Simulación de un reactor de cracking

catalítico asistida por redes neuronales

Carlos Andrés Barrios Tavera – Bladimir Ernesto Aguas Perea
Facultad de Ingeniería, Departamento de Ingeniería Química, Universidad del Atlántico

______________________________________________________________________________
Resumen

Las redes neuronales se están implementando con éxito en la identificación y control de sistemas dinámicos debido
a su capacidad de aprendizaje a partir de patrones conocidos, lo que, debidamente configuradas y entrenadas, las
convierte en modelos empíricos muy útiles. Las cualidades de inteligencia artificial debido a la distribución en paralelo
del procesamiento de datos le permiten manejar cualquier tipo de información independiente de la forma y procedencia
de esta. Las ventajas de las redes neuronales en el campo de la simulación y control de procesos saltan a la vista
cuando se considera que la tarea de hacer representaciones de operaciones unitarias o de procesos completos se ve
obstaculizada por la complejidad de los modelos basados en los primeros principios y la dificultad de resolución
matemática. Una red neuronal puede desempeñar la labor de modelamiento para procesos de naturaleza lineal o no
lineal y salvar esas dificultades.
En este trabajo de grado fueron utilizados dos importantes tipos de redes neuronales para convertirlos en modelos
neuronales de una unidad de craqueo catalítico a partir de datos simulados de este proceso. Las redes Feedforward
Backpropagation y Radial Basis Function (RBF) fueron entrenadas mediante sus respectivas técnicas y se evaluó la
eficacia de cada una para hacer el seguimiento al proceso ‘real’, representado por el modelo en ecuaciones diferenciales,
encontrándose un comportamiento altamente efectivo en ambos tipos. Se implementó el modelo Feedforward
Backpropagation en el algoritmo de Control Predictivo Generalizado (Generalized Predictive Control, GPC) basado en
redes neuronales. El controlador GPC fue usado para controlar el reactor catalítico. Se analizó la competencia del
controlador para manejar diferentes referencias (set-point) en la variable controlada. Los resultados muestran la buena
labor de la red neuronal para hacer predicciones confiables de los estados futuros de la planta y la efectiva capacidad
del controlador GPC para mantener la variable controlada en el valor deseado.

Palabras clave: Redes neuronales, Feedforward Backpropagation, Radial Basis Function, Generalized Predictive Control, GPC, Cracking
Catalítico.
______________________________________________________________________________

1. Introducción genérica de una amplia clase de representación

conexionista, inspirada por algunos modelos
desarrollados para la explicación de la actividad
La unidad de crackeo catalítico (fluid catalytic del cerebro humano. Las redes neuronales
cracker, FCC) es la unidad de conversión pueden aproximar arbitrariamente bien
primaria en la mayoría de las refinerías de cualquier función no lineal, dentro de un
petróleo. Esta convierte, o crackea, crudos conjunto compacto y acotado, y son por tanto
pesados de bajo valor en una variedad de aproximadores universales [3].
productos ligeros de alto valor, entre ellos Para crear un modelo convencional
gasolina. Las unidades FCC son conocidas por la (simbólico) del reactor de cracking catalítico,
dificultad de modelamiento debido a la gran todos los fenómenos y procesos presentes en
cantidad de subprocesos que posee, su este reactor deben ser identificados y
hidrodinámica complicada, y su compleja propiamente descritos. La descripción
cinética tanto de las reacciones de crackeo como matemática de este modelo usualmente contiene
de combustión del coke [1, 2]. leyes de conservación y de transporte, y los
Por su parte, Las redes neuronales artificiales procesos químicos, físicos y fisicoquímicos son
(Artificial Neural Networks, ANN) están siendo expresados mediante un set de ecuaciones
ampliamente empleadas en diferentes áreas de la deterministicas (algebraicas, diferenciales, o
ciencia y la tecnología. El termino ‘redes integrales). Todas las constantes que aparecen
neuronales artificiales’ es una descripción en estas ecuaciones, llamadas parámetros,
 C. A. Barrios.- B. E. Aguas – Proyecto de Grado 2006

tienen algún significado físico debido a que

estas caracterizan el proceso o fenómeno
apropiado [4]. Es por esta razón, que hacer un
modelo de una unidad FCC es una tarea
exigente pues se deben tomar en cuenta todas
las anteriores consideraciones. Muchos modelos
son muy generales, mientras que otros se
especializan en algún aspecto particular del
proceso, como por ejemplo, la fase densa y fluida
en el regenerador, o el modelo cinético de
crackeo [5, 6].
Por otro lado, en años recientes, muchos
algoritmos avanzados han sido desarrollados Fig. 1. Diagrama del sistema reactor regenerador para
para el control de procesos, tales como Lógica el proceso de craqueo catalítico
Difusa, Algoritmos genéticos y Control Predictivo
Basado en modelo (MPC). Entre estos algoritmos
de control, el Control Predictivo basado en 2. Modelo del sistema reactor-regenerador
modelo casi siempre ha demostrado un mejor catalítico
desempeño con relación a los esquemas de
control feedback. El nombre MPC surge de la El proceso es una versión simple de la
intención de usar un modelo explicito del importante operación industrial de craqueo
proceso, el cual es usado para predecir el futuro catalítico del petróleo. Consiste en dos unidades,
comportamiento de este. Esta capacidad de una de craqueo y una de regeneración como se
predicción permite una solución en línea de muestra en la figura 1 [1, 6, 10].
problemas de control óptimo, donde un error, la El componente A es alimentado al reactor,
diferencia entre la salida predicha y la referencia donde reacciona para formar el producto B
deseada, es minimizado sobre un horizonte mientras el componente C se deposita sobre el
futuro. catalizador fluidizado.
El Control Predictivo Generalizado
(Generalized predictive control, GPC) ha llegado a A Cat.
→ B + 0.1C
ser uno de los mas populares métodos MPC, (1)
tanto en la industria como en la academia. La
idea básica del GPC es calcular una secuencia El catalizador envenenado es circulado al
de señales de control futuras de tal forma que regenerador, donde se adiciona aire para quemar
minimice una función de costo definida sobre un el componente C.
horizonte de predicción. La aplicación de las
redes neuronales al algoritmo GPC parte de la C+O
→ P (2)
idea de utilizar un modelo neuronal para
convertirlo en predictor de las salidas del Los productos de combustión son retirados
proceso [7,8]. por la parte superior, y el catalizador regenerado
El objetivo de este artículo es demostrar que es devuelto al reactor. Calor es adicionado o
las redes neuronales del tipo feedforward son extraído del regenerador a una velocidad Q.
capaces de identificar una unidad de FCC a
partir de un modelo con no-linealidades. Debido 2.1 Ecuaciones del proceso
a la no disponibilidad de datos dinámicos de una
planta industrial, un modelo basado en los La descripción matemática del
primeros principios es usado para representar comportamiento dinámico del proceso esta
una unidad FCC industrial. Con un modelo basada en las siguientes asunciones:
neuronal debidamente entrenado, se
implementará el algoritmo de Control Predictivo 1. En ambas unidades se sigue la ley de los
generalizado (GPC) y será evaluado mediante la gases perfectos.
aplicación de varios niveles de referencia en la 2. La presión en ambas unidades se
variable controlada. El proceso completo de mantiene constante.
identificación y control fue realizado en el 3. La carga del catalizador es constante en
lenguaje de programación Matlab® con las cada unidad.
funciones predefinidas en el Neural Network 4. Las capacidades caloríficas de los
Toolbox [9]. reactantes y productos son iguales y
constantes en cada unidad. La

