������������������������������������������������������������������������������

 

ARN aplicada al proceso de deshidrataci�n de gas natural por absorci�n con Trietilenglicol

 

ARN applied to the dehydration process of natural gas by absorption with Triethylene Glycol

 

RNA aplicado ao processo de desidrata��o de g�s natural por absor��o com Trietilenoglicol

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Correspondencia: daniel.chuquin@espoch.edu.ec

 

 

 

 

 

Ciencias T�cnicas y Aplicadas �

Art�culo de Investigaci�n �

 

 

 

* Recibido: 25 de abril de 2022 *Aceptado: 20 de mayo de 2022 * Publicado: 29 de Junio de 2022

 

 

 

        I.            Ingeniero Qu�mico, Escuela Superior Polit�cnica de Chimborazo (ESPOCH), Grupo de investigaci�n en seguridad, ambiente e ingenier�a (GISAI), Riobamba, Ecuador

     II.            Ingeniero Qu�mico, Investigador independiente, Riobamba, Ecuador.

   III.            Ingeniero Mec�nico, Escuela Superior Polit�cnica de Chimborazo (ESPOCH), Grupo de investigaci�n en seguridad, ambiente e ingenier�a (GISAI), Riobamba, Ecuador.

  IV.            Ingeniero Mec�nico, Escuela Superior Polit�cnica de Chimborazo (ESPOCH), Grupo de investigaci�n en seguridad, ambiente e ingenier�a (GISAI), Riobamba, Ecuador.

 

Resumen

En el presente trabaj� se dise�� una RNA que pueda predecir las salidas m�s importantes en el proceso de deshidrataci�n de gas natural por absorci�n con TEG. Para la creaci�n de la RNA se desarroll� un an�lisis de sensibilidad, mediante el cual se determinaron las salidas del proceso que fueron: fracci�n de agua en el gas a la salida, expresado en miligramos de agua por metros c�bicos est�ndar de gas seco, temperatura de gas seco y flujo de glicol que se pierde. Se realizaron experimentaciones para obtener un conjunto de 100 pares de datos para el entrenamiento y validaci�n de la RNA. El software que se emple� fue MATLAB y se dise�� una RNA con 7 neuronas ocultas que se entren� con el algoritmo de la regularizaci�n Bayesian. El MSE que se obtuvo en la fase de prueba fue de 5.384e-04 con un coeficiente de regresi�n de 0,997. Para la validaci�n de la red se realiz� un an�lisis estad�stico con un conjunto de 20 datos adicionales, tomando en cuenta las mismas variables empleadas para el dise�o. Se concluy� que con los resultados obtenidos no existi� una diferencia significativa entre los valores experimentales y los valores predichos por la RNA con una confiabilidad del 95% y por tal raz�n puede ser empleada para la predicci�n en procesos de deshidrataci�n de gas natural.

Palabras clave: ARN; DWSIM; gas natural; deshidrataci�n; simulaci�n.

 

Abstract

In the present work, an RNA that can predict the most important outputs in the natural gas dehydration process by absorption with TEG was worked on. For the creation of the RNA, a sensitivity analysis was developed, through which the outputs of the process were determined, which were: fraction of water in the gas at the outlet, expressed in milligrams of water per standard cubic meters of dry gas, temperature of dry gas and glycol flow that is lost. Experiments were carried out to obtain a set of 100 pairs of data for the training and validation of the ANN. The software used was MATLAB and an ARN with 7 hidden neurons was developed and trained with the Bayesian regularization algorithm. The MSE obtained in the test phase was 5,384e-04 with a regression coefficient of 0.997. For the validation of the network, a statistical analysis was performed with a set of 20 additional data, taking into account the same variables used for the design. It was concluded that with the results obtained there was no significant difference between the experimental values ​​and the values ​​predicted by the RNA with a reliability of 95% and for this reason it can be used for the prediction in natural gas dehydration processes.

Keywords: ANN; DWSIM; natural gas; dehydration; simulation.

