Predicción de la producción de metanol en una planta de hidrogenación de dióxido de carbono mediante redes neuronales

Autores/as

DOI:

https://doi.org/10.23857/dc.v7i6.2357

Palabras clave:

Ingeniería y tecnología química, simulación, DWSIM, hidrogenación de dióxido de carbono, ARN.

Resumen

El objetivo de este trabajo de investigación fue diseñar una red neuronal original (RNA) para predecir el flujo de metanol de una planta de deshidrogenación de dióxido de carbono. Para el desarrollo de ARN se generó una base de datos en el software abierto de simulación DWSIM. í‰sta se realizó a partir de la validación de un proceso industrial descrito en la literatura. El tamaño de la muestra consistió en 133 pares de datos con 4 entradas: presión y temperatura del reactor, flujo mósico de dióxido de carbono e hidrógeno, y una salida: flujo de metanol. La red fue de tipo perceptrón y se diseñó utilizando 12 neuronas en una capa oculta en su arquitectura, se entrenó con el algoritmo de regularización bayesiana para el entrenamiento de Levenberg-Marquardt. Se obtuvo un valor cuadrótico medio (MSE) de 0,0085 y un coeficiente de regresión total de 0,9442. La red fue validada mediante el anólisis de varianza (ANOVA) lo que indica que la ARN diseñada es estadí­sticamente vólida y puede ser utilizada para predecir el flujo de metanol a la salida de la planta de deshidrogenación y puede ser utilizada como herramienta para la mejora continua de este tipo de procesos. Se recomienda añadir la presión de separación en la zona de recirculación como parómetro de entrada como forma de obtener un resultado mós cercano a la realidad.

Biografía del autor/a

Raúl Leandro Dávalos Monteiro, Escuela Superior Politécnica de Chimborazo (ESPOCH), Riobamba,

Ingeniero Químico, Master of Science Corrosión, PhD Materials Science, Facultad de Ciencias, Escuela Superior Politécnica de Chimborazo (ESPOCH), Riobamba, Ecuador.

Mabel Mariela Parada Rivera, Superior Politécnica de Chimborazo (ESPOCH), Riobamba,

Ingeniera Química, Magister Scientiae en Ingeniería Química, Magíster en Protección Ambiental, Facultad de Ciencias, Escuela Superior Politécnica de Chimborazo (ESPOCH), Riobamba, Ecuador.

Jimena Alexandra Macas Macas, Investigadora Independiente, Riobamba,

Ingeniera Química, Investigadora Independiente, Riobamba, Ecuador.

Citas

Ahmad, K., & Upadhyayula, S. (2020). Kinetics of CO2 hydrogenation to methanol over silica supported intermetallic Ga3Ni5 catalyst in a continuous differential fixed bed reactor. International Journal of Hydrogen Energy, 45(1), 1140-1150.

Alemany-Arrebola, L. J., Jimí©nez Martí­n, J. M., Herrera-Delgado, M. C., Larrubia-Vargas, M. á., & Cortí©s Reyes, M. (2019). Ni-Ga no soportado como catalizador para la hidrogenación de CO2 a presión atmosfí©rica.

Azzolina-Jury, F., Bento, D., Henriques, C., & Thibault-Starzyk, F. (2017). Chemical engineering aspects of plasma-assisted CO2 hydrogenation over nickel zeolites under partial vacuum. Journal of CO2 Utilization, 22, 97-109.

Bussche, K. V., & Froment, G. F. (1996). A steady-state kinetic model for methanol synthesis and the water gas shift reaction on a commercial Cu/ZnO/Al2O3Catalyst. Journal of catalysis, 161(1), 1-10.

CuiQing, G. M. L., & ShaoMei, R. E. N. (2004). ChemCAD software and application in chemical engineering course design [J]. Computers and Applied Chemistry, 5.

Dimian, A. C., Bildea, C. S., & Kiss, A. A. (2014). Integrated design and simulation of chemical processes. Elsevier 24, 10-21.

Do, T. N., & Kim, J. (2019). Process development and techno-economic evaluation of methanol production by direct CO2 hydrogenation using solar-thermal energy. Journal of CO2 Utilization, 33, 461-472.

Faizollahzadeh Ardabili, S., Najafi, B., Shamshirband, S., Minaei Bidgoli, B., Deo, R. C., & Chau, K. W. (2018). Computational intelligence approach for modeling hydrogen production: A review. Engineering Applications of Computational Fluid Mechanics, 12(1), 438-458.

Fang, X., Men, Y., Wu, F., Zhao, Q., Singh, R., Xiao, P., ... & Webley, P. A. (2019). Moderate-pressure conversion of H2 and CO2 to methanol via adsorption enhanced hydrogenation. International Journal of Hydrogen Energy, 44(39), 21913-21925.

Fang, X., Men, Y., Wu, F., Zhao, Q., Singh, R., Xiao, P., ... & Webley, P. A. (2019). Promoting CO2 hydrogenation to methanol by incorporating adsorbents into catalysts: effects of hydrotalcite. Chemical Engineering Journal, 378, 122052.

Groppo, E., Estephane, J., Lamberti, C., Spoto, G., & Zecchina, A. (2007). Ethylene, propylene and ethylene oxide in situ polymerization on the Cr (II)/SiO2 system: A temperature-and pressure-dependent investigation. Catalysis today, 126(1-2), 228-234.

