice de eficiencia energética mayor o
igual a 6.5, pues para este valor encontró rangos de temperatura e índice de Wobbe
que no generan perturbaciones y problemas en el horno. (4).

Finalmente, Montaña D. determinó que los principales efectos de la variación del

poder calorífico y del Índice de Wobbe en los hornos de proceso, se evidencian en
las temperaturas de piel de tubos de los hornos, existe una relación directa, al
aumentar el poder calorífico, se incrementa la temperatura de piel de tubos, y realizó
hallazgos sobre la compatibilidad química y determinó una relación por encima de
la cual no es conveniente degradar corrientes. (5)

3.5. CONTROL ADAPTATIVO CON REDES NEURONALES.

En su trabajo de investigación, Ortiz et al, sobre control de temperatura de un planta

no lineal con redes neuronales, presentan una comparación entre un control
convencional y un control inteligente, los controladores desarrollados con un PID y
un control con redes neuronales para un sistema térmico, mediante el planteamiento
de un modelo matemático y el modelo mediante la identificación paramétrica de la
planta con mínimos cuadrados. Para el control convencional, se diseña un control
PID por medio del método del lugar geométrico de las raíces. El control neuronal se
implementó con redes neuronales NARMA-L2, con cuatro neuronas, dos en la capa
oculta, una en la capa de entrada y una en la capa de salida. La red neuronal es
entrenada con seis algoritmos diferentes, una vez entrenada la red, se selecciona

29
el mejor método y se valida en el sistema con el control PID y el control neuronal.
(Ortiz & Arias, 2009).

Por su parte, Liu et al. Presentan una nueva estrategia para la estabilización de un
sistema de combustión. El algoritmo es diseñado en tres partes: un módulo de
salida, un módulo de predicción y un controlador feedback. El módulo de salida se
establece usando una red neuronal artificial la cual predice la salida para compensar
el tiempo de retardo del sistema, el cual es suficientemente grande comparado con
el periodo de muestreo. Se introduce en la estrategia un controlador feedback el
cual se utiliza para suprimir la inestabilidad del proceso, en la figura 8 se presenta
un diagrama simplificado de bloques propuesto en el diseño de Liu. (6).

Figura 8. Modelo de control predictivo basado redes neuronales artificiales.

Normey & Rico et al. En su trabajo de estudios de estrategias de control para

sistemas con tiempo muerto concluye con algunas recomendaciones para el diseño
de controladores de compensación compensador de tiempo muerto, a partir del
análisis del Predictor SMITH.

30
En su trabajo Castillo J. concluye que los controladores industriales son
configurados de tal manera que valiéndose de la robustez del algoritmo Proporcional
Integral Derivativo PID, ignoran por completo la dinámica del sistema. La
implementación de un Predictor Smith y el diseño del control en cascada en los
sistemas de combustión de una refinería se traducen en estabilidad, confiabilidad y
rentabilidad de los procesos.

NA Jing et al. Diseñaron el ATPFC, por sus siglas en inglés “adaptive time-delay
positive feedback controller” para compensar tiempo muerto de sistemas no-lineales
a partir del uso de redes neuronales artificiales RNA, el cual identifica el tiempo
muerto y alimenta un controlador feedback que corrige dicho retardo. En el diseño
utilizan dos “high-order neural networks” HONN, redes neuronales artificiales de
orden superior empeladas para identificar el sistema no-lineal (7) y Hussain A. En
su estudio sobre aplicaciones de redes neuronales artificiales RNA en procesos
químicos, concluye que las RNA han sido utilizadas en una serie de aplicaciones de
ingeniería química tales como sensores de análisis de dados, detección de fallas e
identificación de sistemas no-lineales, como resultado de las capacidades de
modelamiento de las mismas. Aunque hay muchos tipos de RNA, las aplicaciones
en procesos químicos se centran en las redes multinivel tipo feedforward con
funciones de transferencia del tipo sigmoidea. (8).

En la figura 9, se ilustra parte del diseño Bahman y Ali, de acuerdo al entrenamiento,

validación y prueba de resultados de una red neuronal de tres niveles de cuatro
neuronas cada uno como la mejor arquitectura de para la predicción de variables de
proceso.

31
Figura 9. Esquema simplificado de una red neuronal de tres niveles

Fuente: BAHMAN, Z., & ALI, A. A multi-layer feed forward neural network model
for acurate prediction of flue gas sulfuric acid dew point in process industries.
Aplplied Thermal Engineering 30, 692-696. 2010.

3.6. CONTROL DE UNA PLANTA NO LINEAL CON REDES NEURONALES

En su investigación Jeong et al determinaron que el control de una planta no lineal,

el cual es difícil de modelar por los métodos analíticos, es posible realizarlo
mediante una red neuronal multinivel, la cual se adapta mediante el entrenamiento
en línea, asimilando los cambios del sistema a controlar. En la figura 10 se presenta
un esquema de modelamiento de sistemas no lineales mediante el uso de redes
neuronales, dónde se presenta un esquema de la estructura propuesta para un
controlador, 𝑗̂ (𝑘) denota la estimación Jacobiana de la red neuronal con respecto a
𝑢(𝑘). Si hay un error de modelado en la red neuronal, este puede ser corregido por
bloque de retardo de tiempo en el algoritmo de control. La red neuronal se adapta

32
continuamente a la planta real, adicional se observa como el algoritmo de retardo
de tiempo se adapta a los cambios rápidos del sistema y la red neuronal se adapta
a los cambio lentos del sistema. Frente a otros algoritmos de control de redes
neuronales, el algoritmo propuesto, en general, tiene las siguientes ventajas, la red
neuronal puede ser utilizado antes de aprender a fondo del comportamiento de toda
la planta, porque TDC puede tolerar un cierto grado de error de modelado de redes
neuronales; el algoritmo propuesto sintetiza el control de realimentación de errores
y control de alimentación directa.

Figura 10. Esquema modelamiento con redes neuronales.

