Modelagem da produção industrial de celulose Kraft com modelos aditivos generalizados e redes neurais

Abstract

No presente trabalho, dados observados em escala industrial, durante alguns anos, foram submetidos à modelagem empregando modelos aditivos generalizados (GAM) e redes neurais artificiais (RNA), como ferramentas para avaliar a influência de algumas variáveis, da madeira e do processo, sobre a produção do digestor e carga alcalina. Os modelos aditivos generalizados foram ajustados utilizando o software R (R DEVELOPMENT CORE TEAM, 2010), através da biblioteca “mgcv” (WOOD, 2006), específica para ajustes de modelos aditivos generalizados. Foram aplicados testes de significância para cada modelo ajustado. De forma complementar os dados foram analisados por meio de redes neurais artificiais. Foram ajustadas 100 RNA para relacionar a produção do digestor e a carga alcalina, com as variáveis: densidade da madeira, idade, precipitação, teor seco dos cavacos, densidade aparente dos cavacos, densidade básica dos cavacos, viscosidade da polpa e kappa. Nesta etapa do trabalho foi empregado o software Statistica (Statsoft, INC, 2007). Os resultados mostram que o Modelo Aditivo Generalizado (MAG) constitui uma boa opção para representar os fenômenos da indústria de celulose, em que as variáveis apresentam alta variabilidade e não há um rigoroso controle, diferentemente do que ocorre em dados provenientes de delineamentos experimentais. No caso do uso de RNA para estimar a produção do digestor e para carga alcalina também mostrou ser uma boa ferramenta, visto que as correlações entre os dados reais e estimados ficaram acima de 88% e 60%, respectivamente. Várias variáveis associadas com a matéria-prima e com o processo de polpação que foram estudadas apresentaram comportamento semelhante e/ou iguais o que a maioria dos estudos experimentais encontraram.

In this study, data collected on an industrial scale for some years, underwent modeling using generalized additive models (GAM) and artificial neural networks (ANN) as tools to evaluate the influence of some variables, timber and process on production and digester alkali charge. Generalized additive models were fitted using the software R (R Development Core Team, 2010), through the library "mgcv" (Wood, 2006), specific settings for generalized additive models. Significance tests were applied for each model set. In order to supplement the data were analyzed using artificial neural networks.One hundred RNA were adjusted to relate to production and the digester alkali charge, and variables such as wood density, age, precipitation, dry content of wood chips, bulk density of chips, the wood basic density, pulp viscosity and kappa. In this step we employed the software Statistica (Statsoft, Inc., 2007). The results show that the Generalized Additive Model (GAM) is a good choice to represent the phenomena of the pulp industry, where the variables are highly variable and there is strict control, unlike what happens on data from experimental designs. Should the use of RNA to estimate the output from the digester alkali charge and also proved a useful tool, since the correlations between actual and estimated data were above 88% and 60% respectively. Several variables associated with the raw material and the pulping process that were studied showed similar behavior and / or equal to what the majority of experimental studies have found.