MONITORAMENTO QUANTITATIVO E QUALITATIVO DO VAPOR GERADO EM

UMA CALDEIRA DE RECUPERAÇÃO QUÍMICA

1 2 3
Gilberto D. M. Filho, Marcelo Cardoso, Gustavo M. de Almeida
1
Aluno de Iniciação Científica/UFMG, discente do curso de Engenharia Química
2
Professor do Departamento de Engenharia Química da UFMG
3
Professor do Campus Alto Paraopeba da UFSJ
1,2
Departamento de Engenharia Química, Escola de Engenharia, Universidade Federal de Minas Gerais
Av. Antônio Carlos, 6.627, 31.270-901, Pampulha, Belo Horizonte, MG, Brasil
3
Campus Alto Paraopeba, Universidade Federal de São João del-Rei
Rod. MG 443, Km 07, 36.420-000, Ouro Branco, MG, Brasil

e-mail: gustavoalmeida@ufsj.edu.br

RESUMO - A necessidade por atividades de monitoramento em indústrias químicas, com o

objetivo de garantir aspectos de segurança, ambientais e econômicos, é uma atividade
crescente. O alvo deste estudo é uma das caldeiras de recuperação química de uma fábrica de
produção de celulose do tipo Kraft no Brasil. Pode-se dividir este equipamento em duas
regiões: a fornalha, similar a um reator, onde há o processo de combustão do licor-combustível
e a recuperação de compostos químicos específicos, e a sessão de transferência de calor
convectivo, co-responsável por transformar a água, em torno de 116,0 oC, em vapor
superaquecido, por volta de 450,0 oC e 6,5 MPa, que é usado para a geração de energia
elétrica, por meio de turbogeradores, e em operações de troca térmica. A manutenção da
qualidade deste vapor é imprescindível, principalmente devido às restrições operacionais da
turbina. O objetivo deste estudo é antecipar a informação sobre a quantidade e a qualidade
deste vapor, que são função das condições operacionais da fornalha. Para tal, identificou-se,
de modo satisfatório, um modelo neural preditivo para a vazão e a pressão do vapor de saída e
a temperatura de entrada do vapor saturado, oriundo do convector, na sessão do
superaquecedor primário.

Palavras-Chave: Monitoramento de processos químicos, Redes neurais, Banco de dados

industrial.

INTRODUÇÃO cavacos de madeira, é a principal fonte para a

O setor de papel e celulose é um grande
consumidor de energia, seja de eletricidade
como de vapor de processo. Sistemas de co-
geração têm sido empregados em fábricas de
produção de celulose, em particular, pelo
processo Kraft, que é responsável, em média,
por aproximadamente cinquenta por cento do
total da energia elétrica consumida. O sistema
de co-geração geralmente usado é composto de
caldeiras de biomassa, responsáveis pela
queima de cavacos, cascas e resíduos de
madeira, e de caldeiras de recuperação
química, responsáveis pela queima do licor
negro (Gallego, 2004). Este licor, uma solução
aquosa com substâncias orgânicas e compostos
inorgânicos, oriunda da etapa de polpação dos
geração de energia elétrica e de energia térmica
no processo Kraft. Mais de 90 % da produção
de celulose no Brasil é proveniente deste
processo. Deste modo, é importante garantir o
fornecimento e a qualidade do vapor para os
turbogeradores, responsáveis pela geração da
energia elétrica. Esta garantia se dá com o
monitoramento e o controle de algumas
características do vapor de saída, como a sua
temperatura.
Nesta direção, o objetivo deste estudo é
conhecer, de modo antecipado, a quantidade e
a qualidade do vapor a ser produzido. Como
exemplo, pode-se usar tal informação para
aumentar a eficiência das malhas de controle
responsáveis por controlar a temperatura do
vapor de saída.

