Video Experimental Relacionado
Updated: Sep 9, 2025
09:17
Surrogate Model Development for Digital Experiments in Welding
Published on: March 28, 2025
1.2K
Detección de contaminación basada en datos en intercambiadores de calor de tren de precalentamiento de refinería
Željka Ujević Andrijić1, Nikola Rimac1
1Department of Measurements and Process Control, Faculty of Chemical Engineering and Technology, University of Zagreb, Savska c. 16/5A, 10000 Zagreb, Croatia.
Sensors (Basel, Switzerland)
|August 28, 2025
Resumen
La detección de impurezas en los intercambiadores de calor en las unidades de destilación de petróleo crudo (CDU) es crucial. Los sensores virtuales impulsados por IA que utilizan modelos LSTM y XGB ofrecen un monitoreo preciso y en tiempo real de la contaminación, mejorando la eficiencia energética y reduciendo las emisiones.
Área de la Ciencia:
- Ingeniería Química
- Seguimiento de procesos
- Inteligencia artificial
Sus antecedentes:
- La contaminación de los intercambiadores de calor en las unidades de destilación de petróleo crudo (CDU, por sus siglas en inglés) tiene un impacto significativo en la eficiencia energética y la fiabilidad operativa.
- La detección temprana del ensuciamiento es fundamental para evitar la degradación del rendimiento y las pérdidas económicas.
Objetivo del estudio:
- Desarrollar y comparar enfoques de detección virtual para la detección de ensuciamiento en tiempo real en trenes de precalentamiento de CDU.
- Evaluar el rendimiento de los modelos basados en datos (LSTM, XGB) y semiempíricos (ɛ-NTU) para predecir el rendimiento del intercambiador de calor e identificar el ensuciamiento.
Principales métodos:
- Utilizó redes neuronales de memoria larga a corto plazo (LSTM) y aumento de gradiente extremo (XGB) para el modelado basado en datos.
- Se utilizó el método ɛ-NTU como referencia semiempírica para la comparación.
- Modelos entrenados en datos operativos limpios para establecer el rendimiento de referencia y detectar desviaciones que indiquen contaminación.
Principales resultados:
- Los modelos LSTM demostraron una alta precisión en la captura de tendencias operativas dinámicas para la detección de incrustaciones.
- Los modelos XGB ofrecieron una alternativa computacionalmente eficiente con limitaciones en la extrapolación a nuevas condiciones.
- Los modelos LSTM y XGB mostraron una sensibilidad de detección de ensuciamiento superior en comparación con el método ɛ-NTU.
- Las ineficiencias de un solo intercambiador contaminado estuvieron vinculadas a importantes emisiones de CO2 y pérdidas económicas.
Conclusiones:
- Los sensores virtuales habilitados con IA proporcionan una herramienta poderosa para el monitoreo de ensuciamiento en tiempo real en intercambiadores de calor industriales.
- La aplicación de estas herramientas puede mejorar el mantenimiento predictivo, aumentar la eficiencia energética y reducir el impacto ambiental en las refinerías.
