El empleo de Redes neuronales artificiales para

el modelado de la extracción de hidrocarburos

aromáticos a partir de cortes de aceite
lubricante

DOCENTE: Ing. Maria Elizabeth Campos

INTEGRANTES:
• Adrianzen Antonio, Natalia Estefania 17070080
• León Mancilla,
CREDITS: ThisJairo Alberto
presentation 17070039
template was created by Slidesgo,
• Mozo Pizarro,
including iconsRenzo Rodrigo
by Flaticon, infographics & 12070153
images by Freepik
• Ticllacuri De La Cruz, Elvis 15070042
• Zevallos Castro, Jhema Marin 17070113

2021
 01 objetivos

02 Materiales y equipos/reactivos

Tabla de contenido 03 Procedimiento experimental

04 Resultados y discusiones

05 CONCLUSIONES
01 objetivos
• Predecir el desempeño de una columna de contacto de disco giratorio
durante la extracción de aceite base lubricante con furfural como solvente,
mediante el empleo de una red neuronal de tipo perceptrón multicapa.
• Determinar los parámetros que favorecen el rendimiento de la extracción
mediante el modelamiento de una capa oculta en la red neuronal.
• Establecer las condiciones óptimas de operación basadas en el consumo
mínimo de solvente.
02 materiales y equipos/reactivos

1. Materiales y equipos:
Extractor
Equipo de alimentación
2. Reactivos:
Aceite de corte lubricante (alimentación)
Furfural (solvente)
reactivos
1. Propiedades del aceite y Furfural
03 procedimiento experimental
PROCEDIMIENTO
SE DEBE CONSIDERAR
Parámetros operativos independientes
que afectan el rendimiento de
extracción
 los caudales volumétricos de
alimentación y disolvente
 las temperaturas de alimentación y
disolvente
 la velocidad de rotación del disco
(N͛Ϳ
FIGURA 1
FIGURA 2
Para poder crear una red neuronal capaz de poder
predecir el caudal producido en un refinado luego de
la extracción este debe ser entrenado con datos de
experiencias pasadas
Para entrenar a una ANN se comienza con introducir
las variables operativas de entrada y salida las cuales
formaran parte de la Input Layer y la Output Layer de la
ANN.
LUEGO
Se debe determinar la estructura del modelo ANN (se
consideró para este caso una capa oculta) Ver figura 1
UNA VEZ DEFINIDO
Se procede a probar para fines de modelado alguna
MLPNN con diferentes números de nodos en las capas
ocultas.
En este caso esta MLPNN poseía una capa de salida en
forma de Tanh (tangente hiperbólica) y una función
sigmoidea de forma (ver figura 2)
medida que se va realizando las iteraciones con los
150 datos que se disponía (eligiendo al azar algunos)
se buscaba entrenar a la ANN para que sus
predicciones de caudal de refinado y rendimiento de
la extracción sea más precisos.
procedimiento
Arquitectura de la red neuronal
Ecuaciones para el modelado empleando la red neuronal
artificial
Función de activación sigmoidea Porcentaje de error

Error cuadrático medio (MSE) Coeficiente de correlación

 04 resultados y discusiones
4.1. MODELAMIENTO DE RED NEURONAL ARTIFICIAL (RNA)
Identificación del número óptimo de neuronas en una Capa Oculta obtenido mediante el número
de nodos en cada capa oculta

P Error cuadrático medio (MSE)

A
Neurona Neurona Neurona
N
R
1 3
Á
M
E Coeficiente de correlación ()
T
Neurona
2
R
O
S
% de Error
Cálculo de los tres parámetros respecto a diferentes números de
nodos

Resultados óptimos

N° capas ocultas 1

N” neuronas en la capa oculta 9

Tasa de aprendizaje 0.7

Impulso 0.8

N° iteraciones 10000

4-9-2 MLPNN
 Comparación del rendimiento experimental de extracción y el rendimiento
previsto durante el proceso de extracción por RDC
de
Generación de
Patrones
Patrones

Porcentajes de error para las salidas de la red

después del modelamiento por 4-9-2 MLPNN
 Comparación del rendimiento experimental de extracción y el rendimiento
previsto por el modelamiento RNA para 30 nuevos conjuntos de datos
de
Generación de
Patrones
Patrones

Figura 3.a
 Comparación del flujo experimental del refinado vs. el flujo predicho
producido por el modelamiento RNA para 30 nuevos conjuntos de datos
de
Generación de
Patrones
Patrones

Figura 3.b
4.2. ESTUDIO PARAMÉTRICO DE EXTRACCIÓN DE ACEITE
BASE LUBRICANTE POR SOLVENTE FURFURAL

Figura 4. Rendimiento experimental vs rendimiento

previsto por el entrenamiento de la RNA.

Con el fin de estudiar los efectos de los parámetros operativos sobre el rendimiento de la extracción,
se elegirá cada uno de estos parámetros el cual variará mientras que los demás se mantendrán
constantes, estos parámetros son: Temperatura de alimentación y solvente, la velocidad de rotación del
disco y la relación de caudal volumétrico de disolvente a alimentación, los resultados se mostraron en
la Figura 5.
Figura 5 a) Efecto de los cambios en la temperatura de
alimentación sobre el rendimiento de la extracción (relación
de flujo de disolvente a alimentación = 0,9, temperatura del
disolvente = 100, 110 y 120°C, velocidad de rotación del
disco = 0).
Al aumentar la temperatura de alimentación de 70 a 85 ° C,
el rendimiento de extracción aumenta simultáneamente. Sin
embargo, aumentar la temperatura por encima de 85°C no
tiene efecto sobre el rendimiento de la extracción.
Figura 5 b) Efecto de los cambios en la temperatura
del disolvente sobre el rendimiento de la extracción
(relación de flujo de disolvente a alimentación = 0,9,
temperatura de alimentación = 69, 75 y 83°C,
velocidad de rotación del disco = 0).
Al aumentar la temperatura del disolvente, aumenta
el rendimiento de la extracción.
Figura 5 c) Efecto de los cambios en la relación de flujo de
disolvente a alimentación sobre el rendimiento de extracción
(temperatura del disolvente = 100°C, temperatura de
alimentación = 69°C, velocidad de rotación del disco = 0, 2
y 4).
Figura 5 d) Efecto de los cambios en la relación de caudal
de disolvente a alimentación sobre el rendimiento de
extracción a diferentes temperaturas de disolvente
(temperatura de alimentación = 69°C, velocidad de rotación
del disco = 0).