Fuente: JEONG-WOO, L., & JUN-HO, O. Time delay control of nonlinear systems
with neural network modeling. Pergamon - Mechatronics , 613-640. 1997.

El sistema propuesto por Xiucheng y Haibin, evidencia características de control

excelentes, esto se debe al uso de un sistema adaptativo, y la rápida corrección de
los parámetros del controlador neuronal.

Las RNA ofrecen algunas ventajas como no linealidad, gracias a la sinapsis el

procesador neuronal biológico no es lineal, el procesador neuronal artificial también
utiliza la sinapsis y sólo se activa si la señal supera el umbral de activación, lo que

33
también lo convierte en no lineal. Si la neurona es no lineal la red neuronal también
lo es; transformación entrada-salida: El proceso de aprendizaje de la red consiste
en mostrarle un ejemplo y modificar sus pesos sinápticos de acuerdo con su
respuesta. De esta forma la red tiene la capacidad de aprender y adaptarse a la
transformación entrada-salida; adaptabilidad, una red neuronal es capaz de adaptar
sus parámetros incluso en tiempo real; tolerancia a fallas, al existir una conectividad
masiva la falla de un procesador no altera seriamente la operación.

Para la industria del petróleo han sido muchos los estudios sobre variabilidad de
gas combustible y el intento por estabilizar la energía entregada a los procesos. A
continuación se presentan algunos casos donde se presentan las bases
conceptuales que permiten abordar el trabajo de aplicación, se realiza una
descripción de la red de gas combustible, el proceso de combustión y sus
parámetros, la intercambiabilidad de gases y sus implicaciones, así como el uso del
gas de refinería y el efecto sobre otros equipos de combustión. Igualmente se
presentan trabajos donde se diseñaron nuevas estrategias de control, mediante el
uso de la inteligencia artificial y la incorporación de redes neuronales artificiales
RNA, como complementos efectivos en la búsqueda de estabilizar los complejos
sistemas de combustión.

Es así como la combustión es uno de los procesos más analizados a través de la

historia de la ingeniería, por su gran impacto como mecanismo de reacción para el
suministro de energía química. Dentro de los parámetros de operación que afectan
el proceso de la combustión se resaltan: la intercambiabilidad de gases, la
composición, el poder calorífico, la temperatura adiabática de llama y la eficiencia
del proceso

En su trabajo de investigación, Ortiz et al, sobre control de temperatura de un planta

no lineal con redes neuronales, presentan una comparación entre un control
convencional y un control inteligente, los controladores desarrollados con un PID y

34
un control con redes neuronales para un sistema térmico, mediante el planteamiento
de un modelo matemático y el modelo mediante la identificación paramétrica de la
planta con mínimos cuadrados. Para el control convencional, se diseña un control
PID por medio del método del lugar geométrico de las raíces. El control neuronal se
implementó con redes neuronales NARMA-L2, con cuatro neuronas, dos en la capa
oculta, una en la capa de entrada y una en la capa de salida. La red neuronal es
entrenada con seis algoritmos diferentes, una vez entrenada la red, se selecciona
el mejor método y se valida en el sistema con el control PID y el control neuronal.
(9)

Por su parte, Liu et al. Presentan una nueva estrategia para la estabilización de un
sistema de combustión. El algoritmo es diseñado en tres partes: un módulo de
salida, un módulo de predicción y un controlador feedback. El módulo de salida se
establece usando una red neuronal artificial la cual predice la salida para compensar
el tiempo de retardo del sistema, el cual es suficientemente grande comparado con
el periodo de muestreo. Se introduce en la estrategia un controlador feedback el
cual se utiliza para suprimir la inestabilidad del proceso, en la figura 8 se presenta
un diagrama simplificado de bloques propuesto en el diseño de Liu. (6)

En su investigación Jeong et al determinaron que el control de una planta no lineal,

el cual es difícil de modelar por los métodos analíticos, es posible realizarlo
mediante una red neuronal multinivel, la cual se adapta mediante el entrenamiento
en línea, asimilando los cambios del sistema a controlar. Si hay un error de
modelado en la red neuronal, este puede ser corregido por bloque de retardo de
tiempo en el algoritmo de control. La red neuronal se adapta continuamente a la
planta real, adicional se observa como el algoritmo de retardo de tiempo se adapta
a los cambios rápidos del sistema y la red neuronal se adapta a los cambio lentos
del sistema (10)

35
En su trabajo Rairám et al implementan el algoritmo de aprendizaje backpropagation
en línea para el entrenamiento de redes neuronales tipo feedforward, tres
neurocontroladores para tres sistemas. La primera estrategia que se prueba para
todos los sistemas es un PID clásico, el cual es utilizado para comparar el
desempeño de los otros controladores. El primer neurocontrolador comparte la
responsabilidad de comandar al sistema con un PID; el siguiente es entrenado en
línea y trabaja solo; y por último se encuentra un controlador PID neuronal, el cual
cambia las ganancias del PID para hacerlo adaptable a la dinámica de la planta (11)
Finalmente Ortiz et al presentan los resultados de la comparación de respuesta de
control convencional PID y redes neuronales, donde se evidencia al reducción del
sobre paso y el cumplimiento de la robustez, y la adaptabilidad de estrategia, para
analizar los resultados se valida el sistema ante la misma señal de entrada tanto
para el control convencional como el diseñado con redes neuronales, aunque los
resultados obtenidos por los dos controladores es buena, el control con redes
presenta un mejor comportamiento, mejorando la estabilidad y disminuyendo el
tiempo de respuesta del sistema. (9)

36
 4. METODOLOGÍA

La figura 11 ilustra la metodología desarrollada para el logro de los objetivos

propuestos, análisis del sistema a controlar donde se determinan las variables a
correlacionar, el diseño y evaluación del neurocontrolador a partir de los modelos
propuestos en la herramienta Matlab, y la selección de la arquitectura de la red
neuronal de identificación de la planta a partir de la evaluación de los algoritmos y
funciones de transferencia.