2
 C. A. Barrios.- B. E. Aguas – Proyecto de Grado 2006

capacidad calorífica del catalizador 3. Redes Neuronales

también es constante.
5. Existe mezcla completa en cada unidad. Una red neuronal es por definición un
sistema de elementos simples de procesamiento,
El comportamiento dinámico del reactor y del llamados neuronas, los cuales están conectados
regenerador es descrito por balances de materia, a una red por un set de pesos. La red esta
balances de energía, ecuaciones de estado, y determinada por la arquitectura de la red (capas
ecuaciones cinéticas. El superíndice T denota los de neuronas, número de neuronas por capa,
valores totales instantáneos de las variables conexiones hacia delante o retroconexiones), la
dependientes1. magnitud de sus pesos (determinada por los
algoritmos de entrenamiento) y el modo de
REACTOR operación de sus elementos (función de
activación de las neuronas: lineal, tangente
Balance del componente B sigmoidal, logaritmo sigmoidal o funciones
gaussianas entre otras) [11, 19]. Aquí se
P1 H 1 dy1T PH
= V0T y 0T − V0T y1T + 1 T1 r1T
consideraran los dos tipos de redes neuronales
RT1T dt RT1 (3) que más se están implementando para su
aplicación en modelamemiento y control: redes
Balance del coke Feedforward Backpropagation (RB) estándar y
redes Radial Basis Function (RBF), cuya
dx1T PH representación general se observa en la figura 2.
M1 = W T x2T − W T x1T + 0.1 1 T1 r1T
dt RT1 (4)

Balance de energía

 P1H1C p1  dT1T
 
 RT T + C ps M 1  dt = C psW (T2 − T1 )
T T T

 1  (5)
L1P1H 1
C p1V0T (T0T − T1T ) − r1T
RT1T

REGENERADOR

Balance de oxigeno
(a)
P2 H 2 dy T2 PH
= VaT y Ta − VaT y 2T − 2 T2 r2T
RT2T dt RT2 (6)

Balance de coke

dx 2T PH
M2 = W T x1T − W T x 2T − 2 T2 r2T
dt RT2 (7)

Balance de energía

 P2 H 2C p 2  dT2T
 RT T + C ps M 2  dt = C psW (T1 − T2 ) +
T T T

 2 
L PH
C p 2VaT (TaT − T2T ) − 2 2 T 2 r2T + Q T
RT2 (8)
(b)
En las ecuaciones 3-8 se mantienen las
variables diferenciadas y1, T1, x 1, y2, T2, x 2 y se Fig. 2. Esquema de una red neuronal del tipo (a)
deja V0 como la variable de entrada. El resto de Feedforward Backpropagation, (b) Radial Basis
los términos se asumen constantes. Function. Mientras la red backpropagation puede
contener múltiples capas ocultas, la red RBF se
distingue por sus dos capas estándar y el núcleo
1 La notación, constantes y unidades del sistema se encuentra gaussiano en la capa oculta.
en el apéndice A