Hattori, T., & Kito, S. (1995). Neural network as a tool for catalyst development. Catalysis Today, 23(4), 347-355.

Kiss, A. A. (2013). Advanced distillation technologies: design, control and applications. John Wiley & Sons 4, 13-17.

Kiss, A. A., Pragt, J. J., Vos, H. J., Bargeman, G., & De Groot, M. T. (2016). Novel efficient process for methanol synthesis by CO2 hydrogenation. Chemical engineering journal, 284, 260-269.

Leonzio, G., Zondervan, E., & Foscolo, P. U. (2019). Methanol production by CO2 hydrogenation: analysis and simulation of reactor performance. International Journal of Hydrogen Energy, 44(16), 7915-7933.

Li, H., Zhang, Z., & Liu, Z. (2017). Application of artificial neural networks for catalysis: a review. Catalysts, 7(10), 306.

Li, S., Guo, L., & Ishihara, T. (2020). Hydrogenation of CO2 to methanol over Cu/AlCeO catalyst. Catalysis Today, 339, 352-361.

Liu, Y., Liu, Y., Liu, D., Cao, T., Han, S., & Xu, G. (2001). Design of CO2 hydrogenation catalyst by an artificial neural network. Computers & Chemical Engineering, 25(11-12), 1711-1714.

Martí­neza, J. A. T., Garcí­ab, R. R., Gonzálezc, J. F., Handyd, B. E., & Escamillaa, G. A. F. (2017). hidrogenación de co2 utilizando catalizadores de rh soportado en nanotubos de TiO2.

Monteiro, R. L. D., & Ananda, S. D. (2017). Pitting corrosion of type 304 stainless steel and sulfate inhibition effect in chloride containing environments. Revista Tecnológica-ESPOL, 30(3)

Nguyen, T. B., & Zondervan, E. (2019). Methanol production from captured CO2 using hydrogenation and reforming technologies_ environmental and economic evaluation. Journal of CO2 Utilization, 34, 1-11.

Pisello, A. L., Petrozzi, A., Castaldo, V. L., & Cotana, F. (2016). On an innovative integrated technique for energy refurbishment of historical buildings: Thermal-energy, economic and environmental analysis of a case study. Applied Energy, 162, 1313-1322.

Sadeghinia, M., Rezaei, M., Kharat, A. N., Jorabchi, M. N., Nematollahi, B., & Zareiekordshouli, F. (2020). Effect of In2O3 on the structural properties and catalytic performance of the CuO/ZnO/Al2O3 catalyst in CO2 and CO hydrogenation to methanol. Molecular Catalysis, 484, 110776.

Sánchez-Escalona, A. A., Góngora-Leyva, E., & Zalazar-Oliva, C. (2018). Predicción de la resistencia tí©rmica de las incrustaciones en los enfriadores de ácido sulfhí­drico. Minerí­a y Geologí­a, 34(3), 348-362..

Schefflan, R. (2016). Teach yourself the basics of Aspen Plus. John Wiley & Sons.

Sun, Y., Yang, G., Wen, C., Zhang, L., & Sun, Z. (2018). Artificial neural networks with response surface methodology for optimization of selective CO2 hydrogenation using K-promoted iron catalyst in a microchannel reactor. Journal of CO2 Utilization, 24, 10-21.

Szima, S., & Cormos, C. C. (2018). Improving methanol synthesis from carbon-free H2 and captured CO2: A techno-economic and environmental evaluation. Journal of CO2 Utilization, 24, 555-563.

Van-Dal, É. S., & Bouallou, C. (2013). Design and simulation of a methanol production plant from CO2 hydrogenation. Journal of Cleaner Production, 57, 38-45.

Xiong, S., Lian, Y., Xie, H., & Liu, B. (2019). Hydrogenation of CO2 to methanol over Cu/ZnCr catalyst. Fuel, 256, 115975

Ye, J., Liu, C. J., Mei, D., & Ge, Q. (2014). Methanol synthesis from CO2 hydrogenation over a Pd4/In2O3 model catalyst: A combined DFT and kinetic study. Journal of catalysis, 317, 44-53.

Ye, R. P., Ding, J., Gong, W., Argyle, M. D., Zhong, Q., Wang, Y., ... & Yao, Y. G. (2019). CO 2 hydrogenation to high-value products via heterogeneous catalysis. Nature communications, 10(1), 1-15.

Zahedi, G., Elkamel, A., Lohi, A., Jahanmiri, A., & Rahimpor, M. R. (2005). Hybrid artificial neural network—First principle model formulation for the unsteady state simulation and analysis of a packed bed reactor for CO2 hydrogenation to methanol. Chemical Engineering Journal, 115(1-2), 113-120.

Publicado

2021-10-12

Cómo citar

Dávalos Monteiro, R. L., Parada Rivera, M. M., & Macas Macas, J. A. (2021). Predicción de la producción de metanol en una planta de hidrogenación de dióxido de carbono mediante redes neuronales. Dominio De Las Ciencias, 7(6), 649–671. https://doi.org/10.23857/dc.v7i6.2357

Número

Sección

Artí­culos Cientí­ficos

Artículos más leídos del mismo autor/a