PIECE Program for North American Mobility In Higher Education Rev:2.2 Créé à L'École Polytechnique de Montréal et Universidad de Guanajuato Program for.

Présentation au sujet: "PIECE Program for North American Mobility In Higher Education Rev:2.2 Créé à L'École Polytechnique de Montréal et Universidad de Guanajuato Program for."— Transcription de la présentation:

1 PIECE Program for North American Mobility In Higher Education Rev:2.2 Créé à L'École Polytechnique de Montréal et Universidad de Guanajuato Program for North American Mobility in Higher Education (NAMP) Introducing Process Integration for Environmental Control in Engineering Curricula (PIECE) Module 8: Introduction à lIntégration des Procédés – Niveau 2

2 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 2 Résumé du projet Objectifs Créer des modules dapplication via internet pour aider les universités à présenter lintroduction de lIntégration des Procédés dans les programmes détudes en ingénierie Rendre ces modules largement disponibles dans chacun des pays participants Institutions participantes Deux universités dans chacun des trois pays (Canada, Mexique et États-Unis) Deux instituts de recherche dans différents secteurs de lindustrie: pétrole (Mexique), pâtes et papiers (Canada) Chacune des six universités a parrainé 7 échanges détudiants durant la période de la bourse, subventionnée en partie par le gouvernement des 3 pays.

3 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 3 Quelle est la structure de ce module ? Tous les modules sont divisés en 3 niveaux, chacun ayant un but spécifique: Niveau 1: Information préliminaire Niveau 2: Application avec des études de cas Niveau 3: Problèmes avec structure de réponse ouverte Ces niveaux doivent être complétés dans cet ordre spécifique. Les étudiants seront questionnés à différents moments pour mesurer leur degré de compréhension, avant de passer au niveau suivant. Chaque niveau comprend un énoncé dintention au début et un quiz à la fin des Niveaux 1 et 2. Structure du Module 8

4 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 4 Quel est le but de ce module ? Le but de ce module est de couvrir les aspects de base des méthodes et outils de lIntégration des Procédés, et de situer lIntégration des Procédés dans une perspective plus vaste. Cette étape a été identifiée comme pré-requis pour les autres modules en relation avec lapprentissage de lIntégration des Procédés. But du Module 8

5 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 5 Niveau 2 Exemples solutionnés

6 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 6 Niveau 2: Objectifs Niveau 2: Énoncé dintention Le but de ce niveau est de démontrer des concepts et outils variés de lIntégration des Procédés en utilisant des exemples réels. Trois exemples seront donnés, se concentrant principalement sur trois outils de lIntégration des Procédés. À la fin du Niveau 2, létudiant devrait avoir une idée générale de ce quest: Modélisation guidée par les données – Analyse multivariable Analyse thermique du point dinvariance Contrôle et conception des procédés intégrés – Analyse de commandabilité

7 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 7 Le Niveau 2 est divisé en trois sections 2.1 Exemple solutionné, utilisant la modélisation guidée par les données, plus spécifiquement lanalyse multivariable 2.2 Exemple solutionné, utilisant lanalyse thermique du point dinvariance 2.3 Exemple solutionné, utilisant le contrôle et la conception des procédés intégrés, plus spécifiquement lanalyse de commandabilité Un court quiz à choix multiples suivra à la fin de ce niveau. Niveau 2 : Contenu

8 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 8 2.1 Exemple solutionné 1: Modélisation guidée par les données – Analyse multivariable 2.2 Exemple solutionné 2: Analyse thermique du point dinvariance 2.3 Exemple solutionné 3 : Contrôle et conception des procédés intégrés – Analyse de commandabilité Plan

9 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 9 Exemple solutionné 1: Modélisation guidée par les données – Analyse multivariable

10 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 10 2.1 Exemple solutionné 1: Modélisation guidée par les données – Analyse multivariable – RappelTmtX1X4X5Rep Y avec Y sans 112.512.74 122.363.22 132.452.56 20112.633.23 20122.552.47 20132.652.31 31012.452.67 31022.62.45 31032.532.98 40113.023.22 40122.72.57 40132.972.63 500012.893.16 500022.563.32 500032.523.26 60112.443.1 60122.222.97 60132.272.92 Représentation graphique de MVA Données brutes: impossibles à interpréter Modèle statistique (interne au logiciel) Éléments de sortie 2-D variations Y X X X X milliers de rangées centaines de colonnes............