3
 C. A. Barrios.- B. E. Aguas – Proyecto de Grado 2006
2.1 Redes Feedforward Backpropagation
Una red feedforward L-capas estándar (se
adopta la convención de que los nodos de
entrada no están contados como una capa)
consiste en nodos de una entrada o mas, (L-1)
capas ocultas, y una capa de salida de unidades
conectadas sucesivamente (completamente o
localmente) en una tendencia feedforward sin
conexiones entre las unidades en la misma capa
y ninguna conexión hacia atrás a capas
anteriores. La Figura 2 (a) muestra el esquema
general de un perceptrón con dos capas ocultas
y una capa de salida.
Durante el proceso de entrenamiento, a la red
se le presenta una salida deseada para cada
patrón de entrada. Durante el proceso de
aprendizaje, la salida actual y generada por la
red puede no igualar la salida deseada d. El
principio básico de las reglas de aprendizaje por
‘corrección del error’ es utilizar la señal de error
(d-y) hasta modificar los pesos de la conexión
para reducir gradualmente este error.
Se designa wij(l) como el peso de la conexión
entre la unidad i en la capa (l-1) hasta la unidad
j en la capa l. Si {(x(1),d(1)), (x(2),d(2) ),….,(x(p) ,d(p))}
son el conjunto de patrones de entrenamiento
(pares de entrada-salida) donde x(i) ∈ R es el
n
vector de entrada en el espacio n-dimensional del
patrón, y d(i) ∈ [0,1] , un hipercubo m-dimensional.
m
Para propósitos de clasificación, m es el número
de clases, y y es la salida actual de la red
neuronal. La función de costo de error
cuadrático usada con más frecuencia en la
literatura se define como:
p
∑
1 2
(9)
Ε= y (i ) − d (i )
2 información acerca del sistema en un momento
i =1
El algoritmo backpropagation es un método
para reducir al mínimo la función de costo, y de
hay su nombre para designar a este tipo de
redes. Existen varias variantes de este método de
corrección de error [9, 12, 13, 14,15].
2.2 Redes Radial Basis Function
Las redes Radial Basis Function (RBF), las
cuáles siempre van a poseer dos capas, son una
clase especial de redes feedforward. Cada unidad
en la capa oculta emplea una función de base
radial, por ejemplo un núcleo Gaussiano, como
su función de activación y utiliza la función
lineal en la capa de salida (Figura 2 (b)).
La función de base radial (o función del
núcleo) se centra en el punto especificado por el
vector de peso asociado con la unidad. Tanto las
4
posiciones y las anchuras de estos núcleos se
deben aprender de patrones del entrenamiento.
Hay generalmente muy pocos núcleos en la red
RBF que los que hay patrones del
entrenamiento. Cada unidad de salida
implementa una combinación linear de esta
función de base radial. Desde el punto de vista
de actuar como una función de aproximación,
las unidades ocultas proporcionan un grupo de
funciones que constituyen un sistema básico
para representar patrones de entrada en el
espacio abarcado por las unidades ocultas.
Hay una variedad de algoritmos de
aprendizaje para la red RBF. El básico emplea
una estrategia de aprendizaje en dos etapas, o
aprendizaje híbrido. Estima posiciones del
núcleo y las anchuras del núcleo usando un
algoritmo agrupado no supervisado (sin patrones
ejemplo), seguido por el algoritmo supervisado
(con patrones ejemplo) para determinar los pesos
de la conexión entre la capa ocultada y la capa
de salida. Debido a que las unidades de salida
son lineales, un algoritmo no iterativo puede ser
utilizado. Después de que se obtenga esta
solución inicial, un algoritmo supervisado se
puede utilizar para refinar los parámetros de la
red [9, 13, 17].
4. Identificación con Redes Neuronales
La identificación y caracterización de
sistemas son los problemas fundamentales en la
teoría de sistemas. El problema de identificación
consiste en la representación matemática de un
sistema. Generalmente hablando, los sistemas
dinámicos están compuestos de tres partes.
La primera parte es el estado del sistema, el
cual es una representación de toda la
en particular. Por el momento, los símbolos X(t) =
[x1(t),..., xn(t)] denotan el estado de un sistema en
el tiempo t.
La segunda parte es el espacio de estados de
un sistema. Este es un set que contiene todo los
posibles estados para los cuales un sistema
puede ser asignado. El símbolo es usado para
denotar el espacio de estado de un sistema
dinámico, y X(t) .
La tercera parte es la función de transición de
estados, esta es usada para actualizar y cambiar
los estados de un momento a otro. El símbolo T
es usado para denotar la función de transición
del estado que muestra el cambio desde el
estado inicial X(t) hasta después de algún
periodo de tiempo h un nuevo estado X(t+h):
X(t+h)=T(X(t),t,t+h) (10)
 C. A. Barrios.- B. E. Aguas – Proyecto de Grado 2006
Cualquier función de transición de estados se
asume que es una función diferenciable en el
tiempo, entonces podemos definir un generador
local como una derivada en el tiempo
dT/dt = limh->0 (X(t+h)-X(t)/h)= f(X(t),t)
Esto quiere decir que dado un estado inicial
X(0) el generador local es utilizado para generar
una trayectoria X(t) para todo t >0. Asumiendo
que el generador local satisface ciertas
propiedades, esto garantiza que el generador
local produce una única trayectoria de alguna
posición dada.
Un modelo matemático constituido por
ecuaciones algebraicas y/o diferenciables en el
tiempo es utilizado comúnmente como un
generador local de trayectoria de algún sistema.
No obstante, se espera que este sea capaz de
representar todo el espacio de estados en una
forma fiel y confiable. Difícilmente en los
procesos reales es posible hacer un acercamiento
suficientemente cercano a la dinámica de estos
mediante ecuaciones diferenciables. Muchas
simplificaciones y asunciones se deben hacer
para vencer las limitaciones de resolución
analítica y/o numérica dando como
consecuencia la desviación en la simulación de
procesos con respecto al proceso real.
Las redes neuronales emergen de esta forma
como una alternativa a estas limitaciones. En
vez de seguir una pauta dictaminada a priori por
algún algoritmo secuencial experto del tipo Von
Neumann, las redes neuronales se apropian de
la experiencia real de algún sistema y mediante
procesamiento en paralelo construyen sus