VIII Congresso Brasileiro de Engenharia Química em Iniciação Científica

27 a 30 de julho de 2009
Uberlândia, Minas Gerais, Brasil
 ESTUDO DE CASO
A caldeira de recuperação química tem
três funções principais: recuperar componentes
químicos específicos à base de sódio (que
serão reutilizados na etapa de polpação dos
cavacos de madeira), queimar a matéria
orgânica presente no licor negro (combustível),
para a geração de vapor à alta pressão, e,
minimizar a descarga de uma gama de
poluentes (Vakkilainen, 2005).
O equipamento compreende duas partes:
a região inferior, denominada fornalha, é
responsável pelo processo de combustão do
licor-combustível, e a região superior,
denominada sessão de transferência de calor
convectivo, co-responsável por transformar a
o
água, em torno de 116,0 C, em vapor
o
superaquecido, por volta de 450,0 C e 6,5 MPa.
Isto se dá a partir de um conjunto de trocadores
de calor em série, denominados, economizador,
convector, e superaquecedor. Em sua maior
parte, o vapor é usado para a geração de
energia elétrica, por meio de turbogeradores,
para o próprio consumo da fábrica, e a parcela
restante, como vapor de processo em
operações de troca térmica (Almeida, 2003).
Diversos fatores influenciam o processo
de transferência de calor entre os gases
quentes, oriundos do processo de combustão
do licor, e a água de alimentação. Esta
realidade é a causa de uma variação
significativa e desordenada da temperatura do
vapor de saída. Deste modo, sem qualquer
ação externa adicional, dada, por exemplo, por
uma malha de controle, a temperatura do vapor
iria variar conforme a taxa de fluxo de vapor,
seguindo o que é conhecido como
“característica natural da caldeira” (Lindsley,
2005). A turbina ou a etapa subsequente que irá
receber o vapor, usualmente requer uma
temperatura dentro de um intervalo. Nesta
direção, faz-se necessário usar de algum meio
para garantir tal requisição. Na prática, é
comum, o uso de borrifadores (um tipo de
dessuperaquecedor) de água no vapor
superaquecido como elementos finais de
controle (Lindsley, 2005). Em aplicações
convencionais, é possível controlar
temperatura do vapor superaquecido através de
uma malha simples com realimentação negativa
(controle de temperatura a um elemento),
enquanto em casos, onde o valor da
temperatura é crítico, é necessário empregar
malhas de controle com realimentação
combinado com controle em cascata (controle
VIII Congresso Brasileiro de Engenharia Química em Iniciação Científica
27 a 30 de julho de 2009
Uberlândia, Minas Gerais, Brasil
de temperatura a dois elementos) ou controle
antecipativo com realimentação combinado com
controle em cascata (controle de temperatura a
três elementos) (Bega, 2003).
A Figura 1 é uma representação
esquemática de uma configuração usual de
sistema de controle para o ajuste da
temperatura do vapor de saída em dois
estágios, com a primeira malha entre a saída da
sessão do primeiro superaquecedor e a entrada
da sessão do segundo superaquecedor e a
segunda malha de controle entre a saída da
sessão do segundo superaquecedor e a entrada
da sessão do terceiro superaquecedor.
Figura 1: Malha de controle, para o ajuste da
temperatura do vapor de saída, em dois
estágios (Fonte: Lindsley, 2005)
Nesta direção, de acordo com o objetivo
deste estudo, pode-se usar a informação
antecipada sobre a quantidade e a qualidade do
vapor, que são função das condições
operacionais da região inferior (fornalha) da
caldeira de recuperação química, por exemplo,
como um sinal de entrada para as malhas de
controle responsáveis por controlar o nível do
balão e a temperatura do vapor ao longo das
sessões dos superaquecedores, de modo a
minimizar as variabilidades da vazão,
temperatura e pressão do vapor produzido pelo
equipamento. É importante ressaltar que há um
a grau de associação entre a vazão e a pressão.
Para tal, identificou-se de modo simultâneo e
satisfatório um modelo neural preditivo para a
vazão, pressão do vapor de saída e para a
temperatura de entrada do vapor saturado,
oriundo do convector na sessão do primeiro
superaquecedor.
 METODOLOGIA
A metodologia é composta de duas
etapas: a preparação de um banco de dados e a
identificação de um modelo neural.
Em relação à primeira etapa, o banco de
dados, coletado em uma fábrica de produção de
celulose do tipo Kraft no Brasil, é composto por
quatro meses de operação, período entre duas
paradas programadas da fábrica. Ele contém
nove variáveis de entrada e três variáveis de
saída. O intervalo de amostragem é horário, o
que resulta em um total de 2928 registros para
cada variável. A Tabela 1 contém um resumo
sobre as variáveis de entrada e saída.
Tabela 1: Resumo sobre as variáveis de
entrada e as variáveis de saída deste estudo
de caso
Faixa
Variável Código Unidade
Operacional
ENTRADAS
75,0 % do total de registros, é usado para se
obter o modelo neural e o segundo, para
verificar a sua performance. Empregou-se uma
rede neural do tipo feed-forward, com uma única
camada intermediária, onde a função de
transferência dos elementos primários é uma
sigmóide. Testou-se inicialmente o algoritmo de
aprendizagem back-propagation, porém decidiu-
se pelo BFGS, um método quase-Newton, em
função de seu resultado superior (Haykin,
1998). Variou-se o número de épocas, entre 500
e 5000, e o número de neurônios ocultos, de 2 a
20. Por último, selecionou-se o modelo neural
com o menor valor para o Erro Quadrático
Médio (EQM), dado pela diferença entre o valor
real, medido na unidade industrial, e o valor
teórico, calculado pelo modelo. Este cálculo é
feito utilizando o conjunto de dados de
validação.
RESULTADOS E DISCUSSÃO

