Modelagem e simulação de analisadores virtuais (soft sensors) para o processo de polimerização de polietileno em alta pressão

Abstract

A evolução contínua da indústria ao longo dos anos tem sido impulsionada por avanços tecnológicos, resultando na chamada Indústria 4.0, caracterizada pela integração de coleta intensiva de dados, inteligência artificial e aprendizado de máquina. Nesse contexto, o uso de analisadores virtuais (soft sensors) surge como uma alternativa eficiente para o controle de processos, sendo desenvolvidos a partir de dados operacionais de processo e/ou equações fenomenológicas. A literatura oferece uma variedade de algoritmos preditivos, ajustados conforme o processo estudado, incluindo métodos supervisionados e não supervisionados, como árvores de decisão, regressões lineares e redes neurais. Este trabalho tem como objetivo avaliar o desempenho de modelos preditivos aplicados ao processo de polimerização em alta pressão para a predição do Índice de Fluidez (IF) do Polietileno de Baixa Densidade (PEBD). Os dados do processo foram fornecidos por uma empresa brasileira do setor petroquímico e tratados de forma sigilosa por meio da normalização. A análise focou em dados de produção de PEBD, divididos em 3 grupos representativos de diferentes patamares operacionais. Após a remoção de outliers (4 desvios padrão), foram gerados modelos baseline e realizadas otimizações por meio de feature selection e ajuste de hiperparâmetros, utilizando os algoritmos Gradient Boosting, LightGBM e LSTM. Os modelos foram avaliados com base em métricas de acurácia e RMSE. O modelo do Grupo 1 apresentou alta aderência aos dados reais, com erro relativo médio inferior a 12%, devido à maior disponibilidade de dados. Em contraste, os Grupos 2 e 3 apresentaram menor aderência, com erro relativo médio entre 20% e 30%. Os resultados destacam a importância da disponibilidade e qualidade dos dados no desempenho de modelos preditivos para aplicações industriais, além de evidenciar a possibilidade de aplicar modelos de machine learning na indústria de polimerização. Palavras-chave: Ciência de dados; Controle de processos; Aprendizado de máquina; Polimerização; Modelos de regressão.The continuous evolution of industry over the years has been driven by technological advancements, resulting in the Industry 4.0, characterized by the integration of intensive data collection, artificial intelligence, and machine learning. In this context, the use of virtual analyzers (soft sensors) emerges as an efficient alternative for process control, developed from operational process data and/or phenomenological equations. The literature offers a variety of predictive algorithms, adjusted by the process studied, including supervised and unsupervised methods such as decision trees, linear regressions, and neural networks. This study aims to evaluate the performance of predictive models applied to the high-pressure polymerization process for predicting the Melt Index (MI) of Low-Density Polyethylene (LDPE). Process data were provided by a Brazilian company in the petrochemical sector and handled confidentially through normalization. The analysis focused on LDPE production data, divided into three groups representing different operational ranges. After outlier removal (4 standard deviations), baseline models were generated, and optimizations were performed through feature selection and hyperparameter tuning using Gradient Boosting, LightGBM, and LSTM algorithms. The models were evaluated based on accuracy and RMSE metrics. The model for Group 1 showed high adherence to real data, with a mean relative error below 12%, due to the greater data availability. In contrast, Groups 2 and 3 exhibited lower adherence, with mean relative errors between 20% and 30%. The results underscore the importance of data availability and quality in the performance of predictive models for industrial applications while also highlighting the feasibility of applying machine learning models in the polymerization industry. Keywords: Data science; Process control; Machine learning; Polymerization; Regression models.