propias reglas para acomodarse a si misma o
auto- ajustarse y conseguir su objetivo.
En el caso particular de las aplicaciones,
como en el control predictivo con redes
neuronales, se desea que la red neuronal prediga
los estados de la planta reales y se constituya en
generador de trayectoria.
En síntesis, los modelos matemáticos
constituyen modelos teóricos preconcebidos
apartados de la realidad, mientras las redes
neuronales se constituyen en modelos empíricos
gracias a su capacidad de aprendizaje de la
realidad mediante sus pseudo-cualidades de
inteligencia artificial [15, 18, 20].
5. Control Predictivo Generalizado Neuronal
El Control Predictivo generalizado hace parte
de la clase de controladores digitales llamada
Control Predictivo basado en Modelo (MBPC) y
fue introducida por Clarke et. al. en 1987. Las
técnicas MBPC han sido analizadas e
implementadas ampliamente en procesos de
control industriales desde finales de los 70 y
continua siendo usada debido a que pueden
sistemáticamente tomar en cuenta restricciones
de plantas reales en tiempo real.
(11) El GPC es un método de horizonte
descendiente. Para una serie de controles
proyectados, la salida de la planta es predicha
sobre un número dado de muestras, y la
estrategia esta basada sobre una serie de
controles proyectados y la salida predicha de la
planta.
El objetivo es encontrar una serie en el
tiempo de señales de control que minimice la
función de costo
 N2 Nu  (12)
2
∑
JGPC = E (y(t + j) − r(t + j))2 + ⋅
 j =1
∑ (∆u(t + j − 1)) 
j =1 
sujeto a la restricción de que los controles
proyectados son función de datos disponibles. N2
es el horizonte de costo o predicción y ρes el peso
de control. La salida de la planta esta denotada
por y, la referencia r, y la señal de control u. ∆es
el operador de cambio tal que
∆u(t) = u(t) – u(t - 1) (13)
La primera sumatoria de la función de costo
penaliza la desviación de la salida de la planta
y(t) de la referencia r(t) en intervalo de tiempo t +
1 t t + N2. La segunda sumatoria penaliza el
cambio en la señal de control ∆u(t) de la serie de
control proyectada.
Nu, es el horizonte de control tal que Nu N2.
Más allá de este horizonte el incremento del
control proyectado ∆u es fijado en cero:
∆u(t + j -1) = 0, j > Nu (14)
Las señales de control proyectadas
permanecen constantes después de este tiempo.
Esto es equivalente a colocar un peso infinito
efectivo de cambios de control para t > Nu.
Pequeños valores de Nu generalmente resultan
en acciones suaves y lentas, mientras que
grandes valores proveen control mas activo. El
uso de un horizonte de control Nu < N2 reduce la
carga computacional. En el caso no lineal la
reducción es dramática.
El controlador esta compuesto por tres
componentes distintivos:
• el predictor de la serie de predicciones
en el tiempo de las salidas de la planta
• la función de costo
5
 C. A. Barrios.- B. E. Aguas – Proyecto de Grado 2006
• el algoritmo de optimización
El predictor utilizado es el modelo en redes
neuronales identificado con ejemplos de pares
entradas-salidas de la planta [4].
Como se menciono antes, el predictor de la
serie de predicciones en el tiempo usa un modelo
en red neuronal de la planta. El diagrama de
bloques del sistema completo es ilustrado en la
figura 3. El algoritmo de Control predictivo
generalizado opera en dos formas, predicción y
control. Para realizar esta labor, es usado un
switch de doble polo a la salida del optimizador.
El algoritmo de minimización de la función de
costo produce una salida la cual es la señal de
control usada como entrada a la planta o al
modelo en redes neuronales. El switch es puesto
hacia la planta cuando el algoritmo de
optimización ha resuelto la mejor entrada, u(t),
que minimiza la función de costo. Entre cada
paso, o muestra, la posición del switch es puesta
hacia el modelo en redes neuronales para que el
algoritmo de optimización use este modelo para
calcular la siguiente señal de control u(t+1), a
partir de las predicciones de las respuestas del
modelo en redes neuronales.
Cuando la función de costo es minimizada,
esta señal de control es pasada a la planta, se
obtiene la trayectoria real y se utilizan los
estados de la planta como entradas de
predicción al modelo en redes neuronales, para
lo cual otro switch es puesto desde la salida de
la planta Y(t) hacia el modelo neuronal. La
comparación de la señal de referencia deseada y
la trayectoria real de la planta es hecha en forma
grafica y determina la eficiencia y características
del sistema de control completo [4, 7, 8, 13, 14,
15, 20, 22].
Fig. 3. Esquema del controlador GPC basado en redes neuronales.
6
6. Identificación del reactor catalítico con
redes neuronales
Para el desarrollo del proceso de
entrenamiento, simulación y control se ha
utilizado el modelo matemático del sistema
reactor-regenerador definido por la ecuaciones 3
– 8 , con el flujo de alimento al reactor (V0) como
variable de entrada o perturbación y las
fracciones molares del componente B en el
reactor (y1) y de aire en el regenerador (y2), las
temperaturas del reactor (T1) y regenerador (T2), y
el coke depositado sobre el catalizador en el
reactor (x1) y en el regenerador (x2) como
variables de salida. Con condiciones iniciales sus
respectivos valores de estado estacionario.
Se utilizó la función ode45 programada en
Matlab para la resolución numérica de las
ecuaciones mediante el método de Rungge-Kutta
de 4-5 orden. La simulación para cada muestra
de señal de entrada se hace en el tiempo de 0 a
60 segundos, con un paso de 1 segundo. A este
tiempo de 60 segundos se le llama el tiempo de
muestreo. Se toma el vector final (para el tiempo
t=60 sg.) como el resultado final (o el estado)
para esa señal de entrada. Este estado se guarda
para ser llamado como condiciones iniciales para
la próxima muestra de entrada.
Se deja el tiempo de muestreo relativamente
alto para permitir la convergencia numérica de
las ecuaciones diferenciales hacia el valor en
estado estacionario para cada valor de la
variable de entrada, de tal modo que entre cada
señal de entrada se llevan entre sus
correspondientes resultados un tiempo de
simulación de 60 segundos.