1.
Vazão do Licor
F(Licor) t/h 51,7−125,8
Inicialmente, verificou-se a qualidade do
(combustível) banco de dados. Do total de 2928 registros para
Temperatura do cada variável, eliminou-se 68. Em seguida,
o
2. Licor T(Licor) C 115,4−131,7 dividiu-se este banco de dados com 2860
(combustível)
registros por variável em dois subconjuntos: de
Percentual de
3.
Sólidos Secos
%(SS) % 62,4−73,7 treinamento, com 2145 registros, e de
validação, com 715. Iniciou-se então, a etapa de
Vazão do Ar
4. F(AP) t/h 134,2−176,2 construção de um modelo neural. Após variar o
Primário
Temperatura do o
número de épocas, decidiu-se por fixá-lo em
5. T(AP) C 136,5−158,6 1.500. Na sequência, geraram-se, ao se variar o
Ar Primário
Vazão do Ar número de neurônios na camada oculta, 19
6. F(AS) t/h 114,4−260,3
Secundário modelos neurais. O modelo final, aquele com o
Temperatura do o menor valor para o Erro Quadrático Médio
7. T(AS) C 129,2−173,3 2
Ar Secundário (75,4(t/h) ), contém 14 neurônios ocultos.
8.
Vazão do Ar
F(AT) t/h 33,6−54,3
A Figura 2 contém uma representação
Terciário esquemática do modelo neural, com uma única
Temperatura do o camada intermediária com catorze neurônios e
9. T(Gases) C 272,0−644,0
Gases Quentes as nove variáveis de entrada e três variáveis de
SAÍDAS saída (ver Tabela 1).
Vazão do vapor
1. F(Vapor) t/h 203,1−359,9
de saída
Temperatura do
vapor na sessão o
2. T(Vapor) C 425,0−482,5
de entrada do 1o
superaquecedor
Pressão do vapor
3. P(Vapor) Kgf/cm2 61,0−67,6
de saída

