MXPA01000484A - Metodo para predecir limites de inflabilidad en mezclas complejas. - Google Patents

Abstract

Esta invencion esta dirigida a un metodo para predecir la inflamabilidad de mezclas complejas usando variables criticas de grupos estructurales que comprenden entrenar informacion de las variables criticas de cada uno de los grupos estructurales, las variables criticas que comprenden informacion de composicion y termoquimica de cada uno de los grupos estructurales para producir un modelo de red neural; probar la informacion entrenada del modelo de red neural; y validar la informacion entrenada y probada de la red neural para predecir exactamente el limite de inflamabilidad de una mezcla compleja analoga que tiene grupos estructurales similares.

Description

MÉTODO PARA PREDECIR LIM ITES DE IN FLAMABILI DAD EN MEZCLAS COMPLEJAS CAMPO DE LA INVENCIÓN Está invención está relacionada generalmente para predecir l ímites de inflamabi lidad de mezclas qu ímicas, más específicamente, está invención se refiere al uso de redes neurales o a un modelo para predecir los límites de inflamabilidad de mezclas químicas complejas.

ANTECEDENTES DE LA INVENCIÓN Una mezcla de vapor q ue contiene compuestos gaseosos combustibles y un oxidante (típicamente oxígeno o gas conteniendo oxígeno) puede ser inflamable si la composición y condiciones de la mezcla son tales para sostener una flama por ignición de la mezcla. Frecuentemente, tales mezclas de vapor pueden contener un gas inerte formando un sistema terciario. La ignición de una mezcla inflamable resulta en propagación de una flama a los alrededores no quemados de una mezcla combustible-oxidante-inerte, un rápido aumento en presión, y el potencial de daño severo al equipo y/o lesión o muerte a humanos. Por lo tanto, un conocimiento de las características de inflamabilidad de un sistema terciario conteniendo un (unos) combustible(s), un (unos) oxidante(s) y un (unos) inerte(s) es esencial para la prevención y/ó mitigación de explosiones ind ustriales. En particular, el diseño, la operación , y/u optimización seguros de procesos industriales, los cuales manejan mezclas potencialmente inflamables, dependen del conocimiento de estos l ímites de inflamabilidad . La composición de una mezcla bajo un conj unto dado de condiciones las cuales son necesarias para alcanzar una flama sostenida definen el límite de inflamabilidad de una mezcla de vapor. Por lo tanto, aquellos factores , los cuales influencian la reacción , calor, y transferencia de masa durante la combustión de la mezcla combustible oxidante, impactarán los valores de los límites de inflamabilidad . Debido a que una mezcla inflamable debe contener un combustible y un oxidante, y puede también contener un inerte, definido como especie la cual no participa típicamente en la reacción de combustión (es decir N2, Ar, He, Co2, H2O), la envoltura inflamable y sus l ímites (los límites de inflamabilidad) son típicamente ilustrados usando diagramas terciarios de inflamabilidad . Un diagrama terciario típico de inflamabilidad para una mezcla que contiene un solo combustible, un solo oxidante, y un inerte, a una temperatura y presión dadas se ilustra en la Figura 1 . Las mezclas inflamables caen dentro de la "envoltura de inflamabilidad" la cual está limitada por arriba por el l ímite superior de inflamabilidad (U FL), l ímite superior de explosividad (UEL), o la máxima concentración de oxígeno (MOC) y por debajo por el límite inferior de inflamabilidad (LFL) o límite inferior de explosividad (LEL). Estos dos límites se encuentran en un punto aludido como el valor limitante de oxígeno (LOV), la concentración de oxígeno por debajo del cual una mezcla de combustible, oxidante e inerte no es inflamable. Aunque la técnica anterior se dirige a la medición y predicción de los límites de inflamabilidad , se enfoca predominantemente en mezclas más simples tales como combustibles simples en aire con sistemas sencillos inertes de uno o dos componente a o cerca de la temperatura y presión normales (25° C y 1 atm). Sin embargo, muchas aplicaciones industriales, incluyendo procesos qu ímicos, inercidad, almacenamiento y transportación de compuestos inflamables, y muchos otros , manejo de mezclas de vapor conteniendo un