11 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 11 On considère que létudiant est familier avec les concepts statistiques de base suivants: moyenne, médiane, mode; déviation standard, variance; normalité, symétrie; degré dassociation, coefficients de corrélation; R 2, Q 2, F-test; importance des différences, t-test, Khi-carré; valeurs et vecteurs propres On considère que létudiant est familier avec les concepts statistiques de base suivants: moyenne, médiane, mode; déviation standard, variance; normalité, symétrie; degré dassociation, coefficients de corrélation; R 2, Q 2, F-test; importance des différences, t-test, Khi-carré; valeurs et vecteurs propres Les tests statistiques aident à caractériser un ensemble de données existantes. Ils NE vous permettent PAS de faire des prédictions à propos de données futures. Pour cela nous devons nous référer aux techniques de régression… Les tests statistiques aident à caractériser un ensemble de données existantes. Ils NE vous permettent PAS de faire des prédictions à propos de données futures. Pour cela nous devons nous référer aux techniques de régression… 2.1 Exemple solutionné 1: Modélisation guidée par les données - Analyse multivariable Statistiques de base Régression Prendre un ensemble de points de données, chacun étant décrit par un vecteur de valeurs (y, x 1, x 2, … x n ) Trouver une équation algébrique qui exprime le mieux la relation entre y et les x i 's: Y = b 1 x 1 + b 2 x 2 + … + b n x n + e Exigences des données: données normalisées, erreurs normalement réparties avec une moyenne nulle et des variables indépendantes non corrélées

12 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 12 1 6 0 180 200 220 240 150160170180190200210220230240 YObservé YPrévisible MODÈLE IDÉAL Figure 1 2.1 Exemple solutionné 1: Modélisation guidée par les données - Analyse multivariable (MVA: Multivariate Analysis) Types de MVA 1.Analyse des principales composantes (PCA) Seulement les Xs Dans l'analyse des principales composantes, nous maximisons la variance expliquée par le modèle 2.Projection pour les structures latentes (PLS) Aussi appelée Moindres carrés partiels Xs et Ys Dans la projection pour les structures latentes, nous maximisons la covariance X Y X Le logiciel MVA génère deux types de données de sortie: résultats et diagnostiques Résultats: diagrammes des cotes, Résultats: diagrammes des cotes, diagrammes des charges Diagnostiques: graphique des résidus, Diagnostiques: graphique des résidus, observé vs. prédit et plusieurs autres Types de données de sortie MVA Q1Q2

13 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 13 2.1 Exemple solutionné 1: Modélisation guidée par les données - Analyse multivariable – (PCA: Principal Component Analysis) Considérez ces poissons. Nous pourrions mesurer, pour chaque poisson, sa longueur et sa largeur. En supposant que 50 poissons ont été mesurés, un graphique ressemblant à celui montré à la figure 2 pourrait être obtenu. Il y a une relation évidente entre la longueur et la largeur, plus le poisson est long, plus il est large. Reference: Manchester Metropolitan University Élément principal de lanalyse PCA Figure 2