Figura 11. Metodología del trabajo de aplicación

ANÁLISIS DEL SISTEMA A CONTROLAR

DISEÑO Y EVALUACIÓN DEL NEUROCONTROLADOR

MODELO
VARIABLES A PREDICTIVO
SELECCIÓN DE LA ARQUITECTURA DE LA
CORRELACIONAR RNA DE IDENTIFICACIÓN DEL SISTEMA
MODELO
NARMA-L2
EVALUACIÓN EVALUACIÓN DE EVALUACIÓN DEL
ALGORITMOS DE FUNCIONES DE NÚMERO DE
MODELO ENTRENAMIENTO TRANSFERENCIA NEURONAS
REFERENCIA

37
4.1. VARIABLES A CORRELACIONAR

Las variables a correlacionar se seleccionaron mediante análisis estadístico de las

variables instrumentadas en el sistema de control actual, y la validación mediante
pruebas a partir de movimientos en la unidad de proceso y su correspondiente
efecto en las variables asociadas, en la tabla 4 se muestra el resultado de la
selección de las variables a correlacionar,

Tabla 4. Variables a correlacionar

Variable a correlacionar Tag - PI VALOR TIPICO UI

Poder calorífico del gas

3
combustible de suministro a U2800- 1130,108765 BTU / FT
H2801AB DG28013
Temperatura de salida de
proceso serpentín A U2800- 889,9050293 GRADOS F
H2801A. TIC28001
Presión de gas combustible
a quemadores serpentín A U2800- 11,35817528 PSIG
H2801A. PIC28015
Temperatura de salida de
proceso serpentín B U2800- 880,2564087 GRADOS F
H2801A TIC28002
Presión de gas combustible
a quemadores serpentín B U2800- 13,11139488 PSIG
H2801A PIC28017
Temperatura de salida de U2800-
888,9232788 GRADOS F
proceso serpentín A H2801B TIC28003

38
 Presión de gas combustible
a quemadores serpentín A U2800- 12,12262535 PSIG
H2801B PIC28019
Temperatura de salida de
proceso serpentín B U2800- 881,220459 GRADOS F
H2801B TIC28004
Presión de gas combustible
a quemadores serpentín B U2800- 10,17065144 PSIG
H2801B PIC28021

El DG28013 registra el valor del poder calorífico del cabezal de gas combustible en
British Thermal Unit, BTU por pie cúbico, mediante un transductor de gravedad
específica; el TIC28001, registra y controla como lazo maestro dentro de la cascada,
la temperatura de salida del serpentín A del horno H2801A en grados Fahrenheit, y
el PIC28015, registra y controla la presión de gas combustible de suministro al
serpentín A del horno H2801A, como lazo esclavo de la cascada en Pound Square
Inch Gauge PSIG.

39
Figura 12. Variables Correlacionadas H2801

Las matrices de datos generadas para la correlación del control, las cuales se
alimentan en la herramienta para el diseño, entrenamiento y validación de la red
neuronal artificial.

Tabla 5. Matrices de datos para entrenamiento.

4.2. DISEÑO DEL NEUROCONTROLADOR

El diseño del neurocontrolador se realiza a partir de los modelos de control

disponibles en la herramienta Matlab para sistemas no lineales:
El Neural Network Predictive Controller, está basado en la técnica de retroceso de
horizonte, dónde el modelo predice la respuesta de la planta sobre un horizonte de
tiempo especificado. El control predictivo está basado en la predicción del

40
comportamiento futuro del proceso a controlar. Esta predicción es obtenida por un
recurso de predicción de la red neuronal. Las predicciones son usadas por un
programa de optimización numérica para determinar la señal de control que
minimice el siguiente criterio de rendimiento sobre el horizonte de predicción, según
la figura 13.

𝑁2 𝑁𝑢
2 2
𝐽 = ∑ (𝑦𝑟 (𝑡 + 𝑗) − 𝑦𝑚 (𝑡 + 𝑗)) + 𝜌 ∑ (𝑢´ (𝑡 + 𝑗 − 1) − 𝑢´ (𝑡 + 𝑗 − 2))
𝑗=𝑁1 𝑗=1

Donde 𝑁1 , 𝑁2 , 𝑁𝑢 definen los horizontes sobre los cuales se realiza seguimiento y

la evaluación de los incrementos de control, 𝑢´ es la señal calculada, 𝑦𝑟 es la
respuesta deseada, 𝑦𝑚 es la respuesta del modelo de la red, el valor 𝜌 determina
la contribución de la suma de los cuadrados sobre el rendimiento, en la figura 13 se
presenta el diagrama de bloques del algoritmo del controlador predictivo neurona,
NNPC y en la figura 14 se presenta diseño en la herramienta matlab para el
controlador asociado a la planta h2801.

Figura 13. Diagrama de bloques NNPC

Fuente: MARK, H. B., MARTIN, T. H., & DEMUTH, H. B. (2012). Neural Network
Toolbox. Natick, MA: MathWorks.

41
Figura 14. Diseño NNPC

El Nonlinear autoregressive-moving average (NARMA), La idea central de este tipo

de control es la de transformar la dinámica de sistemas no lineales en dinámica
lineal mediante la cancelación de las no linealidades, en la figura 15 se presenta
diseño en la herramienta matlab para el controlador NNNArma-L2 asociado a la
planta h2801.

Figura 15. Diseño NNNarma-L2

El Model-Reference Neural Controller, utiliza dos redes neuronales, una red de

control y una red de modelado de la planta. El modelo de la planta se identifica
primero, y entonces el controlador se entrena para que la salida de planta sigua la
salida del modelo de referencia, en la figura 16 se presenta el diagrama de bloques

42
del algoritmo del controlador predictivo neurona, NNRC y en la figura 17 se presenta
diseño en la herramienta matlab para el controlador asociado a la planta h2801..
Figura 16. Diagrama de bloques NNRC.