oxidante, oxígeno, inertes múltiples , y múltiples combustibles a temperaturas y presiones elevadas no se cree que están mencionados la técnica anterior. Estas mezclas serán aludidas como "mezclas complejas". Típicamente , la medición de l ímites de inflamabilidad es entonces requerida para diseñar apropiadamente sistemas y procesos seguros que manejen mezclas potencialmente inflamables. Sin embargo la caracterización de la envoltura de inflamabilidad de una mezcla compleja a través de pruebas experimentales puede ser considerablemente difícil, lenta y cara. Una capacidad para predecir los límites de inflamabilidad de mezclas complejas serviría como una herramienta muy valiosa en numerosas industrias. Tal herramienta ayudaría también cuando se exploran procesos nuevos y condiciones de proceso. Con un mejor entendimiento de las propiedades de inflamabilidad de la mezcla, uno puede precisar las condiciones de interés, de este modo se minimiza el tiempo corto asociados con mediciones extensivas de inflamabilidad . Sin embargo, para desarrollar un modelo predictivo a partir de los primeros principios es una tarea muy formidable. Redes neurales, sin embargo, pueden ofrecer un medio de modelar estas complejas relaciones no lineales sin el conocimiento detallado de las relaciones fundamentales , incluyendo termodinámica , cinética , calor y transferencia de masa , las cuales dictan la conducta de inflamabilidad de estas mezclas complejas. Está invención describe un nuevo enfoque para predecir los límites de inflamabilidad de mezclas complejas usando redes neurales. U na abundancia de datos de límites de inflamabilidad y técnicas para predecir los l ímites de inflamabilidad existen en la técnica anterior. Una revisión de la técnica anterior revela un número de modelos predictivos los cuales intentan dirigir el problema de predecir límites de inflamabilidad . Los autores de la técnica anterior relevante han tomado un número de enfoques, incluyendo el principio de Le Chatelier, temperatura de flama constante adiabática (CAFT), regresión lineal y no lineal , técnicas de contribución de grupo, y redes neurales para atacar este problema . El principio de Le Chatelier es un enfoque tradicional y simple usado frecuentemente para predecir LFL y U FL's de mezclas combustibles en aire basadas en los límites de inflamabilidad de cada combustible y la composición de la mezcla combustible. Otro enfoque se basa en la observación de que las parafinas inferiores exhiben temperaturas de flama adiabáticas constantes en los l ímites de inflamabilidad . Un número de modelos empíricos y semi-empíricos para predecir los límites de inflamabilidad , efectos de la temperatura, efectos de la presión también existen en la técnica anterior. Aunque redes neurales han sido usadas extensivamente para modelar las relaciones no lineales las cuales existen entre un cierto conjunto de entradas y salidas, las técnicas con base en redes neurales para predecir los límites de inflamabilidad son limitadas.

Para propósitos de está invención , l ímites de inflamabil idad querrán decir el punto en el cual una flama iniciada de una ignición adecuada justamente falla para propagarse a través de la mezcla combustible/oxidante. Se cree que no hay una enseñanza en la técnica anterior para usar técnicas con base en redes neurales para predecir los límites superior e inferior de inflamabilidad de mezclas complejas. Es, por lo tanto, deseable en la técnica proveer un método de predicción de l ímites de inflamabilidad de mezclas complejas.

BREVE DESCRIPCIÓN DE LA INVENCIÓN Esta solicitud esta dirigida a un método para predecir los límites de inflamabilidad de una mezcla compleja usando variables críticas de grupos estructurales que comprenden los pasos de adiestrar información de las variables críticas de cada uno de los grupos estructurales, las variables críticas que comprenden información de composición y termoquímica de cada uno de los grupos estructurales para producir un modelo de red neural; probando la información adiestrada a partir del modelo de red neural; y validando la información adiestrada y probada de la red neural para predecir exactamente el límite de inflamabilidad de una mezcla compleja análoga que tiene grupos estructurales similares.