14 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 14 2.1 Exemple solutionné 1: Modélisation guidée par les données - Analyse multivariable – PCA Déplacer les axes pour que leur point d'origine soit maintenant centré sur le nuage de points : c'est un changement dans l'échelle de mesure. Dans ce cas les moyennes pertinentes ont été soustraites de chaque valeur. Déplacer les axes pour que leur point d'origine soit maintenant centré sur le nuage de points : c'est un changement dans l'échelle de mesure. Dans ce cas les moyennes pertinentes ont été soustraites de chaque valeur. En fait, l'axe majeur est une nouvelle variable, la taille. Dans son expression la plus simple, taille = longueur + largeur En fait, l'axe majeur est une nouvelle variable, la taille. Dans son expression la plus simple, taille = longueur + largeur combinaison linéaire de deux variables existantes, auxquelles on a donné un poids égal combinaison linéaire de deux variables existantes, auxquelles on a donné un poids égal Supposons que nous considérons la longueur plus importante que la largeur dans la détermination de la taille. Dans ce cas nous pourrions utiliser les poids ou les coefficients pour introduire les contributions différentielles: taille = 0.75 x longueur + 0.25 x largeur Supposons que nous considérons la longueur plus importante que la largeur dans la détermination de la taille. Dans ce cas nous pourrions utiliser les poids ou les coefficients pour introduire les contributions différentielles: taille = 0.75 x longueur + 0.25 x largeur Par commodité, nous devrions normalement tracer le graphique avec l'axe X horizontal, ce qui donnerait l'apparence d'une rotation des points plutôt que des axes. Par commodité, nous devrions normalement tracer le graphique avec l'axe X horizontal, ce qui donnerait l'apparence d'une rotation des points plutôt que des axes. Figure 3 Figure 5 Figure 4 Reference: Manchester Metropolitan University

15 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 15 2.1 Exemple solutionné 1: Modélisation guidée par les données - Analyse multivariable – PCA Un critère pour le second axe est qu'il devrait tenir compte autant que possible de la variation restante. Cependant, il devrait également être non corrélé (orthogonal) avec le premier. Un critère pour le second axe est qu'il devrait tenir compte autant que possible de la variation restante. Cependant, il devrait également être non corrélé (orthogonal) avec le premier. Dans cet exemple, les longueurs et les orientations de ces axes sont données par les valeurs propres et les vecteurs propres de la matrice de corrélation. Si nous retenions seulement la variable 'taille', nous retiendrions 1.75/2.00 x 100 (87.5%) de la variante originale. Par conséquent, si nous supprimions le second axe nous perdrions 12.5% de l'information originale. Dans cet exemple, les longueurs et les orientations de ces axes sont données par les valeurs propres et les vecteurs propres de la matrice de corrélation. Si nous retenions seulement la variable 'taille', nous retiendrions 1.75/2.00 x 100 (87.5%) de la variante originale. Par conséquent, si nous supprimions le second axe nous perdrions 12.5% de l'information originale. Figure 6 Figure 7 Reference: Manchester Metropolitan University

16 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 16 2.1 Exemple solutionné 1: Modélisation guidée par les données - Analyse multivariable Projection pour les structures latentes (PLS) La projection pour les structures latentes (PLS) amène un ensemble de composantes orthogonales qui : maximise le niveau d'explications à la fois de X et Y fournit une équation prévisible pour Y en termes des X's Ceci est accompli en: fixant un ensemble de composantes à X (comme dans PCA) fixant de la même façon un ensemble de composantes à Y réconciliant les deux ensembles de composantes pour maximiser l'explication de X et Y Linterprétation des résultats de PLS a toutes les mêmes difficultés que celle de PCA, plus une autre: donner un sens aux composantes individuelles à la fois dans les espaces X et Y. En dautres mots, pour que les résultats aient du sens, la première composante en X doit être reliée dune façon quelconque à la première composante en Y

17 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 17 2.1 Exemple solutionné 1: Modélisation guidée par les données - Analyse multivariable Jetons un coup dœil à un moulin à papier journal typique, à pâte thermomécanique intégrée (TMP), en Amérique du Nord. Le gérant du moulin de cette usine reconnaît qu'il y a trop de données à considérer et qu'il y a un besoin d'évaluer la qualité de leur produit final, c.a.d le papier. Il décide d'utiliser l'analyse multivariable pour obtenir autant d'informations que possible à partir de l'ensemble des données et pour essayer de déterminer les variables les plus importantes qui pourraient avoir un impact sur la qualité du papier, pour pouvoir classer la qualité du produit final. Le gérant du moulin décide de regarder d'abord la portion raffinage du procédé de mise en pâte. Énoncé du problème Figure 8