Fuente: MARK, H. B., MARTIN, T. H., & DEMUTH, H. B. (2012). Neural Network
Toolbox. Natick, MA: MathWorks.

Figura 17. Diseño NNRC.

43
4.3. IDENTIFICACIÓN DEL SISTEMA

La primera etapa del modelo de control adaptativo es entrenar una red neuronal
artificial para representar la dinámica de la planta. En la figura 18 se presenta el
diagrama de bloques del algoritmo de identificación del sistema; donde se observa
que la red es entrenada fuera de línea, usando los datos de operación de la planta.
Figura 18. Diagrama de bloques identificación del sistema.

Fuente: MARK, H. B., MARTIN, T. H., & DEMUTH, H. B. (2012). Neural Network
Toolbox. Natick, MA: MathWorks.

La identificación del sistema se realiza de acuerdo a la metodología sugerida en la

figura 19, iniciando con la recolección de los datos de las variables seleccionadas a
correlacionar.

44
Figura 19. Metodología identificación del sistema.

El primer paso se realiza fuera del software de diseño de la RNA, los datos cubren
un rango de entrada para los cuales se usará la red; la red generalizará dentro del
rango seleccionado pero no tendrá la habilidad de extrapolar exactamente fuera del
rango seleccionado.

Las rutinas de pre-procesamiento de los datos son provistas de manera automática

por el software de diseño, mediante la normalización de los vectores de entradas y
objetivos; la arquitectura de la red tendrá un bloque de pre-procesamiento, el cual
estará entre la entrada a la red y el primer nivel de la red neuronal y un bloque de
post-procesamiento el cual aparecerá entre el último nivel de neuronas y la salida
de la red.

45
Figura 20. Diagrama de bloques procesamiento de datos

Fuente: MARK, H. B., MARTIN, T. H., & DEMUTH, H. B. (2012). Neural Network
Toolbox. Natick, MA: MathWorks.

Después de recolectar los datos, el próximo paso fue crear la red, se selecciona
dentro de las arquitecturas disponibles en la herramienta, las funciones de
transferencia y los algoritmos de entrenamiento, los cuales son evaluados a
continuación.

La función típica de desempeño para la validación de las redes neuronales es el

promedio de la suma de los errores al cuadrado (MSE, de sus iniciales en inglés),
el cual se busca minimizar para obtener el mejor desempeño posible de la red.

𝑁 𝑁
1 1
𝐹 = 𝑚𝑠𝑒 = ∑(𝑒𝑖 )2 = ∑(𝑡𝑖 − 𝑎𝑖 )2
𝑁 𝑁
𝑖=1 𝑖=1

El error se calcula como la diferencia entre los valores correspondientes obtenidos

por el modelo de la red y los valores obtenidos a través de la base de datos de la
planta.

𝑒𝑖 = ŷ − 𝑦𝑝𝑙𝑎𝑛, 𝑖 𝑖 = 1,2,3, … . . 𝑛

46
La función de desempeño comúnmente usada es el coeficiente de correlación
Pearson (R) definido por la siguiente ecuación:

𝑛 (∑𝑛𝑖=1 𝑦𝑒𝑥𝑝,𝑖 ∗ ŷ𝑖 ) − (∑𝑛𝑖=1 𝑦𝑒𝑥𝑝,𝑖 ) ∗ (∑𝑛𝑖=1 ŷ𝑖 )

𝑅=
2
√[𝑛 ∑𝑛𝑖=1 𝑦𝑒𝑥𝑝,𝑖
2
− (∑𝑛𝑖=1 𝑦𝑒𝑥𝑝,𝑖 ) ] ∗ [𝑛 ∑𝑛𝑖=1 ŷ2𝑖 − (∑𝑛𝑖=1 ŷ𝑖 )2 ]

Con la función R se crea un gráfico de regresión, el cual muestra la relación entre

los valores de salida del modelo (outputs) y los valores reales de las variables a
predecir obtenidos de las bases de datos (targets). Si el modelo es perfecto los
valores de los outputs y targets serian exactamente iguales mostrando un valor del
coeficiente de correlación R igual a 1

En la tabla se listan las funciones de la herramienta de diseño y el nombre del

algoritmo de entrenamiento correspondiente.

47
 5. RESULTADOS.

5.1. CREAR Y CONFIGURAR LA RED

Como se mencionó previamente en el marco teórico y el estado del arte, los criterios
de diseño y selección de la arquitectura de la red neuronal son la función de
transferencia y el algoritmo de entrenamiento; en el contexto del desarrollo de la
metodología del presente trabajo se evaluaron 16 funciones de transferencia y 15
algoritmos de entrenamiento en la red, en la tabla 6 se presenta un listado de los
algoritmos evaluados y su correspondiente nombre. En la figura 21 aparece el
bloque de identificación en la herramienta de diseño y el nombre encontrado en el
ambiente de simulación; el resultado de la evaluación de las diferentes funciones
coincide con la revisión de la literatura donde recomiendan ampliamente para
cumplir con los objetivos propuestos de control el uso de la función logsig.

Tabla 6. Algoritmos evaluados.

Fuente: MARK, H. B., MARTIN, T. H., & DEMUTH, H. B. (2012). Neural Network
Toolbox. Natick, MA: MathWorks.

48
Se evalúan los algoritmos de entrenamiento y las funciones de transferencia
disponibles.

Figura 21. Funciones de transferencia evaluadas.

Fuente: MARK, H. B., MARTIN, T. H., & DEMUTH, H. B. (2012). Neural Network
Toolbox. Natick, MA: MathWorks.

Los resultados de la evaluación de los algoritmos de entrenamiento, las funciones

de transferencia y el número de neuronas en la capa oculta se presentan en la tabla
7.

