Estimación de variable de calidad en un tren de reactores continuo utilizando soft-sensors basados en redes neuronales recurrentes

Abstract

La producción industrial de caucho SBR (Styrene-Butadiene Rubber) utiliza un tren de reactores tanque agitados continuos para la obtención de un látex. En esa etapa, es importante contar con estimaciones en tiempo real de algunas variables en el último reactor del tren, a efectos de lograr productos de calidad con buen nivel de producción. Los soft sensors (SS) son una alternativa adecuada para cumplir con esta tarea, en comparación con las estimaciones típicamente brindadas por laboratorios analíticos y analizadores en línea. El proceso incluye dinámicas complejas y múltiples modos de operación, resultando necesario el uso de SS capaces de capturar esas características. En este trabajo, se propone el desarrollo de un SS basado en redes neuronales recurrentes para estimar la conversión másica del látex a la salida del tren de reactores. La selección de la ventana temporal necesaria para efectuar las estimaciones se basa en un análisis de correlaciones cruzadas y una búsqueda por grilla. Por otra parte, el modelo que conformará al SS se selecciona a través de una exploración de distintas arquitecturas y sus espacios de hiperparámetros. Los resultados de simulación muestran que la adopción de una red neuronal recurrente basada en GRU (Gated Recurrent Unit) y una ventana temporal de 800 minutos exhibe el mejor desempeño para estimar la variable de interés.