18 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 18 2.1 Exemple solutionné 1: Modélisation guidée par les données - Analyse multivariable Variables X et Y Variables Y Les données sur la qualité de la pâte après le cuvier de latence (automatisé, analyse en ligne des échantillons saisis): les paramètres standards de l'industrie incluant la distribution de la longueur des fibres, l'égouttage, la consistance et le degré de blancheur Les données sur la qualité de la pâte après le cuvier de latence (automatisé, analyse en ligne des échantillons saisis): les paramètres standards de l'industrie incluant la distribution de la longueur des fibres, l'égouttage, la consistance et le degré de blancheur Variables X Copeaux entrants: distribution de la taille, densité en vrac, humidité Copeaux entrants: distribution de la taille, densité en vrac, humidité Données opérationnelles du raffineur: débit; répartition de l'énergie entre les raffineurs primaire et secondaire; taux de dilution; niveaux, pressions et températures dans les différentes unités reliées directement aux raffineurs; voltage des convoyeurs à vis pour copeaux; température du corps du raffineur Données opérationnelles du raffineur: débit; répartition de l'énergie entre les raffineurs primaire et secondaire; taux de dilution; niveaux, pressions et températures dans les différentes unités reliées directement aux raffineurs; voltage des convoyeurs à vis pour copeaux; température du corps du raffineur La saison, représentée par la température moyenne mensuelle mesurée à une station météorologique avoisinante La saison, représentée par la température moyenne mensuelle mesurée à une station météorologique avoisinante Y Xs Figure 9

19 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 19 2.1 Exemple solutionné 1: Modélisation guidée par les données - Analyse multivariable Ceci est la représentation graphique de R 2 et Q 2 pour le modèle. Les valeurs de R 2 nous disent que la première composante explique 32% de la variabilité des données initiales, la seconde un autre 7% et la troisième un autre 6%. Les valeurs de Q 2 sont plus basses. Ceci signifie que la puissance prévisible du modèle est d'environ 40% en utilisant les trois composantes. Ceci peut sembler bas, mais normal pour les données réelles du procédé. Figure 10 Résultats Automne Hiver Printemps Été 2000 2001 2002 Figure 11

20 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 20 2.1 Exemple solutionné 1: Modélisation guidée par les données - Analyse multivariable Automne Hiver Printemps Été Figure 12 La Variation dans cette direction semble se produire ENTRE les saisons ( Composante 2) La Variation dans cette direction semble se produire ENTRE les saisons ( Composante 2) La variation dans cette direction semble se produire À L'INTÉRIEUR d'une saison donnée ( Composante 1) La variation dans cette direction semble se produire À L'INTÉRIEUR d'une saison donnée ( Composante 1) Interprétation des résultats – Diagramme des cotes

21 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 21 2.1 Exemple solutionné 1: Modélisation guidée par les données - Analyse multivariable Interprétation des résultats – Diagramme des charges Débit de la pâte Énergie de raffinage Écoulements de la dilution Formation de vapeur Débit de la pâte Énergie de raffinage Écoulements de la dilution Formation de vapeur Degré de blancheur de la pâte Saison Saison Consommation dagent de blanchiment Figure 13

22 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 22 2.1 Exemple solutionné 1: Modélisation guidée par les données - Analyse multivariable Interprétation des résultats Première composante La première composante correspond au débit: plusieurs variables du procédé sont reliées directement ou indirectement au débit. Vous souvenez-vous que nous avons dit que la première composante était quelque chose qui variait à lintérieur dune même saison? Deuxième composante La deuxième composante explique seulement 7% de la variabilité totale. Elle est cependant « plus confuse » que la première composante, et elle sera moins facile à interpréter. Il est aussi possible d'observer que les trois années étaient séparées pour ce qui est de cette deuxième composante Un indice majeur apparaît dans la prédominance des deux volets importants et reliés: consommation d'agent de blanchiment et degré de blancheur de la pâte. Ceci suggèrerait que peut-être le degré de blancheur des copeaux de bois entrants était différent d'une année à l'autre, demandant plus de blanchiment pour obtenir une pâte moins blanche Remarquez aussi que la saison est prédominante. Ceci peut être observé avec la séparation évidente des saisons sur le diagramme des cotes. Ceci suggère que les copeaux de l'hiver sont moins brillants que ceux de l'été Troisième composante La troisième composante explique seulement 6% de la variabilité totale La troisième composante est reliée à la période de lannée. Une interprétation raisonnable pourrait être que les copeaux de lété diffèrent des copeaux de lhiver d'une certaine façon autre que le degré de blancheur, ce qui a déjà été couvert par la deuxième composante. Ceci pourrait être, par exemple, la facilité avec laquelle les fibres de bois peuvent être séparées les unes des autres.

