Calibração multivariada no infravermelho próximo para predição da composição química de correntes petroquímicas do processo de produção de aromáticos

Abstract

Este trabalho teve como objetivo desenvolver um método analítico para predição da composição química de amostras geradas no processo de produção de aromáticos utilizando a Espectroscopia no Infravermelho Próximo (NIR) associado a técnicas de calibração multivariada.Os conjuntos de calibração e validação foram selecionados através do algoritmo de Kennard-Stone e a técnica estatística utilizada para a calibração multivariada foi a Regressão por Mínimos Quadrados Parciais (PLS). As regiões espectrais selecionadas na etapa de construção dos modelos foram obtidas através do algoritmo de seleção de variáveis por regressão de mínimos quadrados parciais por intervalo (iPLS). Para escolher as condições experimentais mais adequadas para a modelagem PLS foi realizado um planejamento experimental com matriz Doehlert usando três variáveis (pré-processamento, faixa de comprimento de onda e seleção de variáveis espectrais com o algoritmo Jack-knife). Foram desenvolvidos modelos de calibrações para a previsão da concentração de não aromáticos, benzeno, tolueno, etil-benzeno, para-xileno, meta- xileno, orto-xileno, aromáticos C8s+ e aromáticos C9s+ em amostras de correntes petroquímicas; e os RMSEPs encontrados foram 0,88; 0,38; 2,43; 1,19; 1,08; 1,13; 1,29; 3,87; 1,47% (m/m), respectivamente. O desempenho do melhor modelo de calibração de cada propriedade foi avaliado por meio de parâmetros da validação externa. Com os resultados obtidos, pôde-se demonstrar que os modelos construídos foram satisfatórios e os erros encontrados são aceitáveis para controle de processo na indústria.

This work aims at developing an analytical method for predicting the chemical composition of samples generated in the production of aromatics using Near Infrared Spectroscopy (NIRS) combined with multivariate calibration techniques. The calibration and validation sets were selected by the Kennard-Stone algorithm. Partial Least Squares Regression (PLS) was the statistical technique used in the multivariate calibration. The spectral regions selected for the model development were obtained using the algorithm for spectral variable selection based on the partial least squares regression interval (iPLS). The most appropriate experimental conditions for PLS modeling were chosen using an experimental design based on a three-variable Doehlert matrix (pre-processing, wavelength range and selection of spectral variables with the Jack-knife algorithm). Calibration models were developed for predicting non-aromatic, benzene, toluene, ethyl benzene, p-xylene, m-xylene, o-xylene, aromatic C8s+ and aromatic C9s+. The performance of the best calibration model for each property was evaluated by external validation parameters. The PLS prediction of the properties presented RMSEP 0,88; 0,38; 2,43; 1,19; 1,08; 1,13; 1,29; 3,87; 1,47%w/w respectively. The PLS models showed satisfactory results and errors were found to be acceptable to the industry process control.