Fig. 4. Modelo de entrenamiento de la red neuronal.
Las figuras triangulares indican un retraso en el
tiempo de la señal correspondiente
6.1 Modelo de identificación.
Se logra una emulación del comportamiento
dinámico introduciendo como entradas a la red
la historia pasada de datos de la planta
(entradas y salidas en instantes anteriores).
Este esquema usa los valores actuales y
pasados de las entradas y salidas del sistema
como entradas a una red neuronal, y la red es
entrenada para predecir el próximo valor de la
salida del sistema. De esta manera, el problema
de modelamiento, que es aprender el
comportamiento dinámico del sistema en el
dominio del tiempo, es transformado a un
problema de modelamiento espacial, el cual
consiste en aprender el mapeo de entradas y
salidas retrasadas hacia la próxima salida.
En conjunto la red neuronal tendrá nueve
nodos de entrada: la señal de control actual y 2
retrasadas y las seis variables de salida. Hay seis
salidas de la red neuronal: las variables de salida
para la señal u. Esta configuración esta
representada en la Figura 4, donde se muestra la
disposición de entradas-salidas de la red.
6.2 Recolección de datos y diseño de la señal de
entrada.
Con el objetivo de entrenar el modelo en red
neuronal del sistema del reactor catalítico
(identificación del sistema), se necesitan datos
que describan el rango completo de operación de
la planta.
Usando la estrategia de level-change-at-
random-instances (cambio de nivel a instancias
aleatorias) se crea la señal de entrada. Esta
permite una buena excitación de la planta que
hace que esta vaya a través de todo su rango de
operación. El mecanismo consiste en:
• Establecer el rango de operación de la
planta. El flujo del alimento estará entre
0 y 2 mol/seg.
• Establecer el número de muestras para
crear los sets de datos de entrenamiento,
validación y prueba.
• Establecer la probabilidad (alpha) de
cambio en la señal de control. Se utilizo
un 5% de probabilidad de que la señal
cambie aleatoriamente dentro del rango.
El algoritmo es el siguiente:
alpha = 0.95
rand = (cualquier numero aleatorio entre 0 y
1)
para n : 1 hasta N(numero de muestras)
si rand > alpha
U(n) = 1 + ((2-0) x rand)
sino
U(n) = U(n-1)
fin
fin
6.3 Estructura de red
Es común encontrar en la literatura
recomendaciones que especifican que con una
sola capa oculta y suficientes neuronas se puede
aproximar cualquier función no lineal por
compleja que esta sea. Aquí se utilizó la red
Backpropagation con 1 sola capa oculta y 20
neuronas fijas.
Para las redes RBF, la función Matlab newrbe
crea tantas neuronas en la capa oculta como
entradas a la red, que para este caso serán 9
neuronas ocultas con función de activación en
base radial y 6 neuronas lineales en la capa de
salida.
6.4 Entrenamiento de las redes neuronales
6.4.1 Entrenamiento de la red Backpropagation.
Uno de los problemas que ocurren durante el
entrenamiento de las redes neuronales
Backpropagation es el llamado overfitting
(sobreajuste). Durante el set de entrenamiento el
error entre las salidas deseadas y las salidas de
la red es llevado a un valor muy pequeño, pero
cuando son presentados nuevos datos a la red el
error se incrementa. Esto demuestra que la red
ha memorizado los ejemplos de entrenamiento,
pero no ha aprendido a generalizar nuevas
situaciones.
 C. A. Barrios.- B. E. Aguas – Proyecto de Grado 2006
Este problema se maneja adecuadamente
mediante la aplicación de la técnica de early
stopping (parada temprana) que demuestra ser
un método eficiente para ajustar las redes
neuronales.
En esta técnica, los sets de entrenamiento
disponibles son divididos en tres partes. La
primera parte es el set de entrenamiento el cual
es usado para calcular el gradiente del error y
calcular los pesos y ajustes de la red. La
segunda es el set de validación. El error sobre el
set de validación es monitoreado durante el
proceso de entrenamiento. El error de validación
normalmente decrece durante la fase inicial de
entrenamiento, tal como lo hace el error del set
de entrenamiento. Sin embargo, cuando la red
empieza a sobre-ajustar los datos, el error en el
set de validación empieza a crecer. Cuando el
error de validación incrementa para un número
específico de iteraciones, el entrenamiento es
detenido, y son devueltos los pesos y ajustes en
el mínimo del error de validación.
Un tercer set de prueba no se usa durante el
entrenamiento, pero es usado para comparar
diferentes modelos. Si el error en el set de
prueba alcanza un mínimo una iteración
significativamente diferente que el error en el set
de validación, indica que la división de los datos
ha sido pobre.
Las redes neuronales pueden ser más
eficientes si se procesan las entradas, los valores
deseados y las salidas. El pre-procesamiento y
post-procesamiento es una forma de utilizar el
conocimiento contenido en los datos de
entrenamiento y simulación moviéndolos fuera
del contexto de las redes neuronales.
Una forma simple, pero efectiva de
transformar todos los datos de entrada y salida,
es llevar todos los datos de entrada y salida a
una media cero y una desviación estándar de
uno. De esta forma, todos los niveles de los datos
de entrada y salida quedaran de igual magnitud.
La red neuronal no tendrá que modelar la media
y la desviación estándar de las señales, y esto
resultara en una mejor convergencia del la
función de error de la red.
Se creó un set con 1000 muestras de
entrenamiento, 500 de validación y 500 de
prueba simulando la planta según se explicó en
6.2. Con los datos de entrenamiento validación y
prueba listos, las redes Backpropagation son
creadas mediante la función Matlab newff y
entrenadas mediante la función train con el
algoritmo de entrenamiento backpropagation
llamado Levenberg-Marquardt que es uno de los
mas poderosos y eficientes para la actualización
de pesos.
8
Para dar un punto de partida apropiado a los
pesos de la red, usamos un método similar al
llamado hold up method: Se entrenan 4 redes
con pesos iniciales aleatorios usando el set de
datos de entrenamiento. Se escogen solo 20
épocas2 de entrenamiento. Entonces la función
de error es evaluada sobre el set de datos de
validación y se escoge la red con mejor
desempeño. Esta red es entrenada seguidamente
con el set de datos de prueba utilizando Early
stopping. Esta primera validación asegura que
las asunciones de partida aleatorias son las más
apropiadas, y que la red es proclive a tener
buena convergencia. Se asegura también que la
red estará lejos de caer en un mínimo local más
allá de la solución óptima.
El entrenamiento final de la red neuronal con
los datos de entrenamiento, validación y prueba
es usado sobre la red hasta que es terminado
por early stopping como se explica a
continuación.
El entrenamiento global puede ser resumido
como:
Crear y configurar una red (newff)
Repetir 6 veces
Escoger pesos de inicio aleatorio
para la red neuronal (init)
Entrenar la red durante 20 épocas
(train)
fin
escoger la mejor de las redes anteriores
entrenar la red usando early stopping
(train)
Red neuronal final resultado
6.4.2 Entrenamiento de la red RBF. El
entrenamiento de una red RBF, a diferencia de la
red usando backpropagation, es solamente hacia
delante. De este modo, la salida z de una red
RBF, en general, está influenciada por una
transformación no lineal originada en la capa
oculta a través de la función radial y una lineal
en la capa de salida a través de la función lineal
continua.
Para las redes RBF, la función Matlab newrb
crea una red con error cero sobre los vectores de
entrenamiento. La única condición que se debe
cumplir es asegurarse que el parámetro de
distancia sea lo suficientemente grande tal que
las regiones activas de entrada de las neuronas
radiales queden cubiertas de tal modo que varias
neuronas radiales tengan siempre salidas
bastante grandes en cualquier momento dado.
2 Una época (epoch) es un paso de todo el conjunto de datos
de entrenamiento sobre la red.
 C. A. Barrios.- B. E. Aguas – Proyecto de Grado 2006