DESCRI PCIÓN DETALLADA DE LA MODALI DAD PREFERI DA El método para predecir límites de inflamabilidad que se describe en esta invención se cree que es más robusto que cualquier otra técnica disponible en la técnica anterior en su intento de manejar mezclas complejas que contienen combustibles múltiples , múltiples especies inertes (es decir, He, Ar, CO2, N2, H2O) a temperaturas y presiones variantes. Una red neural artificial es una interconexión de elementos , unidades o nodos de procesamiento simple cuya funcional idad esta basada débilmente en la de las neuronas biológicas . Cada elemento de procesamiento transforma la suma de varias entradas ponderadas ("sinapsis") a una salida que usa funciones de transferencia no lineales (tales como funciones sigmoid). Como resultado, las redes neurales son también descritas como procesadores distributivos paralelos. La estructura de estos elementos de procesamiento interconectados pueden variar, pero una de las arquitecturas mas ampliamente usadas es la Múltiple Layer Perceptron . (ver Figura 2) que consiste de una capa de entrada, una capa de elementos de procesamiento ocultos, y una capa de salida. Usando un proceso iterativo o técnica de "aprendizaje", los valores de pesos de entrada y parámetros de función de transferencia para cada elemento de procesamiento dado son ajustados hasta que una cierta función objetiva, la cual es basada en que también el modelo predice la salida , es satisfecha. La propagación hacia atrás es la técnica más común para ajustar los pesos de las entradas. La clave de un entrenamiento efectivo de una red neural para capturar las tendencias generales en la información, requiere de datos. Sin embargo, cuando se entrenan redes neurales , uno debe siempre ser cuidadoso en no sobre especificar o sobre acomodar la información con el fin de asegurar una generalización de la red . A este fin , la información sobre la cual se está entrenando es típicamente dividida en un conjunto de entrenamiento y un conjunto de prueba. El módulo es construido por pesos continuamente ajustados y adicionando elementos de procesamiento hasta q ue su rendimiento ha alcanzado un criterio mínimo para ambos conjuntos de entrenamiento y de información. Debido a que el conjunto de información de prueba no es completamente independiente del proceso de entrenamiento, una pequeña porción de la información disponible se deja a un lado y se usa para probar el rendimiento del modelo. El objetivo es construir un modelo, el cual se conduzca bien para los tres conjuntos de información , de este modo evitar el sobreacomodamiento y asegurando un modelo generalizado. Por lo tanto, la efectividad de una red neural depende en la información para entrenar la red para reconocer las relaciones generales entre las entradas y la (las) salida(s). Una variedad de algoritmos de aprendizaje, que incluyen aprendizaje de gradientes adaptivos y la regla de aprendizaje Kalman, son usados para entrenar redes neurales. Numerosas l íneas de guía y algoritmos han sido también desarrollados para la transformación de datos de entrada en una forma más conveniente para entrenar una red neural, selección variable, determinación del número óptimo de elementos de procesamiento ocultos, y especificación del tamaño y composición de conjuntos de entrenamiento, validación y prueba. Por lo tanto, la construcción de un modelo de red neural involucra una selección de datos , transformación de datos , selección de variables, construcción de la red neural, entrenamiento de la red y evaluación . Debido a que una red neural es una sofisticada técnica de regresión no lineal con una base limitada en los fundamentos de proceso, la red es más efectiva cuando maneja entradas las cuales son bien representadas dentro del espacio de entrada de información de entrenamiento. Sin embargo, el conocimiento o aplicación del proceso es crítico para la óptima selección de datos de entrenamiento, transformación de datos, y evaluación del rendimiento del modelo. Como resultado, redes neurales trabajan bien en la categorización , modelaje, y clasificación de datos para lo cual no hay una función matemática conocida o entendimiento fundamental de la relación entre las entradas o variables independientes y la (las) salida(s). Las aplicaciones de redes neurales son abundantes y diversas y han incluido un análisis de inversión , análisis de signatura, control de proceso (es decir, optimización y control de un proceso para fabricar acero), y mercadeo.