Em relação à segunda etapa, identificou-

se um modelo neural preditivo para a vazão,
pressão do vapor de saída e para a temperatura
de entrada do vapor saturado na sessão do Figura 2: Modelo neural final, com uma única
primeiro superaquecedor. Para tal, dividiu-se o camada oculta, e com nove variáveis de
banco de dados em dois subconjuntos: de entrada e três variáveis de saída
treinamento e de validação. O primeiro, com

VIII Congresso Brasileiro de Engenharia Química em Iniciação Científica

27 a 30 de julho de 2009
Uberlândia, Minas Gerais, Brasil
 De modo a verificar a sua capacidade de
generalização, construíram-se gráficos de
paridade entre os valores reais (medidos na
fábrica) e aqueles calculados pelo modelo, e
histogramas com as distribuições dos resíduos,
para cada uma das três variáveis respostas.
A Figura 3 diz respeito à vazão do vapor
de saída (F(Vapor)). Em (a), pode-se observar
um grau de associação satisfatório entre os
valores reais e teóricos (dado pelo alto valor do
coeficiente de correlação linear (r), igual a 0,94),
e em (b), uma distribuição aproximadamente
normal, com média zero, para os resíduos.
(a)
150
100
Frequência
50
0 50
-50.0 -25.0 0 25.0
Resíduos
(b)
Figura 3: (a) Relação de paridade entre os
registros reais (medidos na fábrica) e os
valores calculados pelo modelo neural, para
a vazão de vapor (F(Vapor)), e (b)
distribuição dos resíduos, dado pela
diferença entre ambos
A Figura 4 contém o resultado referente à
temperatura de entrada do vapor saturado,
oriundo do convector, na sessão do primeiro
superaquecedor (T(Vapor)). Em (a), pode-se
VIII Congresso Brasileiro de Engenharia Química em Iniciação Científica
observar um menor valor para o coeficiente de
correlação linear (r), igual a 0,73, em relação
àquele para a vazão de saída, igual a 0,94 (ver
Figura 3(a)). Isto é devido ao fato de que a
sensibilidade desta variável em relação às
condições operacionais da caldeira é maior;
como consequência, realizar a sua predição de
modo satisfatório é uma tarefa mais crítica.
Pôde-se observar um salto em sua previsão
após a inclusão da temperatura dos gases
quentes (T(Gases)) como uma das variáveis de
entrada. Provavelmente, um procedimento de
melhoria é a inclusão de outras variáveis, como
por exemplo, da vazão dos gases quentes no
topo da fornalha (Bega, 2003). Em (b), pode-se
verificar a distribuição aproximadamente normal,
com média zero, para os resíduos.
(a)
150
100
Frequência
50.0
0
-20.0 -10.0 0 10.0 20.0
Resíduos
(b)
Figura 4: (a) Relação de paridade entre os
registros reais (medidos na fábrica) e os
valores calculados pelo modelo neural, para
a temperatura do vapor saturado na sessão
de entrada do primeiro superaquecedor
(T(Vapor)), e (b) distribuição dos resíduos,
dado pela diferença entre ambos
27 a 30 de julho de 2009
Uberlândia, Minas Gerais, Brasil
 A Figura 5 contém o resultado para a Tabela 2: Resultado numérico do
pressão do vapor produzido pela caldeira procedimento de validação do modelo neural
(P(Vapor)). Em (a), pode-se observar um valor Coeficiente Erro
Erro
significativo para o coeficiente de correlação Variável de Médio
Absolut
linear (r), igual a 0,78. Como no caso anterior, de Saída Correlação Relativo
o Médio
um provável procedimento de melhoria é a Linear (r) (%)
inclusão de outras variáveis. Pode-se verificar 1
Vazão do vapor
0,94 6,5 t/h 2,2
ainda a superestimação de um grupo de valores de saída
(ver círculo cinza) pelo modelo neural. Uma Temperatura do
hipótese deste fato é a presença de condições vapor saturado na
operacionais não usuais presentes no banco de sessão de o
2 0,73 2,6 C 0,8
dados. Em (b), pode-se verificar a distribuição entrada do
aproximadamente normal, com média zero, para superaquecedor
primário
os resíduos.
Pressão do vapor 0,5
3 0,78 2 0,7
de saída kgf/cm