 

Resumo

Neste trabalho, uma ANN foi concebida para prever os resultados mais importantes no processo de desidrata��o de g�s natural por absor��o com TEG. Para a cria��o da ANN, foi desenvolvida uma an�lise de sensibilidade, atrav�s da qual foram determinadas as sa�das do processo: frac��o de �gua no g�s � sa�da, expressa em miligramas de �gua por metro c�bico padr�o de g�s seco, temperatura do g�s seco e taxa de fluxo de glicol perdido. Foram realizadas experi�ncias para obter um conjunto de 100 pares de dados para forma��o e valida��o da ANN. O software utilizado foi o MATLAB e um ANN com 7 neur�nios escondidos foi concebido e treinado com o algoritmo de regulariza��o Bayesian. O MSE obtido na fase de teste foi de 5,384e-04 com um coeficiente de regress�o de 0,997. Para a valida��o da rede, foi realizada uma an�lise estat�stica com mais 20 conjuntos de dados, tendo em conta as mesmas vari�veis utilizadas para o desenho. Concluiu-se que com os resultados obtidos n�o houve diferen�a significativa entre os valores experimentais e os valores previstos pela ANN com uma fiabilidade de 95% e por este motivo pode ser utilizada para a previs�o de processos de desidrata��o de g�s natural.

Palavras-chave: RNA; DWSIM; g�s natural; desidrata��o; simula��o.

 

Introducci�n

El desarrollo de la industria petrolera trae consigo diversas formas de contaminaci�n, que modifican el equilibrio del medio ambiente. La principal causa es la combusti�n de combustibles f�siles como petr�leo, carb�n, diesel, gasolina, provocando emisiones peligrosas que causan el efecto invernadero, la lluvia �cida y el smog. La composici�n del gas natural es irregular, pero su componente principal es el metano con un porcentaje m�nimo de hasta el 88,5%, el resto de sustancias se encuentran en forma de gas o como l�quidos.

�Existen diversas formas de realizar la deshidrataci�n del gas, como: la absorci�n con glicoles, adsorci�n con tamices moleculares, delicuescencia, expansi�n-refrigeraci�n, permeaci�n del gas y la tecnolog�a Twister�. (Rib�n, 2010).

El m�todo de absorci�n con absorbentes como el Trietilenglicol (TEG) ha sido el m�s utilizado en la producci�n industrial, que consta de dos fases. La primera es la absorci�n del agua presente en el gas h�medo mediante un absorbedor, mientras que la segunda fase es la desorci�n del agua que queda atrapada en el solvente, paso que se da en una columna de destilaci�n denominada regenerador. Esta segunda etapa es la m�s importante porque si no elimina el agua del glicol al momento que se d� su recirculaci�n afectar�a directamente a la calidad del gas (Yu et al., 2017).

Bahadori & Vuthaluru, (2009) determinaron una correlaci�n f�cil en la que se puede determinar la ca�da del punto de roc�o que se dar� a partir de una determinada concentraci�n de TEG y temperatura de la torre de absorci�n, sabiendo que los puntos de roc�o dependen de la velocidad de circulaci�n del TEG y n�mero de etapas en el equilibrio. Adem�s, Bahadori & Vuthaluru, (2009b) desarrollaron un m�todo para dimensionar la torre de absorci�n para una variedad de condiciones iniciales, mediante ecuaciones algebraicas de f�cil resoluci�n pudo correlacionar la eficiencia de remoci�n de agua en funci�n de la velocidad de circulaci�n del TEG como tambi�n de su concentraci�n.

Simulaci�n de procesos de deshidrataci�n de gas natural

En la actualidad, la simulaci�n es una herramienta �til para analizar una variedad de problemas en investigaci�n, s�ntesis de productos y desarrollo de procesos de producci�n (Mostaccio, 2007). C. et al., (2015) realizaron la simulaci�n de una planta de deshidrataci�n de gas natural por absorci�n convencional utilizando el software Aspen HYSYS. Con su trabajo determinaron que se requiere de un m�nimo de 53 litros/hora de TEG para producir un gas seco con 6,455 lb/MMSCF D (libras de agua por mill�n de pies c�bicos est�ndar diarios de gas procesado). Para ello fueron variando el flujo de TEG y encontraron que una tasa mayor a 70 litros/hora no generar�a un mayor valor financiero al gas seco.

El Mawgoud et al., ( 2015) mediante el uso de la simulaci�n desarrollaron una renovaci�n de la planta de deshidrataci�n �Akik� ubicada en Egipto logrando reducir menor consumo de energ�a para el funcionamiento del proceso, as� como tambi�n menor costo de inversi�n en los equipos.