49
Tabla 7. Resultados de evaluación de algoritmos de entrenamiento.

50
Los resultados de la evaluación dónde el valor de R es inferior a 0.1,
correspondientes al algoritmo de gradiente descendiente, traingd, valor de R
cercano a 0.95, sin embargo con tiempo de cálculo final después de realizadas
todas las iteraciones del orden de cinco minutos, tiempo muy alto para la estrategia
de control, correspondiente al algoritmo regularización Bayesiana, trainbr y
finalmente algoritmo Levenberg-Marquardt, con tiempos de iteración alrededor de
un segundo.

En la figura 22 se presentan los resultados del entrenamiento de la red neuronal

utilizando el algoritmo traingd, se evidencia que el valor de R es menos a 0.1, lo cual
indica que el porcentaje de error es inadmisible para usar en el entrenamiento de la
red neuronal.

Figura 22. Grafica resultante función de entrenamiento traincgb.

En la figura 23 se presentan los resultados del entrenamiento de la red neuronal

utilizando el algoritmo trainbr, se evidencia que el valor de R es mayor a 0.9, lo cual
indica que el porcentaje de error es admisible para usar en el entrenamiento de la

51
red neuronal, sin embargo el tiempo de procesamiento es del orden de 5 minutos,
lo cual es inadmisible para la estrategia de control.

Figura 23. Desempeño función de entrenamiento trainbr

En la figura 24 se presentan los resultados del entrenamiento de la red neuronal

utilizando el algoritmo trainlm, se evidencia que el valor de R es mayor a 0.99, lo
cual indica que el porcentaje de error es admisible para usar en el entrenamiento de

52
la red neuronal, y el tiempo de procesamiento es del orden de 1 segundo, lo cual es
admisible para la estrategia de control.

Figura 24. Grafica resultante función de entrenamiento trainlm

En la figura 25 se presenta el resultado del desempeño de la función logsig y el

algoritmo de entrenamiento trainlm, con 13 neuronas en la capa oculta, donde se
observan valores de R en entrenamiento de 0.99665, valores de R en prueba de
0.9935 y valores de R en validación de 0.99562, los resultados son satisfactorios
para la implementación de la estrategia de control.

53
Figura 25. Desempeño función de entrenamiento trainlm

Se evalúan los diferentes escenarios de correlación de variables y se selecciona la

correlación de tres variables principales en el control de la combustión, la
temperatura de salida por serpentín, el valor de presión de gas combustible y el
valor del poder calorífico del cabezal de gas combustible, esta última como variable
disturbio. Sin embargo se contemplaron correlaciones que incluían las temperaturas
de piel del tubo, el flujo de gas combustible, el flujo de carga al horno, el exceso de
oxígeno y el tiro del horno.

Figura 26. Resultado de la RNA

54
Teniendo en cuenta la literatura reciente y los análisis del comportamiento de las
variables de combustión de los hornos se definen criterios de estabilidad, el valor
de sobre paso de la variable temperatura de salida del serpentín y el tiempo de
estabilización de la variable.

5.2. EVALUACIÓN DE LOS CONTROLADORES

En la figura 27 se presenta la respuesta del neurocontrolador NNPC, donde se

observa la corrección del sobrepaso de la señal de temperatura sobre la señal de
referencia del lazo de control, sin embargo se observa inestabilidad en el tiempo de
respuesta hacia un nuevo valor de referencia.

Figura 27. Respuesta del neurocontrolador NNPC

En la figura 28 se presenta la respuesta del neurocontrolador NNARMA-L2, donde

no se observa mejora considerable en el valor del sobrepaso de la señal de
temperatura sobre la señal de referencia del lazo de control, y se observa que se
mantiene la inestabilidad en el tiempo de respuesta hacia un nuevo valor de
referencia.

55
Figura 28. Respuesta del neurocontrolador NNARMA-L2

En la figura se presenta la respuesta del neurocontrolador NNRC, donde se observa

la corrección del sobrepaso de la señal de temperatura sobre la señal de referencia
del lazo de control, y se observa corrección de la inestabilidad en el tiempo de
respuesta hacia un nuevo valor de referencia.

Figura 29. Respuesta del neurocontrolador NNRC

Adicional al criterio antes mencionado se analizan los requerimientos de

procesamiento y computo on-line, off-line y el rango de aplicación, en la tabla se
observa que los controladores NARMA-L2 y NNRC necesitan bajos requerimientos
de computo en línea, el controlador NNPC, solicita bajos requerimientos de computo

56
fuera de línea, y el controlador NNRC, es de los tres controladores el que mayor
rango de aplicación ofrece.

Tabla 8. Requerimientos de cómputo de los controladores.

En la figura 30 se presenta la respuesta de salida en el control de temperatura en

diferentes escenarios, los cuales representan las diferentes condiciones a lo largo
de una corrida de la unidad de proceso; el valor del sobrepaso de señal de
temperatura de salida sobre el valor de referencia de dicho lazo y se observa el
cumplimiento del criterio de adaptabilidad de desempeño del lazo de control a lo
largo de la corrida , en la figura 30 se observa el alto nivel de adaptabilidad del nuevo
lazo de control el transcurso de la corrida de la unidad.

57
Figura 30. Respuesta salida en el control de temperatura.

5.3. NUEVA ESTRATEGIA DE CONTROL

El nuevo lazo de control de temperatura consiste en una cascada, la indicación de

temperatura de salida de proceso y un bloque de red neuronal artificial como lazo
maestro, el cual incorpora la señal de temperatura y la señal de poder calorífico del
cabezal de gas combustible y el control de presión de gas a quemadores, como lazo
esclavo o dependiente

58
Figura 31. Esquema de nueva estrategia de control H2801A

La comunicación entre la herramienta Matlab y el sistema de control distribuido de

la U2800 se realizará mediante le protocolo OPC, OLE for Process Control el cual
es un estándar de comunicación en el campo del control y supervisión de procesos
industriales, basado en una tecnología Microsoft, que ofrece una interfaz común
para comunicación que permite que componentes software individuales interactúen
y compartan datos, mediante la creación de las variables cliente – servidor
correspondientes, para lo anterior se instala en software Matlab en el servidor de
control avanzado de la U2500, el cual es común para la U2800.