Para la aplicación de redes neurales para la predicción de l ímites de inflamabilidad de mezclas complejas, una extensa cantidad de datos de inflamabilidad (totalizando alrededor de 4300 puntos para alrededor de 70 compuestos químicos) han sido reunidos de la literatura para servir como datos de entrenamiento.

DESCRI PCIÓN DEL MODELO DE I N FLAMABILI DAD El primer paso para construir un modelo con base e una red neural para predecir los límites de inflamabilidad de mezclas complejas fue definir las entradas y salidas de la red. En este caso, la única salida de la variable, la variable pred icha, fue el l ímite de inflamabil idad superior, el l ímite de inflamabilidad inferior o el valor de oxígeno limitante. Las variables q ue se creyeron que juegan un rol importante en la determinación de las características de inflamabilidad de una mezcla de vapores , incluyendo pero no limitado a temperatura , presión , el grado de inerte, composiciones de mezcla, propiedades físicas de componentes y termodinámicas, fueron representadas por estas entradas de red . El objetivo fue entonces la captura de relaciones entre estas variables críticas y las propiedades de inflamabilidad , específicamente los límites de inflamabilidad , de mezclas complejas mientras aun se crea un modelo robusto el cual pueda manejar mezclas complejas a temperaturas y presión variantes con base solamente en datos de composición y termoquímicas. A este fin , la mezcla de vapores fue dividida en tres componentes: 1 ) el inerte, conteniendo todas las especies inertes; 2) el combustible, que contiene todos los compuestos inflamables, generalmente hidrocarburos; y 3) un oxidante, típicamente oxígeno. Los componentes inerte y de combustible de la mezcla son entonces caracterizados por un conjunto de variables, las cuales capturan el efecto de cada componente en los limitantes de inflamabilidad de la mezcla. Por simplificación , el inerte fue tratado como un diluyente el cual afecta las propiedades térmicas de la mezcla; , actuando como ambos un pozo de calor y un medio para la transferencia de calor durante la combustión y la propagación de la flama. Por lo tanto, uno definió primero la relación molar de inerte total a combustible total ( l/F) como una entrada de red para capturar el grado de inercidad : donde y',- es la fracción mol de la especie inertes i en la mezcla de combustible e inerte solamente, yF, la fracción mol de la especie de combustible i en la mezcla de combustible e inerte solamente, N, el numero total de especies inertes, y Nf, el numero total de especies de combustible. El componente inerte fue entonces definido en términos de sus propiedades térmicas, incluyendo la capacidad calorífica molar y la conductividad térmica en su intento de capturar el efecto térmico de los inertes en las propiedades de inflamabilidad de la mezcla. Con el fin de asegurar la generalización del modelo para todos los inertes, las especies inertes en las mezclas fueron agrupadas en un simple inerte definido en términos de la capacidad calorífica molar de la mezcla inerte (C'P) y la conductividad térmica (K1), los cuales son calculados usando fórmulas de suma común y las composiciones del componente inerte: N, Cj, lc¡ ¡-1 N, = el numero total de inertes dentro del componente inerte; X ¡ = la fracción mol de especies inertes I dentro de la mezcla i nerte; C'p.,= la capacidad calorífica molar estándar de las especies inertes I ; y k,= cond uctividad térmica de especies inertes I . Otras propiedades físicas del componente inerte , las cuales impactan la inflamabilidad de la mezcla, fueron también usados como la base de entrada de redes adicionales. Esto puede incluir densidad y viscosidad .

