Como criar um gêmeo digital de um processo complexo com um modelo simples e poucos dados de planta?

Como criar um gêmeo digital de um processo complexo com um modelo simples e poucos dados de planta?

Volta e meia ouvimos falar sobre os gêmeos digitais (digital twin), que são réplicas digitais de processos, produtos ou equipamentos. Por serem totalmente digitais, é possível utilizá-los em simulações e testes operacionais sem a preocupação com riscos e elevados custos com recursos pessoais e materiais [1]. Com os gêmeos digitais, é possível otimizar pontos de operação, reduzir custos com energia e matéria-prima, testar a capacidade de adaptação do processo, prever falhas, entre outros.
Na digitalização das indústrias, o termo digital twin foi considerado pela Gartner uma das principais tendências estratégicas de tecnologias para 2019 [2]. Embora a modelagem de um processo não seja um conceito novo, com o avanço da IoT (ou IIoT, tratando-se de indústrias) e a maior acessibilidade a sensores, a digitalização de grandes processos se torna praticável.
Trabalhando com modelos de processos há mais de 7 anos, sei bem da dificuldade em ajustar um modelo aos dados industriais. Primeiro temos que nos acostumar que não existe modelo perfeito: sempre existe aquela perda de calor para o ambiente que é desprezada, um sensor que não funciona perfeitamente, a consideração de mistura perfeita, entre outros. Então, como incorporar ao modelo todos esses efeitos que não conhecemos e/ou não temos controle?
Em 1961 surgiu o filtro de Kalman. Uma de suas primeiras aplicações foi na Programa Apollo, que levou (e trouxe de volta) o primeiro homem à lua! Filtros de Kalman são utilizados para aproximar medidas que são geradas ao longo do tempo aos valores reais. Basicamente, o filtro de Kalman pode ser utilizado para qualquer sistema dinâmico e é ideal para sistemas que mudam constantemente. Ele se baseia em teoria probabilística e combina variáveis a serem estimadas, considerando que algumas combinações são mais prováveis que outras. Recomendo a leitura desse artigo para entender de forma visual como esse filtro funciona.
Ok, mas o que isso tem a ver com o ajuste do meu modelo? Tudo! O filtro de Kalman tem como entrada o modelo do processo e os dados de planta, onde nas matrizes de ajuste é possível confiar mais nos dados gerados pelo modelo ou nas medidas do processo. Além do filtro de Kalman reconciliar os dados (filtrar uma medida), ele ainda pode ser utilizado na estimação de variáveis indisponíveis! É claro que essa técnica não faz mágica e é necessário observar os critérios de observabilidade, ou seja, se é possível inferir novas medidas a partir dos dados disponíveis.
A modelagem da produção de petróleo offshore através da injeção de gás natural é um dos exemplos mais interessantes que trabalhei até hoje. Aqui, a medição da pressão da PDG (permanente downhole gauge) é uma das mais importantes em termos de controle da produção de petróleo. O controle da produção e fundamental para evitar danos aos equipamentos e o regime instável na operação. O problema é que a PDG se localiza em ambiente hostil, próximo ao reservatório, que está a quilômetros de distância da superfície. Quando esse sensor falha, a troca é inviável.

E agora, como operar sem a medição da pressão da PDG? É possível predizer essa medida através de um modelo simplificado do processo e algumas medições reais utilizando-se o filtro de Kalman. Nesse projeto, utilizamos o modelo FOWM, os dados da abertura da válvula choke (responsável pelo controle da vazão de produção), vazão de gás natural e pressão PTT (pressure at the top of the tubing). Todas essas medições são de mais fácil acesso que a medição da pressão da PDG.
Abaixo, a figura com a filtragem da PTT e estimação da pressão da PDG utilizando-se apenas o modelo (esquerda) e adicionando-se o filtro de Kalman (direita).

Olhem como fica a estimação apenas com o modelo. O comportamento dinâmico até é capturado, mas a aderência está ruim. Quando incluímos o filtro de Kalman, que recebe o modelo e os dados reais para a reconciliação e estimação, vemos que o resultado tem maior aderência. Notem que a PTT foi filtrada (já tínhamos o valor real), enquanto que a pressão da PDG é estimada (o filtro de Kalman não recebeu esses valores). Lembrando que esses dados são reais, os resultados são incrivelmente bons! Leia mais sobre esse estudo de caso em nossos artigos [3, 4].
Com isso, concluímos:
– o processo é complexo, mas posso usar um modelo simplificado em conjunto com o filtro de Kalman;- com apenas alguns dados de planta é possível estimar medidas do processo sem necessariamente ter um sensor no local;- a implementação do filtro de Kalman é muito simples.Para a aplicação de gêmeos digitais, a reconciliação preliminar dos dados é fundamental! A minha única dúvida é como as técnicas baseadas em filtro de Kalman passam até então desconhecidas, considerando resultados tão satisfatórios como esses?
Gostou do artigo e quer saber mais sobre gêmeos digitais, filtros de Kalman ou digitalização das indústrias? Entre em contato comigo e podemos conversar 😊.
Quer saber em primeira mão quando novos artigos são postados em nosso site? Siga nossa página no LindedIn.

Share this post