59
Figura 32. Protocolo de comunicación DCS – Matlab.

60
 6. CONCLUSIONES.

Al analizar el sistema actual mediante la caracterización de las corrientes que

componen la red de gas combustible desde el punto de vista físico-químico, se
evidencia inestabilidad en el gas de suministro, a partir de las degradaciones de
gases de cola de las unidades de proceso, así: U2500 degradación intermitente de
Iso-butano, Normal-butano y propano provenientes de la operación de control de
presión del sistema de recirculación de alta presión D2505 (230 a 70 PSIG), en
rangos de 3000 PCEH, aportando alto poder calorífico a la red de gas y U2650
degradación intermitente de hidrógeno de la operación de purga del sistema de
hidro-craqueo en D2653, (1500 a 70 PSIG), en rangos de 100 mil a 800 mil PCED,
aportando bajo poder calorífico a la red de gas de suministro.

Al evaluar el sistema de combustión con la estrategia de control actual no cumple

con todos los criterios de estabilidad, evidenciando altos valores de sobrepaso en
el control de la temperatura de salida de los serpentines del H2801AB, ante las
degradaciones de gas a la red de suministro.

Al diseñar la estrategia de control adaptativo, la mejor opción es el controlador

MODELO DE REFERENCIA, NNMRC el cual tiene incorporada una RNA con las
siguientes características evaluadas: Algoritmo de entrenamiento: LM, Función de
transferencia: LOGSIG, Numero de neuronas en la capa oculta: 13

61
 REFERENCIAS

1. Montaña, Daniel Dario. Determinación de la propiedades de combustión e

identificación de problemas de intercambiabilidad de las mezclas de gas
natural con otros combustibles de refinería. Bucaramanga : UIS, 2011.

2. Campos, Avella Juan Carlos. Ahorro de energìa en la Industria del Refino.

Medellin : Universidad Nacional, 2008.

3. Modelling, validation and control of an industrial fuel gas blending system.

Muller, Et al. 2011, Journal Process Control 21, págs. 852-860.

4. Cala, P. Determinación de los índices para la gestión de los procesos de

combustion de los gases de refinería. Bucaramanga : Universidad Industrial
de Santander, 2013.

5. Montaña, Daniel. Determinación de las propieddades de combustión e

identificación de problemas de intercambiabilidad de las mezclas de gas
natural con otros combustibles de refinería. Bucaramanga : Universidad
Industrial de Santander, 2011.

6. Adaptative predictive control of combustor NOx emissions. GP, Liu y Daley, S.

2001, Control Engineering Practice 9, págs. 631-638.

7. Time-delay Positive Feedback Control for Nonlinear Time-delay Systems with

Neural Network Compensation. NA, Jing, REN, Xue Mei y HUANG, Hong.
2008, Acta Automatica Sinica, págs. 1196 - 2003.

8. Review of the applications of neural networks in chemical process control

simulation and online implementation. Hussain, Mohamed Azlan. 1999,
Artificial Intelligence in Engineering, págs. 55-68.

9. Output-model-based predictive control of unstable combustion systems using

neural networks. Liu, G.P. y Duley, S. 1999, Control Engineering Practice,
págs. 591-600.

10. Unified approach for robust dead-time compensator desing. Normey-Rico, Julio
E y Camacho, Eduardo F. 2009, Journal of Process Control, págs. 38-47.

62
11. Tecnology, Aspen. Transformation of process Engineering. [En línea] 15 de
Agosto de 2014. [Citado el: 6 de Diciembre de 2015.]
Http://www.aspentech.com/Transformation of Process Engineering.pdf.

12. America Petroleum Institute. Standar 560 Fired heather for general refinery
service. Washington DC, USA : America Petroleum Institute, 2001.

13. —. Standar 530 Calculation of Heater-tube Thickness in petroleum Refineries.

Washington, DC USA : America Petroleum Institute, 2008.

14. Efectos del cambio de composición química del gas natural sobre el
comportamiento de turbinas a gas: Una aproximación al caso colombiano.
A., Amell. 2006, Revista energética 35, págs. 23-31.

15. Analisis comparativo de las propiedades de combustion de las mezclas

metano-hidrógeno con respecto al metano. Amell, A. 2006, Ingeniería y
desarrollo Universidad del norte 20, págs. 19-34.

16. Ecopetrol. Información Técnica de la Refinería de Barrancabermeja.

Barrancabermeja : Ecopetrol, 2014.

17. Time delay control of nonlinear systems with neural network modeling. Jeong-
Woo, Lee y Jun-Ho, Oh. 1997, Pergamon - Mechatronics , págs. 613-640.

18. A multi-layer feed forward neural network model for acurate prediction of flue
gas sulfuric acid dew point in process industries. Bahman, ZareNezhad y
Ali, Aminian. 2010, Aplplied Thermal Engineering 30, págs. 692-696.

19. Artificial Neural Networks (ANNs): A new paradigm for thermanl science and
engineering. Kwang-Tzu y Yang. 2008, vol 130, Journal of heat transfer,
págs. 1-19.

20. A state-of-the-art review of pulse combustion: Principles, modeling,

applications and R&D issues. Xiangmei, Meng, Wiebren, de Jong y
Tadeusz, Kudra. 2016, Renewable and Sustainable Energy Reviews, págs.
73-114.

21. Efecto de la Composición del gas de refinería sobre las caracteristicas del
proceso de combustión. Saavedra, Jaqueline y Kafarov, V. 2013, Revista
Ingenierías Universidad de medellín, págs. 101-112.

63
22. Fuel gas blending benchmark for economic performance evaluation of
advanced control and state estimation. Riker. 2012, journal process Control,
págs. 968-974.

23. Renjifo, Jose Raul. Sistema experto de hornos. Barrancabermeja : Ecopetrol,

2001.

24. Combustion of hydrogen-enriched methane in a lean premixed swirl burner.

Schefer, W. s.l. : C, 2001, Combustion research, pág. 570.