Por otro lado, Nmegbu (2014) realiz� una simulaci�n en HYSYS para determinar los par�metros m�s influyentes en el procesos de deshidrataci�n de gas natural. Los par�metros que analiz� fueron: tasa de circulaci�n de glicol, n�mero de platos en la torre de absorci�n, temperatura del calder�n, tasa de extracci�n de gas. Las condiciones iniciales se obtuvieron de una planta de deshidrataci�n ubicada en N�ger. Mediante la prueba se determin� que una temperatura mayor a los 200�C en el calder�n ocasiona la descomposici�n del glicol. Por otra parte, la utilizaci�n de gas de arrastre genera un efecto mayor que solamente aumentar la temperatura del reboiler. Para obtener una m�xima eficiencia es recomendable que el gas de arrastre ingrese a la columna despu�s de que se haya eliminado el glicol en el hervidor.

Redes neuronales aplicados a procesos qu�micos

Respecto al uso de redes neuronales artificiales (RNAs), Mohammadi & Richon, (2007) utilizaron RNAs para determinar el contenido de agua en el gas natural a bajas temperaturas y presiones elevadas. Debido a que el contenido de agua que existe en esas condiciones es muy peque�o por lo que los modelos cl�sicos presentaban una menor precisi�n para determinar dicho valor.

Adem�s, Darwish & Hilal (2008) utilizaron RNAs para detectar las fallas en una planta de deshidrataci�n de gas natural analizando las perturbaciones de la torre de absorci�n, la torre de destilaci�n (regenerador) y para la planta en general. Determinaron que la principal falla en la torre de absorci�n se da por concentraciones anormales de BTEX (benceno, tolueno, etilbenceno y xileno) en el glicol que sale de la torre. En el regenerador encontraron que las fallas se dan por emisiones de TEG y BTEX y en menor medida por COVs (compuestos org�nicos vol�tiles). Por �ltimo, para la planta general se determin� que las principales fallas son por las tres respuestas anteriormente mencionadas en los equipos analizados.

Por otro lado, Ghiasi et al., (2014) notaron que la obtenci�n de glicol de alta pureza conllevaba diferentes inconvenientes, por lo que estudiaron el efecto de la presi�n y temperatura en el recalentador utilizando RNAs a fin de obtener una mayor pureza de TEG. Los resultados mostraron que al modificar la temperatura (149�C a 204�C ) y presi�n (67 kPa a 122 kPa ) llegaron a obtener hasta una pureza del 99,8% de TEG con una desviaci�n absoluta promedio de 0,30%.

Ghiasi et al., (2015) aplicaron redes neuronales MLP (perceptr�n multicapa) y una LSSVM (algoritmo de m�quina de vectores de soporte de m�nimos cuadrados) y establecieron que la inyecci�n de gas arrastre en el rehervidor es una manera eficaz de aumentar la pureza del TEG.

Ahmadi et al., (2014) desarrollaron un m�todo confiable para estimar el punto de roc�o del agua presente en una corriente de gas natural a diferentes concentraciones y temperaturas de TEG, aplicando RNAs del tipo PSO (optimizaci�n de enjambre de part�culas) y el BP (retropropagaci�n). Su trabajo determin� que la red entrenada con el algoritmo PSO present� una mejor precisi�n en la predicci�n del punto de roc�o del agua respecto al algoritmo BP. Por otro lado, Afshin et al., (2016) tambi�n desarroll� un m�todo con el cual determinar la temperatura del punto de roc�o del gas, usando el perceptr�n multicapa y la red neuronal de funci�n en base radial (RBF-RNA). Determinaron que el modelo MLP muestra una superioridad sobre el modelo RBF y tambi�n sobre los modelos propuestos por (26)

Como puede notarse existen varias investigaciones que aplican RNAs en procesos de deshidrataci�n de gas natural, pero, en la mayor�a determinan la concentraci�n del glicol y el punto de roc�o del gas. En este sentido, este trabajo desarrolla una RNA que pueda predecir la p�rdida de glicol del regenerador, la cantidad de agua y temperatura presente en el gas seco. Una de las ventajas de crear una RNA es que, mediante su validaci�n, se desarrolla una herramienta que puede sustituir el proceso de la obtenci�n de datos por investigaci�n y/o simulaci�n que en ocasiones resultaba un proceso tedioso y costoso. La ventaja sobre la simulaci�n es que ANN puede aprender directamente de un proceso y dar tiempos de respuesta m�s cortos, lo que permite modelar los sistemas de una manera m�s compleja y realista (S�nchez-Escalona et al., 2018; Ye et al., 2019).