Esto hace que la función en red sea suave y

resulta en una mejor generalización para nuevas
vectores de entrada que estén dentro del rango
usado en el diseño.
Se entrenaran las redes para cada set de
entrenamiento, modificando el parámetro que se
exige como argumento de pasada en el llamado a
la función newrb, según se muestra en la tabla
1.

6.5 Validación de los modelos

Se comprueba ahora la capacidad que tienen

cada uno de los modelo en redes neuronales
entrenados de predecir los estados futuros de la
planta.
Para investigar el desempeño del modelo, se Figura 5. Simulación en paralelo de la planta y la red
alimentan las mismas señales de entrada a la neuronal.
planta y a cada red de acuerdo a la
configuración del modelo (Figura 5). Se calcula el
7. Implementación del GPC neuronal al
coeficiente de correlación múltiple R2 definido
modelo del reactor catalítico
como:
En el programa de simulación del sistema de
V(y) − V(ε )
R2 = control diseñado en Matlab se programan como
V(y) (4.20) argumentos de entrada los valores de los
parámetros necesarios para la sintonización del
donde V(.) es la varianza, y ε = y – . sistema de control: el número de pasos, el
El coeficiente de correlación múltiple mide Horizonte de Predicción N2, el Horizonte de
cuanta información de la salida de la planta y Control Nu, y el peso de control de la función de
esta contenida en la salida de la red neuronal . costo .
Entre su valor este más cercano a 1 mas Se probaron las siguientes señales de
exactitud tiene la red neuronal para representar referencia, con N2= 10, Nu= 5, y ρ= 100:
la planta.
En total se utilizaron 4 señales de entrada • Set-point constante (1000º R), durante
diferentes: escalones, rampa, sinusoidal con 100 pasos.
diferentes frecuencias y amplitudes, y aleatoria. • Onda cuadrática de periodo 200 s entre
900 y 1100º C, durante 800 pasos.
• Referencia aleatoria con probabilidad de
cambio 0.99 entre 800 y 1800º C,
durante 800 pasos.
• Señal paso de 800 a 1900º C, durante
Muestras de Parámetro de
Red Nº
entrenamiento distancia
800 pasos.
1 1000 0,1 Con los parámetros de simulación
2 1000 0,2 establecidos y la señal de referencia
3 1000 0,5 seleccionada, se inicializan la planta y el modelo
1000 neuronal y aplica la señal de control sobre la
4 1,0
planta según el algoritmo de optimización. La
5 1000 1,5 única restricción impuesta es que la señal de
6 1000 2,0 control no puede ser menor que cero, puesto que
un flujo de alimento negativo no tiene sentido
físico. El controlador programado consiste en los
siguientes pasos:
Tabla 1. Configuración de redes RBF que fueron
entrenadas. • Toma un valor inicial para la señal de control,
y Nu valores de ∆U. Si el algoritmo inicia, es
decir, si se esta evaluando el primer paso, se

9
 C. A. Barrios.- B. E. Aguas – Proyecto de Grado 2006
toma una señal de control igual a 1 y los
valores de los ∆U aleatorios entre 0 y 1. La
función Matlab fminsearch es programada
para realizarse durante 16 iteraciones para
compensar las diferencias de las presunciones
de este primer paso. Para los pasos restantes,
se toma como suposición inicial para la señal
de control U(t) la señal anterior U(t-1) y cuatro
de los cinco ∆U obtenidos del paso anterior, y
se programan 8 iteraciones.
• Durante el número establecido de iteraciones
del paso anterior, la función fminsearch
optimiza la señal de control para que el
predictor (red neuronal) ajuste sus salidas a la
señal de referencia mediante la exploración de
los ∆U adecuados que minimicen la señal de
control. La función fminsearch es a su vez
configurada para realizar 4N2 iteraciones
internas propias del método simplex que
emplea esta función.
• Los ∆U óptimos y la Nu señales de control
proyectadas sobre estos, son guardados como
asunciones iniciales para el próximo paso,
mientras que la señal U(t) es arrojada como
solución del algoritmo de control y es
retornada como la señal de control para ser
aplicada en la simulación final sobre la planta.
Luego de realizar todos los pasos
programados, las salidas de la planta y la
referencia son comparadas gráficamente.
8. Resultados y discusión
8.1 Identificación del reactor catalítico
8.1.1 Red Backpropagation. Los resultados de la
identificación muestran el buen desempeño de la
red a la hora de hacer seguimiento a la dinámica
de la planta. La red resultó eficiente en su
comportamiento y alcanzó un valor perfecto de
0.999988 de correlación con el proceso
simulado. La Figura 6 muestra los resultados
para la red.
Se puede comprobar la regla heurística
propuesta por algunos autores en la que se
establece que una sola capa oculta en la mayor
parte de los casos es suficiente para representar
cualquier función, sin necesidad de diseñar
redes mas complejas de dos o mas capas
ocultas, que harían el trabajo de la misma
calidad pero presentando una menor eficiencia
de computo. El resultado general es que la
escogencia de la arquitectura, el algoritmo de
inicialización, la función de entrenamiento, la
subdivisión de los datos y la función de
activación Logsig presentaron buena calidad de
representación del sistema.
10
8.1.1 Red RBF. La Figura 7 muestra la evolución
del desempeño de cada red según se modificaba
el parámetro de distancia siguiendo la
temperatura del reactor con la entrada
sinusoidal.
Esto concuerda con la condición que exigen
las redes radiales de tener un parámetro de
espacio lo suficientemente grande para abarcar
el mapa probabilístico que hacen este tipo de
funciones sobre el espacio de datos presentados.
A medida que el parámetro de espacio se hace
mayor aumenta la exactitud de la red neuronal.
Los resultados ante las señales de entrada se
corresponden a las graficas del modelo
Backpropagation ya que los coeficientes de estos
dos modelos son cercanamente iguales.
Como principal observación general que se
deriva del entrenamiento y la comprobación del
desempeño de las redes neuronales, el aspecto
sobresaliente de estas es la eficacia con que los
modelos en redes neuronales representan la
planta. En las cuatro señales de entrada
introducidas el comportamiento de las redes
neuronales eficientes con respecto a la planta
fue muy cerrado y se representa muy bien la
dinámica del proceso. Esto se refleja en el valor
del coeficiente de correlación múltiple muy
cercano a uno conseguido en cada caso.
Otra conclusión importante de la medición
del desempeño a través de la señales de
perturbación es que la red se ajusta muy bien a
las secuencias de entrada no presentadas
durante el entrenamiento. Se diseñaron las
señales de entrada de tal forma que se pudiera
abarcar todo el rango posible de acción del
modelo, junto con diferentes frecuencias y
señales excitatorias constantes, escalones y
secuencias desordenadas o aleatorias. Como se
mencionó, el set de entrenamiento esta
constituido por la señal conseguida mediante la
técnica level-change-at-random-instances que
consiste en una secuencia aleatoria, caótica y si
ningún patrón identificable. Es un hecho
destacable que ante la presencia de una
secuencia ordenada y limpia, la esta red
presente entonces ese mismo comportamiento
mas aun cuando el número de combinaciones
posibles que se pueden obtener de las nueve
entradas consecutivas sea tan grande en un
espacio de estados tan amplio.
La red neuronal no presenta ‘overfitting’, o
sobresaturación. Como ya se mencionó, las
curvas de la red y de la planta se siguen en una
forma simétrica y bien definida. El método Early
Stopping demuestra ser altamente efectivo, pues
detiene el entrenamiento antes de lo programado
para asegurar el punto óptimo donde la red dará
la respuesta mas acertada sobre el patrón de
 C. A. Barrios.- B. E. Aguas – Proyecto de Grado 2006

(a)

(b)
Figura 6. Resultados de la identificación con redes backpropagation (a) Señal de entrada escalonada, (b)
señal rampa. Las líneas de salida se superponen.