25. Análisis teorico de la combustión en quemadores de gas natural. Serrano, J.

2005, Scientia et Technica, págs. 139-143.

26. Variables significativas del proceso de combustión de gas natural. Villaflor.

2008, Información Tecnologica, págs. 57-62.

27. Feedback control and optimization for the production of commercial fuels by
blending. Chebre. 2010, Journal Process Control, págs. 441-451.

28. Mathamatical model for refinery furnaces simulation. Diaz, F y Castro, J. 2010,
C&T-Ciencia tecnología y futuro, págs. 89-99.

29. Wildy, F. Fifed heater optimization. Pittsburgh : Ametek, 2012.

30. Castillo, John Jairo. Implementación de un Predictor Smith. Bucaramanga :

Universidad Pontificia Boliviana, 2012.

31. Mark, Hudson Beale, Martin, T. Hagan y Demuth, Howard B. Neural Network
Toolbox. Natick, MA : MathWorks, 2012.

32. Institute, American Petroleum. API RECOMMENDED PRACTICE 535.

Washington DC, USA : American Petroleum Institute, 2006.

33. Institute, America Petroleum. Burners for Fired Heaters in General Refinery
Services. Washington DC : API, 2006.

34. Duque, Andres Felipe. SINTONIZACIÓN DE CONTROLADORES PID EN

AMBIENTES INDUSTRIALES. cali : UNIVERSIDAD AUTÓNOMA DE
OCCIDENTE, 2012.

35. Research on fuzzy self-ada Pi-Smith control in long time-dalay system. WEI,
Qiu-yue y WANG, Wen-qing. 2011, The Journal of China Universities of
Post and Telecomunications, págs. 114-117.

64
36. Artificial inteligence for the modeling and control of combustion processes a
review. Soteris, Kalogirous. 2003, Progress in Energy and Combustion
Science, págs. 515-566.

37. Comparision of intelligent control schemes for real-time presure control.

Babusca, R, Braake, H y Van Can, H. 1996, Control eng. Practice, págs.
1585-1592.

38. Fundamentos dela intercambiabilidad del gas natural. Ortiz, Juan Manuel.
2014, MET&FLU Ciencia Tecnología e Innovación, págs. 7-15.

39. A modified Smith predictive scheme based back-propagation neural network

approach for FOPDT processes control. Hao, Chen y Zoubir, Zouaoui.
2013, Journal of Process Control, págs. 1261-1269.

40. Baukal, Charles. Tha John Zink Hamworthy Combustion Handbook. New
York : CRC press, 2013.

41. Control de una planta no lineal de temperatura con redes neuronales. Ortiz,
Paula y Arias, Alexander. 2009, Avances en sistemas e informatica, págs.
127-141.

42. Study on new control method for boiler combustion system. Xiucheng, Dong y
Haibin, Wang. Dalian : China, 2006. Proceeding of the 6th congress on
intelligent control and automation. págs. 2943 - 2947.

43. Neural prediction of combustion instability. Cammarata, L, Fichera, A y

Pagano, A. 2002, Dipartamento di Ingenieria Industrial e mecanica,
Universita di Catania, págs. 513 - 528.

44. Selection of best Neural Network for Estimating properties of Diesel - biodiesel
blends. Jatinder, Kumar y Ajay, Bansal. Greece : Corfu Island, 2007.
Artificial Intelligece, Knowledge Engineering and data base. págs. 136 - 142.

45. Implementación de neurocontroladores en linea. Rairám, Jose D, Chiquiza,

Diego y Parra, Miguel. 2011, Ing Univ. Bogotá, págs. 163-182.

46. Contrtoller implementation in MATLAB and PLC with OPC communication

applied to industrial plants. Manyari, Manuel. 2008, Invest Apl Innov
TECSUP, págs. 103-108.

65
47. Dennis, J.E., and R.B. Schnabel. Numerical Methods for Unconstrained
Optimization and Nonlinear Equations. Englewood Cliffs, NJ : Prentice-Hall,
1983.

66
 BIBLIOGRAFÍA

AMELL. A., Efectos del cambio de composición química del gas natural sobre el
comportamiento de turbinas a gas: Una aproximación al caso colombiano. Revista
energética 35, 23-31. 2006.

AMELL, A. Análisis comparativo de las propiedades de combustión de las mezclas

metano-hidrógeno con respecto al metano. Ingeniería y desarrollo Universidad del
norte 20, 19-34. 2006

AMERICA PETROLEUM INSTITUTE. Standar 560 Fired heather for general refinery
service. Washington DC, USA: America Petroleum Institute. 2001.

AMERICA PETROLEUM INSTITUTE. Standar 530 Calculation of Heater-tube

Thickness in petroleum Refineries. Washington, DC USA: America Petroleum
Institute. 2008.

BABUSCA, R., BRAAKE, H., & VAN CAN, H. Comparision of intelligent control
schemes for real-time presure control. Control eng. Practice, 1585-1592. 1996.

BAHMAN, Z., & ALI, A. A multi-layer feed forward neural network model for acurate
prediction of flue gas sulfuric acid dew point in process industries. Aplplied Thermal
Engineering 30, 692-696. 2010.

BAUKAL, C. Tha John Zink Hamworthy Combustion Handbook. New York: CRC
press. 2013.

67
CALA, P. Determinación de los índices para la gestión de los procesos de
combustion de los gases de refinería. Bucaramanga: Universidad Industrial de
Santander.2013

CAMMARATA, L., FICHERA, A., & PAGANO, A. Neural prediction of combustion

instability. Dipartamento di Ingenieria Industrial e mecanica, Universita di Catania,
513 - 528. 2002.

CAMPOS, A. J. Ahorro de energìa en la Industria del Refino. Medellin: Universidad

Nacional. 2008.

CASTILLO, J. J. Implementación de un Predictor Smith. Bucaramanga: Universidad

Pontificia Boliviana. 2012.