 

Metodolog�a

Descripci�n del Proceso

En la Figura 1 se muestra el proceso de deshidrataci�n de gas natural por absorci�n con TEG, basado en la propuesta de (18). Los equipos principales son: Torre de absorci�n (ABS-01), separador flash (SEP-01), columna de destilaci�n (regenerador) y un �stripper�, adicionalmente se usaron calentadores, enfriadores y bombas, a fin de obtener las temperaturas y presiones requeridas del proceso.

El gas natural ingresa a la torre de absorci�n por la parte inferior mientras que el TEG lo hace por la parte superior. El gas seco sale de la torre por arriba y el glicol rico en agua por abajo. A continuaci�n, se lleva a cabo el proceso de recuperaci�n del TEG. El glicol rico se dirige al condensador del regenerador en el que aumenta su temperatura y con ello se pueda liberar de hidrocarburos ligeros en el separador flash, despu�s ingresa a la torre de regeneraci�n para desprenderse del contenido de agua que ha acumulado. Una vez que se elimina la mayor cantidad de agua, el glicol se dirige al �stripper�, y es aqu�, donde a trav�s de la inyecci�n de gas de arrastre se logra eliminar una cantidad extra de agua para que el gas alcance una pureza del 99,5 %. El glicol pobre sale del stripper por la parte inferior y se recircula, pero antes de llegar a la torre de absorci�n pasa por un mezclador donde se le agrega glicol de reposici�n (Make-up) para solventar las p�rdidas que se producen en el proceso, principalmente en el regenerador.

La principal ventaja de colocar el �stripper� respecto al proceso convencional es poder elevar la pureza del TEG, que sin este equipo solo alcanzar�a un 99 % lo cual repercutir� directamente con la calidad de gas seco obtenido.

Los datos de alimentaci�n de gas natural, TEG y gas de arrastre, como tambi�n las condiciones de operaci�n de los equipos usados se tomar�n de (18), los mismos que se detallan en las Tablas 1-5.

 

Tabla 1: Condiciones de la alimentaci�n de gas natural

Fuente: Autores, 2022

 

 

Tabla 2: Condiciones de operaci�n de la torre de absorci�n (ABS-01)

Fuente: Autores, 2022

 

 

Tabla 3: Condiciones de operaci�n del separador (SEP-01)

Fuente: Autores, 2022

 

 

Tabla 4: Condiciones de operaci�n de la torre de destilaci�n (Regenerador)

Fuente: Autores, 2022

 

Figura 1: Simulaci�n del proceso de deshidrataci�n de gas natural por absorci�n con TEG en DWSIM

 

 

Fuente: Autores,2022

 

 

Tabla 5: Condiciones de operaci�n de los heaters, coolers y la bomba

Fuente: Autores, 2022

 

 

Simulaci�n en DWSIM

La propuesta se desarrollar� mediante el uso del software de c�digo abierto DWSIM, (28) que cuenta con una rica interfaz gr�fica de usuario donde se pueden simular diferentes tipos de procesos qu�micos. Mediante este software se podr� reproducir virtualmente el proceso mejorado de deshidrataci�n de gas natural con TEG y obtener el conjunto de datos necesarios para la creaci�n de la red neuronal.

Mediante una revisi�n bibliogr�fica (Dimian et al., 2014; Kiss, 2013; Soave et al., 2010) se determin� que los paquetes termodin�micos m�s id�neos para el proceso son: Peng-Robinson, NRTL y UNIQUAC, por lo tanto, para el desarrollo de la simulaci�n se emple� una combinaci�n de los 3 paquetes termodin�micos mencionados, tanto para los equipos y las l�neas de flujo, con el prop�sito de lograr una mejor aproximaci�n de los resultados.

An�lisis de Sensibilidad

Se tomar�n en cuenta 3 variables de salida espec�ficas, las mismas que a criterio personal son las m�s importantes del proceso: temperatura de gas seco, fracci�n de agua en el gas seco y flujo de glicol perdido en el regenerador, mientras que las variables de entrada se las obtendr� a partir de un an�lisis de sensibilidad mostrado en la Tabla 6.