CONCLUSÕES
Quanto mais cedo se conhecer o estado de um
processo, maior a chance de mantê-lo sob as
faixas operacionais desejáveis, seja por razões
de segurança, ambientais ou econômicas.
Neste estudo de caso em particular, pode-se
usar a informação antecipada sobre a qualidade
do vapor como um sinal de entrada para as
malhas de controle responsáveis por ajustar a
(a) sua temperatura ao longo das sessões dos
superaquecedores, de modo a se alcançar uma
menor variabilidade para esta variável. Este
150 ganho é importante, por exemplo, para se ter
uma operação segura e eficiente da turbina.

100 NOMENCLATURA
Frequência

%(SS) Carga de Sólidos Secos Presente no

Licor-Combustível, %
50 2
EQM Erro Quadrático Médio, (t/h)
F(AP) Vazão do Ar Primário, t/h
F(AS) Vazão do Ar Secundário, t/h
0 F(AT) Vazão do Ar Terciário, t/h
-4.0 -2.0 0 2.0 4.0
Resíduos F(Licor) Vazão do Licor Negro, t/h
(b) F(VS) Vazão do Vapor de Saída, t/h
Figura 5: (a) Relação de paridade entre os r Coeficiente de Correlação Linear, −
o
registros reais (medidos na fábrica) e os T(AP) Temperatura do Ar Primário, C
o
valores calculados pelo modelo neural, para T(AS) Temperatura do Ar Secundário, C
o
pressão de vapor (P(Vapor)), e (b) T(Licor) Temperatura do Licor Negro, C
distribuição dos resíduos, dado pela o
T(Gases) Temperatura dos Gases Quentes, C
diferença entre ambos F(Vapor) Vazão do vapor de Saída, t/h
T(Vapor) Temperatura do Vapor Saturado na
A Tabela 2 contém um resumo numérico sobre
Sessão de Entrada do
o resultado deste procedimento quanto à
Superaquecedor Primário
verificação da performance do modelo neural. 2
P(Vapor) Pressão do Vapor de Saída, kgf/cm

VIII Congresso Brasileiro de Engenharia Química em Iniciação Científica

27 a 30 de julho de 2009
Uberlândia, Minas Gerais, Brasil
 AGRADECIMENTOS
Os autores agradecem à fábrica de produção de
celulose do tipo Ktraft, no Brasil, pela cessão de
um banco de dados sobre as operações de uma
de suas caldeiras de recuperação química.

REFERÊNCIAS
Almeida, G. M., Desenvolvimento de
Metodologia e de Modelos para Variáveis de
Performance em Caldeiras de Recuperação Via
Redes Neurais Artificiais. Dissertação de
Mestrado, UFMG, 2003. Belo Horizonte, MG.
101p.
Bega, E. A., Instrumentação Aplicada ao
Controle de Caldeiras. Interciência, 3a Ed.,
2003.
Gallego, A. G., Modelagem Computacional e
Análise Termodinâmica de Sistemas de
Geração de Potência utilizando Gaseificação de
Licor Negro. Tese de Doutorado, UNICAMP,
2004. São Paulo, SP. 217p.
Haykin, S. Neural Networks: A Comprehensive
Foundation. 2a ed., Nova Jersey: Prentice Hall,
1999.
Lindsley, D., Power-Plant Control and
Instrumentation − The Control of Boilers and
HRSG Systems. Londres: The Institution of
Electrical Engineers, 2005.
Vakkilainen, E.K., Kraft Recovery Boilers −
Principles and Practice. Helsinque: Suomen
Soodakattilayhdistys r.y., 2005.

VIII Congresso Brasileiro de Engenharia Química em Iniciação Científica

27 a 30 de julho de 2009
Uberlândia, Minas Gerais, Brasil