En comparativa, al aumentar la relación de la tasa de flujo de disolvente a alimentación, el rendimiento de

extracción aumenta suavemente de 1,2 a 1.6, a velocidades de rotación del disco más bajas. Sin embargo, el
rendimiento de extracción aumenta más notablemente, de 0,9 a 1,6, cuando la velocidad de rotación del disco
es mayor.
Figura 5 e) Efecto de los cambios en la velocidad de
rotación del disco sobre el rendimiento de la extracción
(temperatura de alimentación = 81°C, temperatura del
disolvente = 120 ° C, relación de flujo de disolvente a
alimentación = 1, 1,2 y 1,4).
Al aumentar la velocidad de rotación del disco de 0 a 5, el
rendimiento de extracción aumenta, pero el aumento de la
velocidad de rotación del disco a valores superiores a 5 no
tiene un efecto significativo.
 4.3. OPTIMIZACIÓN DE LAS CONDICIONES DE EXTRACCIÓN
DEL ACEITE BASE LUBRICANTE
(i) optimización al
minimizar la tasa de
Existen dos enfoques para circulación del
obtener las condiciones solvente En este trabajo, el procedimiento de
óptimas de operación de un optimización del proceso de extracción
RDC usado en el proceso mencionado en una columna RDC industrial
de extracción de aceite se basa en la minimización del solvente total
base lubricante por furfural consumido.
como solvente. (ii) optimización al
minimizar la energía
total consumida en el
columna
Permite predecir las cantidades
óptimas de parámetros de entrada
Para reutilizar el solvente, es para lograr los mejores resultados
necesario separar el solvente de en el proceso de extracción.
Utilizada para
los productos principales en la
modelar la
parte superior de la columna
extracción de
(refinado) o para separarla de los Red ANN
aceite base
productos secundarios en la parte capacitada
lubricante en
inferior de la columna (extracto).
una columna
RDC industrial Nos permite confiar en los datos de salida
predichos cuando la entrada de la red
neuronal está en el rango de las condiciones
Destilación de operación mínima a máxima.
Parámetros de Temperatura de alimentación, temperatura del
Influyen en las condiciones
entrada de la disolvente, relación de caudal de disolvente a
operativas de la columna
red neuronal alimentación y velocidad de rotación del disco

Tres de los cuatro parámetros se mantuvieron Se produjeron un Se utilizó como entrada para la
constantes y el parámetro restante se varió en el conjunto de datos red neuronal para predecir el
rango de condiciones operativas reales. (11 089 datos) rendimiento de extracción

Para este caso particular de Sepahan Oil Company,

la cantidad de componentes aromáticos en el
producto refinado después de la separación del
furfural (en la parte superior de la columna) no debe
Rendimiento de extracción se
ser superior al 12% en peso. La alimentación se Esta cantidad no debe exceder
define como la relación entre
suministró desde una unidad aguas arriba (en este un cierto valor y debe ajustarse
el caudal aromático extraído y
caso, Isfahan Oil Refinery Co.) con una con respecto a las
el caudal aromático a través
especificación constante de 24,3% en peso de especificaciones necesarias
de la alimentación introducida
contenido de aromáticos. Por lo tanto, según los
datos disponibles para el refinado y el caudal de
alimentación, el rendimiento de extracción mínimo
calculado debe ser del 70%.
Rendimiento de extracción para diferentes condiciones de
funcionamiento con un rendimiento de extracción del 70%
y la relación mínima de caudal de disolvente a alimentación

Condiciones óptimas para el proceso que

permiten minimizar el costo total de la
extracción del aceite base lubricante (con
un rendimiento de extracción del 70%).

Relación de caudal de disolvente a

alimentación, 0,9; temperatura del disolvente,
120 ° C; y temperatura de alimentación, 81 °
C.
Rendimiento de extracción para diferentes condiciones de
funcionamiento con un rendimiento de extracción del 70%
y la relación mínima de caudal de disolvente a alimentación

Condiciones óptimas para el proceso que

permiten minimizar el costo total de la
extracción del aceite base lubricante (con
un rendimiento de extracción del 70%).

Relación de caudal de disolvente a

alimentación, 0,9; temperatura del disolvente,
120 ° C; y temperatura de alimentación, 81 °
C.
05 conclusiones
• Se logró determinar el rendimiento de extracción y el flujo volumétrico
del refinado con un error relativo promedio de 0.191% y 0.162%
respectivamente.
• Es posible emplear de manera segura la red neuronal artificial para el
modelado de una extracción de aromáticos con furfural como solvente, en
una columna de contacto de disco giratorio.
• Se determinó que un incremento en la temperatura de la alimentación y del
solvente, relación de flujos volumétricos solvente-alimentación y la tasa
de rotación del disco, favorecen el rendimiento de extracción.
• Las condiciones óptimas de operación basadas al minimizar la cantidad
total de solvente consumido podrán establecerse mediante la creación de
un nuevo conjunto de datos y empleando el modelado de la red neuronal
artificial estudiada.