 

Tabla 6: Resultados del an�lisis de sensibilidad

Fuente: Autores, 2022

 

 

Con base en los an�lisis de la Tabla 6, se opt� por trabajar con una pureza constante del glicol, por lo que se elimin� la recirculaci�n del TEG, tanto el calor del reboiler como el calor del condensador no mostraron influencia en la temperatura de gas seco ni en la fracci�n de agua a la salida debido a la eliminaci�n de la recirculaci�n, las variables que mostraron m�s cambio en los resultados respecto a los valores �ptimos del proceso son la temperatura inicial del gas, presi�n del absorbedor y el calor del reboiler.

Dise�o y entrenamiento de la RNA

Despu�s del an�lisis sensibilidad, se realiz� el dise�o de la RNA (Figura 2) con tres (3) variables de entrada: temperatura inicial del gas natural, presi�n del absorbedor y el calor del reboiler; y tres (3) variables de salida: temperatura de gas seco, fracci�n de agua en el gas seco expresado en miligramos de agua por metro c�bico est�ndar de gas seco (mg_agua/Sm³_{gas seco}) y flujo de glicol perdido en el regenerador.

Una vez validado el proceso de la simulaci�n en DWSIM, se procedi� a generar una base de 120 datos, mismos que proven�an de la variaci�n de los par�metros operaci�n y/o funcionamientos seleccionados para el estudio. En la Tabla 7, se detalla el rango de variaci�n de las entradas.

 

Figura 2: RNA dise�ada

Fuente: Autores, 2022

 

 

 

Tabla 7: Variables de entrada y restricciones de la RNA

Fuente: Autores, 2022

 

 

Con base en el estudio de Chen et al., (2020), para el entrenamiento de la red, se utiliz� el 70 % del total de pares de datos (100 conjuntos de datos), mientras que el 30 % (20 conjuntos de datos) se utiliz� para realizar una prueba para validar su nivel de aprendizaje. El entrenamiento de la ARN ajusta los pesos de las conexiones entre las neuronas para que la ARN haga predicciones adecuadas con respecto a los datos de salida objetivo. La validaci�n mide los errores de predicci�n de la ANN para evaluar su rendimiento. El proceso de prueba eval�a la predicci�n de ANN usando pares de datos que no se usaron en el proceso de entrenamiento (Chuquin-Vasco et al., 2021).

Para validar la red neuronal artificial y demostrar la confiabilidad del modelo para la predicci�n de las principales fracciones molares en el sistema alternativo se utilizaron los indicadores de desempe�o: error cuadr�tico medio (MSE) y coeficiente de regresi�n lineal (R) mediante las Ec. (1) y Ec. (2) y adicionalmente un an�lisis de varianza ANOVA.

 

Donde n es el n�mero de observaciones; y, son los resultados reales (salidas de la simulaci�n en DWSIM); y' son los resultados predichos (salidas de la ARN).

Descripci�n de la metodolog�a

La primera parte del trabajo es realizar la simulaci�n del proceso que se muestra en la Fig 1, bas�ndose en las condiciones de los flujos de entrada y par�metros de los equipos que se especificaron anteriormente. Posterior a eso, se hace el an�lisis de sensibilidad a fin de determinar las variables de entrada y salida que se ocuparan para crear la RNA. Finalmente, se realiza el entrenamiento y validaci�n de la RNA mediante un an�lisis estad�stico con el objetivo de evaluar su capacidad de predicci�n. La Fig. 3 ilustra el diagrama de flujo de la metodolog�a.

 

Figura 3: Metodolog�a de la RNA dise�ada

Fuente: Autores, 2022

 

 

Resultados

Validaci�n de la simulaci�n

Para la creaci�n de la RNA es necesario validar los resultados de la simulaci�n en DWSIM con bibliograf�a. Es por eso, que se opt� por utilizar el trabajo hecho por Chebbi et al., (2019) para la validaci�n. En las Tablas 8-10 se detalla la comparaci�n de los resultados de la validaci�n.

 

Tabla 8: Validaci�n de la simulaci�n (Gas a almacenar)

Fuente: Autores, 2022

Tabla 9: Validaci�n de la simulaci�n (Salida del Agua)

Fuente: Autores, 2022

 

 

Tabla 10: Validaci�n de la simulaci�n (TEG-REC)

Fuente: Autores, 2022

 

 

Selecci�n del n�mero de neurona en la capa oculta

Despu�s de seguir un enfoque de prueba y error combinado el m�todo de generaci�n din�mica y a su vez con base en el mejor coeficiente de determinaci�n R del entrenamiento.