11
 C. A. Barrios.- B. E. Aguas – Proyecto de Grado 2006

(c)

(d)

Figura 6. Resultados de la identificación con redes backpropagation (c) Señal de entrada sinusoidal, (d)
señal aleatoria.

12
 C. A. Barrios.- B. E. Aguas – Proyecto de Grado 2006

Figura 7. Resultados de la identificación con redes RBF para la señal de entrada sinusoidal y como
salida la temperatura del reactor. Desde la curva superior hacia la inferior se muestra la evolución del
desempeño de la red, Desde el parámetro de distancia 0.1 hasta 2.0.

13
 C. A. Barrios.- B. E. Aguas – Proyecto de Grado 2006
entrenamiento y de validación simultáneamente.
La generalización del modelo Backpropagation
esta garantizada. Por otro lado, las redes RBF en
su diseño exacto, permiten obtener el ajuste de
los pesos directamente de las entradas y salidas
deseadas sin algoritmos de entrenamiento, lo
que las hace más rápidas en el momento del
entrenamiento y con unas características finales
iguales a las redes Backpropagation.
De este modo, estas redes neuronales pueden
representar y predecir el comportamiento
dinámico no lineal de la planta. Se constituyen a
si mismo en generadores de trayectoria debido a
que fueron entrenadas en el rango
correspondiente al espacio de estados.
El sistema del reactor de craqueo catalítico
esta identificado de una forma altamente
aceptable mediante modelos en redes neuronales
del tipo feedforward Backpropagation y Radial
Basis Function.
8.2 Control GPC del reactor catalítico
La figura 8 muestra el resultado de la
aplicación de las referencias sobre el algoritmo
de control. Estas figuras comparten las mismas
características: al inicio de la simulación las
respuestas son erráticas, al igual que al final
para las graficas. Las respuestas nunca se
acotan totalmente sobre la referencia, sino que
oscilan alrededor de esta, aunque estas
diferencias no son significativas y demuestran
que el controlador actúa muy bien ante estas
referencias.
En el caso de las señales de ondas
cuadráticas, el comportamiento del controlador
también permite a la planta seguir muy de cerca
la referencia que le ha sido señalada. Al igual
que las señales constantes, estas inician y
terminan de una forma errática y sobre todo en
algunos extremos existe desviación considerable.
Por ultimo un cambio paso crea una señal de
entrada con valores fuera del rango de
entrenamiento de la red neuronal que
sobrepasan el valor superior de dicha señal de
entrada (2 mol/seg) especificado para los sets de
entrenamiento, validación y prueba. Esto
muestra, lo bien entrenada que quedo la red, al
convertirse ahora en extrapolador, en base a los
pesos ajustados solo para los rangos de
entrenamiento, y sin embargo con la capacidad
para seguir pautas nuevas.
En resumen, de los ejemplo se observa que el
sistema de Control Predictivo Generalizado
presenta las mismas características para todas
las señales de referencia utilizadas.
14
Los parámetros N2 =10, Nu=5, y ρ=100, a
pesar de que mostraron buen desempeño, no se
evaluaron para ver si son los óptimos. La labor
de escogencia de estos valores se constituye en
resolver el conflicto entre capacidad de cómputo
y desempeño del controlador.
El sistema de Control Predictivo Generalizado
presenta las mismas características para todas
las señales de referencia utilizadas. Para todos
los casos, la señal de control resultante es solo
errática al inicio del optimizador pero se
estabiliza sobre la referencia de una forma casi
constante, y aunque presenta oscilaciones, estas
son tan pequeñas que en el peor de los casos
solo presenta desviaciones de un grado
centígrado en la señal de salida con respecto a la
referencia. Los cambios pasos presentan
dificultades de sobrepaso, pero el tiempo de
asentamiento es bueno haciendo estos
sobrepasos cortos. Las caídas de la señal de
salida de la planta antes de un incremento en la
señal de referencia es resultado de la naturaleza
predictiva del controlador. Por medio de hacer
que la salida de la planta baje un poco con
respecto a la señal de referencia, el subsiguiente
incremento en la salida de la planta puede ser
formado de tal forma, que minimice la función de
costo.
El algoritmo de control predictivo necesita un
buen predictor y este problema fue resuelto.
Gracias a la red neuronal exitosamente
entrenada y a la identificación del modelo, las
demandas para la predicción sobre un horizonte
de tiempo que incorporara la dinámica de la
planta fueron satisfechas.
Conclusiones
En este trabajo se ha investigado una forma
conceptual de utilizar las redes neuronales en la
identificación y control de sistemas.
Los métodos para la identificación del sistema
del reactor catalítico aseguraron una buena
excitación de la planta durante la generación de
los datos de entrenamiento, validación y prueba
y su posterior simulación.
Se resolvió con alta eficiencia el proceso de
creación del modelo de planta basado en red
neuronal o identificación del sistema. Fueron
hechas pruebas del desempeño de la red
neuronal para predecir las salidas de la planta,
demostrando alto acercamiento de la red a la
planta bajo las mismas condiciones de prueba.
Se obtuvieron redes neuronales de los tipos
Backpropagation y Radial Basis Function con
coeficientes de correlación muy cercanos a la
planta.
 C. A. Barrios.- B. E. Aguas – Proyecto de Grado 2006

(a)

(b)

Figura 8. Resultados del controlador GPC neuronal con referencia a) constante de 1000º R durante 100
pasos, y b) onda cuadrática de periodo 100 s durante 800 pasos.