CHEBRE. Feedback control and optimization for the production of commercial fuels
by blending. Journal Process Control, 441-451. 2010.

DENNIS, J. A. Numerical Methods for Unconstrained Optimization and Nonlinear

Equations. Englewood Cliffs, NJ: Prentice-Hall. 1983.

DIAZ, F., & CASTRO, J. Mathamatical model for refinery furnaces simulation. C&T-
Ciencia tecnología y futuro, 89-99. 2010.

DUQUE, A. F. Sintonización de Controladores PID en Ambientes Industriales. Cali:

Universidad Autónoma de Occidente. 2012.

ECOPETROL.. Información Técnica de la Refinería de Barrancabermeja.

Barrancabermeja: Ecopetrol. 2014

68
GP, L., & DALEY, S. Adaptative predictive control of combustor NOx emissions.
Control Engineering Practice 9, 631-638. 2001.

HAO, C., & ZOUBIR, Z. A modified Smith predictive scheme based back-
propagation neural network approach for FOPDT processes control. Journal of
Process Control, 1261-1269. 2013.

HUSSAIN, M. A. Review of the applications of neural networks in chemical process

control simulation and online implementation. Artificial Intelligence in Engineering,
55-68. 1999.

INSTITUTE, A. P. API RECOMMENDED PRACTICE 535. Washington DC, USA:

American Petroleum Institute. 2006.

INSTITUTE, A. P. Burners for Fired Heaters in General Refinery Services.

Washington DC: API. 2006.

JATINDER, K., & AJAY, B. Selection of best Neural Network for Estimating
properties of Diesel - biodiesel blends. Artificial Intelligece, Knowledge Engineering
and data base (págs. 136 - 142). Greece: Corfu Island. 2007.

JEONG-WOO, L., & JUN-HO, O. Time delay control of nonlinear systems with
neural network modeling. Pergamon - Mechatronics , 613-640. 1997.

KWANG-TZU, & YANG. Artificial Neural Networks (ANNs): A new paradigm for
thermanl science and engineering. Journal of heat transfer vol 130., 1-19. 2008

LIU, G., & DULEY, S. Output-model-based predictive control of unstable combustion

systems using neural networks. Control Engineering Practice, 591-600. 1999.

69
MANYARI, M. Contrtoller implementation in MATLAB and PLC with OPC
communication applied to industrial plants. Invest Apl Innov TECSUP, 103-108.
2008.

MARK, H. B., MARTIN, T. H., & DEMUTH, H. B. (2012). Neural Network Toolbox.
Natick, MA: MathWorks.

MONTAÑA, D. Determinación de las propieddades de combustión e identificación

de problemas de intercambiabilidad de las mezclas de gas natural con otros
combustibles de refinería. Bucaramanga: Universidad Industrial de Santander.2011.

MONTAÑA, D. D. .Determinación de la propiedades de combustión e identificación

de problemas de intercambiabilidad de las mezclas de gas natural con otros
combustibles de refinería. Bucaramanga: UIS. 2011.

MULLER, E. A. Modelling, validation and control of an industrial fuel gas blending

system. Journal Process Control 21, 852-860. 2011.

NA, J., REN, X. M., & HUANG, H. Time-delay Positive Feedback Control for
Nonlinear Time-delay Systems with Neural Network Compensation. Acta
Automatica Sinica, 1196 - 2003. 2008.

NORMEY-RICO, J. E., & CAMACHO, E. F. Unified approach for robust dead-time

compensator desing. Journal of Process Control, 38-47. 2009.

ORTIZ, J. M. Fundamentos dela intercambiabilidad del gas natural. MET&FLU

Ciencia Tecnología e Innovación, 7-15. 2014.

ORTIZ, P., & ARIAS, A. Control de una planta no lineal de temperatura con redes
neuronales. Avances en sistemas e informatica, 127-141. 2009.

70
RAIRÁM, J. D., CHIQUIZA, D., & PARRA, M. Implementación de
neurocontroladores en linea. Ing Univ. Bogotá, 163-182. 2011.

RENJIFO, J. R. Sistema experto de hornos. Barrancabermeja: Ecopetrol.2001.

RIKER. Fuel gas blending benchmark for economic performance evaluation of

advanced control and state estimation. journal process Control, 968-974. 2012.

SAAVEDRA, J., & KAFAROV, V. Efecto de la Composición del gas de refinería

sobre las caracteristicas del proceso de combustión. Revista Ingenierías
Universidad de medellín, 101-112. 2013.

SCHEFER, W. Combustion of hydrogen-enriched methane in a lean premixed swirl

burner. Combustion research, 570. 2001.

SERRANO, J. Análisis teorico de la combustión en quemadores de gas natural.

Scientia et Technica, 139-143. 2005.

SOTERIS, K. Artificial inteligence for the modeling and control of combustion

processes a review. Progress in Energy and Combustion Science, 515-566. 2003.

TECNOLOGY, A. Transformation of process Engineering. 15 de Agosto de 2014 [en

linea] {citado el 6 de Diciembre de 2015] Disponible en; de
http://www.aspentech.com/Transformation of Process Engineering.pdf

VILLAFLOR. Variables significativas del proceso de combustión de gas natural.

Información Tecnologica, 57-62. 2008.

71
WEI, Q.-Y., & WANG, W.-Q. Research on fuzzy self-ada Pi-Smith control in long
time-dalay system. The Journal of China Universities of Post and
Telecomunications, 114-117. 2011.

WILDY, F. Fifed heater optimization. Pittsburgh: Ametek.2012.

XIANGMEI, M., WIEBREN, D. J., & TADEUSZ, K. A state-of-the-art review of pulse

combustion: Principles, modeling, applications and R&D issues. Renewable and
Sustainable Energy Reviews, 73-114..2016.

XIUCHENG, D., & HAIBIN, W. Study on new control method for boiler combustion
system. Proceeding of the 6th congress on intelligent control and automation (págs.
2943 - 2947). Dalian: China. 2006.

72