En la Tabla 11, se resumen los ensayos seleccionados con los valores correspondientes de correlaci�n lineal (R) y de error cuadr�tico medio (MSE) para varias topolog�as de red. En base al an�lisis, luego del proceso de entrenamiento, se determina que la estructura �ptima de la RNA (MSE min =7.56E-4 y R m�x = 0.997) emplea el algoritmo regularizaci�n bayesiana (BR) y tiene una capa oculta con 10 neuronas. La ventaja de un algoritmo BR es su capacidad para predecir relaciones complejas y su capacidad para tomar decisiones menos sesgadas (Garoosiha et al., 2019; Suliman & Omarov, 2018).

 

 

 

 

 

Tabla 11: Valores de R y MSE para determinar el n�mero �ptimo de neuronas en la capa oculta

Fuente: Autores, 2022

 

 

Entrenamiento y fase de evaluaci�n de la RNA

Las principales pruebas de validaci�n para la modelaci�n de procesos son el error cuadr�tico medio (MSE) y el coeficiente de correlaci�n lineal R. La Tabla 12 muestra el valor de los par�metros para las fases de entrenamiento y prueba de la RNA.

 

Tabla 12: Valores de R y MSE de la RNA dise�ada para el proceso

Fuente: Autores, 2022

 

 

Como se observa en la Tabla 12 los valores del MSE son muy cercanos a 0 y el R est� pr�ximo al 1, lo que sugiere que la RNA funciona de forma adecuada y que las predicciones se realizan con gran precisi�n. Las Figuras 4 y 5 muestran la evoluci�n del MSE y R respectivamente.

 

 

 

 

Figura 4: Evoluci�n del MSE en la RNA

Fuente: Autores,2022

 

 

Figura 5: R de la etapa de entrenamiento, evaluaci�n y global de la RNA

Fuente: Autores,2022

 

 

 

Modelo de predicci�n de la RNA

Las Figuras 6, 7, 8 muestran las predicciones (RNA) y los valores experimentales (DWSIM) para la temperatura de gas seco, los miligramos de agua por metro c�bico est�ndar de gas seco y el flujo de glicol perdido. Se puede evidenciar que las diferencias existentes entre dichos valores (predichos y reales) son despreciables.

 

Figura 6: Comparaci�n entre las experimentaciones (DWSIM) y las predicciones (RNA) del residuo de agua en el gas seco

Fuente: Autores,2022

 

 

Figura 7: Comparaci�n entre las experimentaciones (DWSIM) y las predicciones (RNA) de la temperatura del gas seco

Fuente: Autores,2022

 

 

 

Figura 8: Comparaci�n entre las experimentaciones (DWSIM) y las predicciones (RNA) del flujo de TEG

Fuente: Autores,2022

 

 

Como se observa en la Figura 8 hay una mayor dispersi�n de los valores respecto a las Figuras 6-7, esto se debe a la presencia de datos at�picos que incluyen valores negativos o excesivamente peque�os que se obtuvieron por parte de la RNA. El error porcentual promedio en la predicci�n del flujo de TEG fue de 8.96%, mientras que para los mg_H2O/Sm³_{gas seco} el error fue de: 6,57% y para la temperatura de gas seco fue de 0,39%.

Validaci�n de la RNA

La capacidad predictiva de la RNA de la se prob� con un conjunto de 20 datos de entrada aleatorios desconocidos por la RNA. Los resultados (Figuras 9 � 11) muestran una superposici�n entre los datos experimentales (DWSIM) y las predicciones (RNA). Esto indica que ANN tiene una buena capacidad predictiva de las salidas analizadas. Sin embargo, se pueden observar datos at�picos. Por tal raz�n, se desarroll� un an�lisis estad�stico ANOVA para validar estad�sticamente la funcionalidad de la RNA dise�ada. La Tabla 13 muestra los resultados de ANOVA, para todos los casos, los valores P (P-value) son mayores que 0.05, lo que indica que no existe una diferencia estad�sticamente significativa entre las medias de las observaciones y las predicciones. Estas pruebas estad�sticas revelan que la ANN construida es estad�sticamente v�lida para la predicci�n del flujo de TEG, mg_H2O/Sm³_{gas seco} y la temperatura del gas seco.