15
 C. A. Barrios.- B. E. Aguas – Proyecto de Grado 2006

(c)

(d)
Figura 8. Resultados del controlador GPC neuronal con referencia c) Cambios paso aleatorios durante
800 pasos, y d) cambio paso de 800º R a 1900º R

16
 C. A. Barrios.- B. E. Aguas – Proyecto de Grado 2006
Se comprobó también la igualdad de
condiciones entre las Redes Radial Basis
Function y las Redes Backpropagation para
hacer identificación del sistema dinámico
Reactor-Regenerador Catalítico.
El algoritmo de Control Predictivo
Generalizado GPC a pesar de ser simple,
intuitivo y de no ser perfeccionado en este
trabajo, demostró ser una estrategia convincente
de control y fue comprobado por medio de la
aplicación de referencias aleatorias para una
variable del modelo y el seguimiento fiel de la
salida de la planta a estas referencias.
Las variaciones del comportamiento de la
planta con respecto al set-point para todos los
casos son insignificantes y a pesar de mostrar
una apariencia desordenada, este
comportamiento es altamente aceptable
Apéndice A
Notación del sistema
A = Componente A de reacción
A1 = Factor de Arrhenius en la cinética del
reactor, seg.-1
A2 = Factor de Arrhenius en la cinética del
regenerador, seg.-1
B = Componente B de reacción
C = Componente C de reacción
CP = Capacidad calorífica del
(B.t.u.)(lb.mol)-1(ºR)-1
Cps= Capacidad calorífica del
(B.t.u.)(lb.mol)-1(ºR)-1
E = Energía de activación, (B.t.u.)(lb.mol)-1
H = Volumen de gas, ft3
L = Calor de reacción, (B.t.u.)(lb.mol)-1
M = Carga de catalizador, lb.
N = Carga del gas, mol
O = Componente O
P = Componente P
P1 = Presión en el reactor, (lb.)(ft)-2
P2 = Presión en el regenerador, (lb.)(ft)-2
Q= Velocidad de entrada de calor al regenerador,
(B.t.u.)(seg.)-1
R = Constante de los gases: en la ecuación
cinética, (B.t.u)(lb.mol)-1(ºR)-1, en la ecuación de
estado, (lb.)(ft.)(lb.mol)-1(ºR)-1
r = Velocidad de reacción, (lb.mol
reaccionado)(moles totales)-1(seg.)-1
T = Temperatura, (ºR)
t = tiempo, seg.
V = velocidad de flujo del gas, (moles)(seg.)-1
W = Velocidad de circulación del catalizador,
(lb.)(seg.)-1
x = Contenido de C sobre el catalizador,
(lb.moles C)(lb. catalizador)-1
y0, y1= fracción molar de B en la fase gaseosa
ya, y2= fracción molar de O en la fase gaseosa
Subíndices
0 = Corriente de entrada
1 = Reactor
2 = Regenerador
a = aire
Referencias
[1] Sadeghbeigi R. Fluid Catalytic Cracking
Handbook, 2nd Ed. Butterworth-Heinemann,
Houston, TX, 2000.
[2] Chen Ye-Mon. Recent advances in FCC
technology. Powder Technology 163 (2006) 2–
8.
[3] Arbib M. The Handbook of Brain Theory and
Neural Networks. 2nd. Ed. Massachusetts
Institute of Technology, MIT Press.
Impressions Book and Journal services, Inc.
Madison, Wisconsin, 2002.
[4] Temurtas F., Yumusak N. Application of
neural generalized predictive control to robotic
manipulators with cubic trajectory and
random disturbances. Robotics and
Autonomous systems. 54 (2006) 74-83.
[5] Secchi A.R. A dynamic model for a FCC UOP
stacked converter unit. Computers and
Chemical Engineering 25 (2001) 851–858
[6] Han In-Su. Dynamic modeling and simulation
gas, of a fluidized catalytic cracking process. Part
I: Process modeling. Chemical Engineering
sólido, Science 56 (2001) 1951}-1971
[7] BOLDON C. Control Predictivo. Metodología,
tecnología y nuevas perspectivas. I curso de
Especialización en Automática. Universidad
de Sevilla. Aguadulce Almería, 2000.
Disponible en: http://www.cea-
ifac.es/actividades/cursos/I/documentos/c.
bordons.zip (Ultimo acceso: Agosto 2 de
2006)
[8] Schnitman L., De barros fontes A. The Basic
Ideas of Neural Predictive Control.
Proceedings of the 7th Mediterranean
Conference on Control And Automation,
Haifa, Israel Jun 1999.
[9] Demuth H., Beale M. Neural Network Toolbox
3 version, The MathWorks Inc., 1998.
[10] LUYBEN W. L., LAMB D. E. Feedforward
control of a fluidized catalytic reactor-
regenerator system. Chemical Engineering
Progress Symposium Series Nº 46, Vol. 59.
Universidad Delaware.
[11] Molga E.J. Neural network approach to
support modelling of chemical reactors:
problems, resolutions, criteria of application
Chemical Engineering and Processing 42
(2003) 675_/695
17
 C. A. Barrios.- B. E. Aguas – Proyecto de Grado 2006

[12] Dave A., Mcneill G. Artificial neural Networks

Technology. A DACS State-of-the-Art Report.
Rome Laboratory, Kaman Sciences
Corporation. New York, Ago 1992.
[13] DOHERTY S.K. Control of pH in chemical
processes using artificial neural netwoks.
Ph.D. Thesis, Liverpool Jhon Moores
Universisty. Nov 1999.
[14] Koivisto H. A practical approach to model
based neural network control. MsC Thesis,
Tampere University of Technology. Tampere,
Finlandia, Noviembre de 1995
[15] NEVOT J. Diseño de un controlador
avanzado basado en redes neuronales para
la gestión de la mezcla aire-gasolina en un
motor alternativo. Tesis Doctoral.
Universidad Politécnica de Cataluña.
Barcelona Diciembre de 1999.
[16] Colmenares G. Redes Neuronales
Capitulo4_funciones_bases_radiales.pdf.
3011-2004 Búsqueda Google.com.co (Último
acceso: Julio 2006)
[17] Ganguly S. Prediction of VLE data using
radial basis function network. Computers
and Chemical Engineering 27 (2003) 1445-
1454.
[18] Hagan M. T., Demuth H. B. De Jesús O. An
introduction to the use of neural networks In
control systems. PWS Publishing, Boston,
2001.
[19] Jain A. K., Mao J. Mohiuddin K. M. Artificial
Neural Network: A Tutorial. IEEE
Transactions Computer, Mar 1996.
[20] Jovanovi O. Identification of dynamic
system Using neural network. University of
Ni . The scientific journal Facta
Universitatis. Series: Architecture and Civil
Engineering Vol.1, No 4, 1997 pp. 525 – 532.
University of Montenegro, Podgorica,
Yugoslavia.
[21] ÖZKAN G. HAPOGLU H. Generalized
predictive control of optimal temperature
profiles in a polystyrene polymerization
reactor. Chemical Engineering and
Processing 37 (1998) 125-139.
[22] Ramaswamy S., Cutright T., Qammar H.
Control of a bioreactor using model predictive
control. Process Biochemistry 4 (2005) 2763-
2770.

18