Un enfoque similar fue usado para caracterizar el efecto termoquímico de los compuestos combustibles reactivos en la mezcla . En este ejemplo, el calor de combustión en adición a la capacidad calorífica de la mezcla de combustible (calculado usando una formula de suma similar) fue usado como variables de entrada: NF Cp = J X¡ cP i i=l donde, AHC = el calor molar de combustión de la mezcla; ?H'C = calor de combustión del componente puro de las especies combustibles I ; CFP = capacidad calorífica molar de la mezcla combustible; y CFP ,= capacidad calorífica molar del componente puro de la especie de combustible I . Un enfoque de contribución de grupo fue entonces usada para reconciliar las cinéticas y las termodinámicas durante la combustión de los combustibles mientras otra vez se crea un modelo simple pero robusto. Métodos de contribución de grupo fueron usados para estimar propiedades físicas y termodinámicas de hidrocarburos basados solamente en el conocimiento de la estructura qu ímica de los compuestos. Grupos estructurales de primer orden (grupos de segundo orden cuentan para los efectos de vecinos más cercanos) y entradas adicionales que cuentan para combustibles no hidrocarburos, tales como CO , NH3, HCN , y H2, fueron definidas como variables de entrada para la red neural. La base de información de datos de límites de inflamabilidad , los cuales fueron usados después para construir y entrenar la red neural, representó 70 compuestos qu ímicos diferentes. 37 grupos estructurales (mostrados en la tabla 1 ) fueron necesarios para describir cada uno de esos compuestos. Esos grupos fueron entonces usados para agrupar la mezcla combustible multicomponente en un simple combustible definido en la base de estructura qu ímica. La siguiente ecuación fue usada: donde, G'm = la contribución del grupo estructural m (de los cuales hay 34) en el combustible i de Nf combustibles en la mezcla combustible; Xfi = la fracción mol del combustible i en la mezcla combustible; NS G = número total de grupos estructurales (34, en este ejemplo); y GFm= contribución normalizada de grupo estructural m en el combustible agrupado. Por lo tanto, en este ejemplo, estos grupos estructurales, las capacidades caloríficas totales de la mezcla combustible, la capacidad calorífica total y conductividad térmica de la mezcla inerte, y el calor de combustión de la mezcla combustible cuenta para todas las entradas a la red neural . Este enfoque para especificar las entradas a la red neural permitió la simplificación y generalización del modelo para predecir los límites de inflamabilidad de mezclas de vapores q ue contienen combustibles multi-componentes y gases de balasto a temperaturas y presiones variantes. Este enfoque para especificar las entradas a la red neural es ilustrado en la fig 3.

TABLA 1 . -Grupos Estructurales Usados en Modelo de Red Neural .

GÍ CH4 -CH3. -CH2 -CH -C H2C= HC= =C= HCArom Ejemplo de Comportamiento de Modelo Cuando se Predice la Concentración Máxima de Oxígeno (MOC) o Límite Superior de Inflamabilidad (UFL) de una Mezcla Gaseosa de Combustible, Inerte y Oxígeno.