 

Figura 9: Validaci�n de la RNA en la predicci�n del residuo de agua en el gas seco

Fuente: Autores,2022

 

 

Figura 10: Validaci�n de la RNA en la predicci�n de la temperatura del gas seco

Fuente: Autores,2022

 

 

 

 

 

 

 

Figura 11: Validaci�n de la RNA en la predicci�n del flujo de TEG

Fuente: Autores,2022

 

 

Tabla 13: ANOVA

Fuente: Autores, 2022

 

 

Conclusiones

En el presente trabajo se dise�� una RNA con la finalidad de predecir productos en el proceso de deshidrataci�n de gas natural por absorci�n con Trietilenglicol, a partir de un conjunto 120 datos obtenidos por simulaci�n en DWSIM. Las entradas y salidas de la RNA se determinaron a partir de un an�lisis de sensibilidad dando como resultado 3 variables de entrada y 3 de salida.

La RNA fue entrenada con el algoritmo de la regularizaci�n Bayesiana con 10 neuronas ocultas. El MSE y R calculados fueron de 5.382E-04 y 0,996 respectivamente. Adicionalmente se valid� la red mediante un an�lisis ANOVA comparando los valores simulados y los valores predichos, y bas�ndose en los resultados se deduce que con un nivel de significancia del 95% no existe una diferencia significativa entre los valores simulados y los predichos, por lo que se acepta la RNA creada y se recomienda su uso para procesos de deshidrataci�n de gas natural por absorci�n con TEG.

 

Referencias

1.      Afshin, T., Ali, B. H., Hossein, M., Saeid, N., Meysam, B., Moonyong, L., Alireza, B., & Adel, N. M. (2016). Prediction of water formation temperature in natural gas dehydrators using radial basis function (RBF) neural networks. Natural Gas Industry B, 3(2), 173�180. https://doi.org/10.1016/j.ngib.2016.06.002

2.      Ahmadi, M. A., Soleimani, R., & Bahadori, A. (2014). A computational intelligence scheme for prediction equilibrium water dew point of natural gas in TEG dehydration systems. Fuel, 137(August), 145�154. https://doi.org/10.1016/j.fuel.2014.07.072

3.      Bahadori, A., & Vuthaluru, H. B. (2009a). Rapid estimation of equilibrium water dew point of natural gas in TEG dehydration systems. Journal of Natural Gas Science and Engineering, 1(3), 68�71. https://doi.org/10.1016/j.jngse.2009.08.001

4.      Bahadori, A., & Vuthaluru, H. B. (2009b). Simple methodology for sizing of absorbers for TEG (triethylene glycol) gas dehydration systems. Energy, 34(11), 1910�1916. https://doi.org/10.1016/j.energy.2009.07.047

5.      C., E. C., N., U. C., E., O. E., & J., I. O. (2015). Natural Gas Dehydration With Triethylene Glycol (Teg). European Scientific Journal, 11(30), 1857�7881. https://eujournal.org/index.php/esj/article/view/6352

6.      Chebbi, R., Qasim, M., & Abdel Jabbar, N. (2019). Optimization of triethylene glycol dehydration of natural gas. Energy Reports, 5, 723�732. https://doi.org/10.1016/j.egyr.2019.06.014

7.      Chen, Y., Song, L., Liu, Y., Yang, L., & Li, D. (2020). A review of the artificial neural network models for water quality prediction. Applied Sciences (Switzerland), 10(17). https://doi.org/10.3390/app10175776

8.      Chuquin-Vasco, D., Parra, F., Chuquin-Vasco, N., Chuquin-Vasco, J., & Lo-iacono-, V. (2021). Prediction of methanol production in a carbon dioxide hydro- genation plant using neural networks .