23 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 23 2.1 Exemple solutionné 1: Modélisation guidée par les données - Analyse multivariable En utilisant PCA, nous avons déterminé que 45% de la variabilité dans les 130 variables initiales peuvent être représentés en utilisant seulement 3 nouvelles variables ou composantes. Ces trois composantes sont orthogonales, signifiant que la variation entre chacune se produit indépendamment des autres. En dautres mots, les nouvelles composantes nont pas de corrélation entre elles. DÉBIT DE RAFFINAGE Composante 1 Explique 32% Composante 2 Explique 7% Composante 3 Explique 6% DEGRÉ DE BLANCHEUR ÉTÉ/HIVER ÉTÉ/HIVER Résumé des résultats de PCA

24 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 24 2.1 Exemple solutionné 1: Modélisation guidée par les données - Analyse multivariable Carte de référence de la qualité X X X Figure 14

25 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 25 2.1 Exemple solutionné 1: Modélisation guidée par les données – Analyse multivariable 2.2 Exemple solutionné 2: Analyse thermique du point dinvariance 2.3 Exemple solutionné 3: Contrôle et conception des procédés intégrés – Analyse de commandabilité Plan

26 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 26 Exemple solutionné 2: Analyse thermique du point dinvariance

27 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 27 PROCÉDÉUnitéFROIDEUnitéCHAUDE 2.2 Exemple solutionné 2: Analyse thermique du point dinvariance - Rappel Utilisation des services Échanges internes Coûts des services chutent Coûts en rapport avec le domaine des échanges grimpent De 100% services...... à 100% échanges internes $ Compromis Compromis Qu'est-ce que l'analyse thermique du point d'invariance?

28 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 28 Exemple: chaudière de récupération Exemple: chaudière de récupération Solution évidente: préchauffer l'eau fraîche qui entre, avec le condensé chaud qui sort de la chaudière Solution évidente: préchauffer l'eau fraîche qui entre, avec le condensé chaud qui sort de la chaudière 2.2 Exemple solutionné 2: Analyse thermique du point dinvariance Figure 15 Au moins 40 jets de chaud à frais… Qu'arrive-t-il ave un site entier ? Qu'arrive-t-il avec le site entier? Au moins 40 courants pour chauffer et refroidir…

29 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 29 Simulation Extraction Usine Choix des objectifs Conception dun réseau déchangeurs de chaleur Extraction des données (courants chauds et froids) gardant à lesprit, les objectifs spécifiques déconomies dénergie Analyse choix des objectifs, i.e. énergie, conception et objectifs économiques Utilisation de lheuristique pour concevoir un réseau déchangeurs de chaleur qui atteindra les objectifs déconomie dénergie à moindre coût Transfert des résultats obtenus à la réalité de lusine 2.2 Exemple solutionné 2: Analyse thermique du point dinvariance Tmin Tmin

30 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 30 Courbe composite froide froide Courbe composite chaude Tmin Tmin Exigence de chauffage Exigence de refroidissement Point d'invariance 2.2 Exemple solutionné 2: Analyse thermique du point dinvariance Courbes composites Température Enthalpie Figure 16

31 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 31 2.2 Exemple solutionné 2: Analyse thermique du point dinvariance Intégration de masse – Courbes composites pour la prévention de la pollution Figure 17 Figure 18

32 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 32 2.2 Exemple solutionné 2: Analyse thermique du point dinvariance Énoncé du problème Dans une firme de consultants, un ingénieur de procédés est engagé par une raffinerie de pétrole pour concevoir les unités conventionnelles atmosphériques de fractionnement du brut, comme illustré à la figure 19. L'objectif principal de ce projet est de minimiser la consommation d'énergie en utilisant l'analyse thermique du point d'invariance. L'usine utilise présentement 75000 kW en services de chauffage. Dans cet exemple, l'emphase sera mise sur la construction des courbes composites avec l'objectif d'identifier les opportunités d'économies d'énergie. Fournaise Dessaleur Colonne pour pétrole brut Naphtha-PA Kerosene L- H-gasoil ATB Pétrole brut E1 E2 E3 E4 E5 E6 E7 1 2 5 6 7 8 9 2 10 11 13 14 15 16 BPA 12 Naphtha-PA Kérosène H- ATB E1 E2 E3 E4 E5 E6 E7 1 2 3 4 5 6 7 8 9 10 11 13 14 15 16 BPA 12 Figure 19 gasoil