El siguiente paso fue construir y entrenar la red neural sobre datos de inflamabilidad. En este ejemplo, el objetivo fue predecir el U FL o MOC de mezclas combustible-inerte-oxidante, basado solamente en el conocimiento de la composición, estructura química, y datos termoquímicos. Un análisis preliminar fue conducido para modelar el límite superior de inflamabilidad o la concentración máxima de oxígeno (MOC). Aproximadamente 4300 puntos de información recolectados de la literatura, que representan a 70 diferentes compuestos qu ímicos, sirvieron como la base del proceso de construcción y entrenamiento de la red neural. Toda la información fue transformada al conjunto designado de entradas y salidas y usada para entrenar y probar la red neural . Con base en reglas de conjuntos de datos para entrenamiento, pruebas y validación , recomendadas, aproximadamente el 20% de la información se dejó de lado como un conjunto de validación independ iente, mientras que 70-80% de la restante información se usó para entrenar la red neural y el resto para probar la red . Esto se hizo para asegurar la generalización del modelo y evitar sobreacomodo de la información . En este ejemplo, una red neural en cascada que consiste en 1 29 entradas transformadas, 9 elementos de procesamientos ocultos y una sola salida proporcionaron los mejores resultados. La tabla 2 resume el coeficiente de correlación (R) y exactitud (porcentaje de predicciones que cae dentro del 5% de la medición correspondiente) del modelo para los 4 conjuntos de información: información de entrenamiento, información de prueba, información de validación , y toda la información. Los MOC' S predichos por la red neural son graficados contra el MOC medido para el conjunto de información completo en la Figura 4. Buena correlación entre predicción y la información para todos los 4 conjuntos de información demuestran que el modelo a hecho un buen trabajo en la captura de las relaciones generales entre las variables de entrada y la salida a la vez que se evita el sobre acomodo de la información . Hay algunas predicciones circundantes, que se desvían significativamente de los valores medidos. Esto es esperado debido a las limitaciones en el alcance de la información y variabilidad disponibles en las mediciones de inflamabilidad. Cuando se usa una red neural, la distribución uniforme de la información a través del espacio de entrada definido es crítica para la conducta del modelo. Conforme se hace disponible más información de mezclas complejas usar como información de entrenamiento, el modelo continuará aprendiendo y mejorando.

Tabla 2. Resultados de Comportamiento de Modelo de Red Neural Los aspectos específicos de la invención son mostradas en uno o más de los dibujos solamente para conveniencia, ya que cada aspecto puede ser combinado con otros aspectos de acuerdo con la invención. Modalidades alternativas serán reconocidas por aquellos expertos en la técnica y se pretende que sean incluidas dentro del alcance de las reivindicaciones.

Claims (6)

1. RE IVI N D ICAC ION ES 1 . U n método para predecir los l ímites de inflamabilidad de una mezcla compleja q ue usa variables críticas de grupos estructurales que comprende: a) entrenar información de dichas variables críticas de cada grupo uno de los grupos estructurales, dichas variables críticas que comprenden información de composición y termoq uímica de cada uno de dichos grupos estructurales para producir un modelo de red neural ; b) probar dicha información entrenada de dicho modelo de red neural; y c) validar d icha información entrenada y probada de dicha red neural para predecir exactamente el límite de inflamabilidad de una mezcla compleja análoga q ue tiene grupos estructurales similares.
2. 2. El método de la reivindicación 1 en donde dicho paso de tratamiento comprende tratar un componente inerte como un diluyente para afectar las propiedades térmicas de dicha mezcla compleja .
3. 3. El método de la reivindicación 1 donde dichas mezclas complejas comprenden una pluralidad de combustibles reactivos y especies inertes.
4. 4. El método de la reivindicación 1 en donde dichos pasos de validación producen una sola salida de red .
5. 5. El método de la reivindicación 1 en donde dichas variables críticas son seleccionadas del grupo que consiste de temperatura , presión , grado de inercidad , composición de mezcla, propiedades físicas de componentes, densidad y viscosidad .
6. 6. el método de la reivindicación 1 en donde dichos grupos estructurales son seleccionados del grupo que consiste de CH4, -CH3, CH2, -CH, -C, H2C=, HC = , =C=, HCArom, -CArom, O = CH, O = C, O = C-C-, NH2, -NH, N, =N-, -N = O, -NO2, -C = N, -OH, -O-, -S-, -SH, -SH, -S = O, -Cl Br, CH2(Ring), CH(Ring), C(Ring), -O-(Ring). RESUM E N Esta ¡nvención está dirigida a un método para predecir la inflamabilidad de mezclas complejas usando variables críticas de grupos estructurales q ue comprenden entrenar información de las variables críticas de cada uno de los grupos estructurales, las variables críticas que comprenden información de composición y termoqu ímica de cada uno de los grupos estructurales para producir un modelo de red neural ; probar la información entrenada del modelo de red neural ; y validar la información entrenada y probada de la red neural para predecir exactamente el l ímite de inflamabilidad de una mezcla compleja análoga que tiene grupos estructurales similares.