9.      Darwish, N. A., & Hilal, N. (2008). Sensitivity analysis and faults diagnosis using artificial neural networks in natural gas TEG-dehydration plants. Chemical Engineering Journal, 137(2), 189�197. https://doi.org/10.1016/j.cej.2007.04.008

10.  Dimian, A. C., Bildea, C. S., & Kiss, A. A. (2014). Introduction in Process Simulation. In Integrated Design and Simulation of Chemical Processes (Second, Vol. 35, pp. 35�71). Elsevier. https://doi.org/10.1016/B978-0-444-62700-1.00002-4

11.  El Mawgoud, H. A., Elshiekh, T. M., & Khalil, S. A. (2015). Process simulation for revamping of a dehydration gas plant. Egyptian Journal of Petroleum, 24(4), 475�482. https://doi.org/10.1016/j.ejpe.2015.01.001

12.  Garoosiha, H., Ahmadi, J., & Bayat, H. (2019). The assessment of Levenberg�Marquardt and Bayesian Framework training algorithm for prediction of concrete shrinkage by the artificial neural network. Cogent Engineering, 6(1). https://doi.org/10.1080/23311916.2019.1609179

13.  Ghiasi, M. M., Bahadori, A., & Zendehboudi, S. (2014). Estimation of triethylene glycol (TEG) purity in natural gas dehydration units using fuzzy neural network. Journal of Natural Gas Science and Engineering, 17, 26�32. https://doi.org/10.1016/j.jngse.2013.12.008

14.  Ghiasi, M. M., Bahadori, A., Zendehboudi, S., & Chatzis, I. (2015). Rigorous models to optimise stripping gas rate in natural gas dehydration units. Fuel, 140(October), 421�428. https://doi.org/10.1016/j.fuel.2014.09.084

15.  Kiss, A. A. (2013). Advanced distillation technologies - Design, Control and Applications (J. Wiley (ed.); First). Wiley. https://studylib.es/doc/8807869/-anton-a.-kiss--advanced-distillation-technologies-z-lib

16.  Mohammadi, A. H., & Richon, D. (2007). Use of artificial neural networks for estimating water content of natural gases. Industrial and Engineering Chemistry Research, 46(4), 1431�1438. https://doi.org/10.1021/ie060494u

17.  Mostaccio, D. J. (2007). Simulaci�n de altas prestaciones para modelos orientados al individuo. 146. http://scholar.google.com/scholar?hl=en&btnG=Search&q=intitle:Simulacion+de+altas+prestaciones+para+modelos+orientados+al+individuo#0

18.  Nmegbu Chukwuma Godwin Jacob. (2014). Optimization of Triethylene Glycol (Teg) Dehydration in a Natural Gas Processing Plant. International Journal of Research in Engineering and Technology, 03(06), 346�350. https://doi.org/10.15623/ijret.2014.0306064

19.  Rib�n, H. (2010). M�todos De Deshidrataci�n De Gas Natural. Revista �, 8, 55�64. http://revistas.uis.edu.co/index.php/revistafuentes/article/view/1633

20.  S�nchez-Escalona, A. A., G�ngora-Leyva, E., & Zalazar-Oliva, C. (2018). Predicci�n de la resistencia t�rmica de las incrustaciones en los enfriadores de �cido sulfh�drico. Miner�a y Geolog�a, 34(3), 90�100. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1993-80122018000300008&lng=es&nrm=iso&tlng=es

21.  Soave, G., Gamba, S., & Pellegrini, L. A. (2010). SRK equation of state: Predicting binary interaction parameters of hydrocarbons and related compounds. Fluid Phase Equilibria, 299(2), 285�293. https://doi.org/10.1016/j.fluid.2010.09.012

22.  Suliman, A., & Omarov, B. (2018). Applying Bayesian Regularization for Acceleration of Levenberg Marquardt based Neural Network Training. International Journal of Interactive Multimedia and Artificial Intelligence, 5(1), 68. https://doi.org/10.9781/ijimai.2018.04.004

23.  Ye, R. P., Ding, J., Gong, W., Argyle, M. D., Zhong, Q., Wang, Y., Russell, C. K., Xu, Z., Russell, A. G., Li, Q., Fan, M., & Yao, Y. G. (2019). CO2 hydrogenation to high-value products via heterogeneous catalysis. In Nature Communications (Vol. 10, Issue 1). Springer US. https://doi.org/10.1038/s41467-019-13638-9

24.  Yu, G., Dai, C., Wu, L., & Lei, Z. (2017). Natural Gas Dehydration with Ionic Liquids. Energy and Fuels, 31(2), 1429�1439. https://doi.org/10.1021/acs.energyfuels.6b02920

 

 

 

 

 

 

 

 

 

 

 

 

 

� 2022 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).