33 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 33 3-5ºC Low-temperature processes 10-20ºCChemical 10-20ºCPetrochemical 30-40ºC Oil Refining min min Industrial Sector Tableau 2 2.2 Exemple solutionné 2: Analyse thermique du point dinvariance Desalter Colonne pétrole brut Naphtha-PA Kerosene L-gasoil H-gasoil ATB Alimentation brute 20º BPA 150º 150º 390º 150º 100º 180º 30º 40º 30º 50º 270º 290º 190º 350º 380º 1 2 3 6 4 5 8 7 Crude Pre-heat train º ºC Condition Stream Number Stream Number Figure 20 ProcessHeatMassHeatSupplyTargetStreamHeat*Fouling streamcapacityflowcapacitytemperatureTemperatureHeatTransfer numberrateflowratedutycoefficient and type(J/kgK)(kg/s)(kW/K)(ºC) (kW) (W/m 2 K)(m 2 ºC/W) (1)Cold2600.00200.00520.0020.00150.0067600.00170.000.00147 (2)Cold2600.00200.00520.00150.00390.00124800.00170.000.00147 (3)Hot2600.00253.00657.80150.00100.00-32890.00170.000.00147 (4)Hot2600.0023.0059.80180.0030.00-8970.00170.000.00147 (5)Hot2600.0044.00114.40270.0040.00-26312.00170.000.00147 (6)Hot2600.00148.00384.80290.00190.00-38480.00170.000.00147 (7)Hot2600.0013.0033.80350.0030.00-10816.00170.000.00147 (8)Hot2600.0056.00145.60380.0050.00-48048.00170.000.00147 * Fouling Factor included Tableau 1 Extraction des données

34 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 34 Tableau 3 1. Triez en ordre ascendant les températures de courants chauds, en omettant les températures communes En utilisant les données ci-haut, nous formons des intervalles de températures pour le procédé T1 T2 T3 T4Intervalle1 2 3 2.2 Exemple solutionné 2: Analyse thermique du point dinvariance – Courbes composites Les températures sont triées en ordre ascendant, omettant les températures communes TH Figure 21

35 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 35 Tableau 4 2. Additionnez le CP de chaque courant présent dans chaque intervalle de température Nous obtenons alors la composite CP pour chaque intervalle de température 2.2 Exemple solutionné 2: Analyse thermique du point dinvariance – Courbes composites

36 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 36 Tableau 5 3. Calculez lenthalpie nette pour chaque intervalle de température Nous obtenons lenthalpie pour chaque intervalle de température, comme montré dans la colonne Q int,h 2.2 Exemple solutionné 2: Analyse thermique du point dinvariance – Courbes composites

37 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 37 Tableau 6 4. Obtenez lenthalpie accumulée pour chaque intervalle de température 2.2 Exemple solutionné 2: Analyse thermique du point dinvariance – Courbes composites

38 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 38 303 313 323 373 423 453 463 543 563 623 653 Courbe composite chaude 300 400 500 600 700 050000100000150000200000 H (kW) T (K) Figure 22 2.2 Exemple solutionné 2: Analyse thermique du point dinvariance – Courbes composites 5. Tracez le graphique des données de température sur laxe Y vs. lenthalpie accumulée sur laxe X

39 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 39 Courbe composite froide 250 300 350 400 450 500 550 600 650 700 050000100000150000200000250000 H (kW) T(K) Figure 23 293 423 663 La construction de la courbe composite froide est identique à celle de la courbe composite chaude Tableau 7 2.2 Exemple solutionné 2: Analyse thermique du point dinvariance – Courbes composites

40 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 40 Courbe composite froide Courbe composite chaude Cette représentation réduit le procédé entier en un courant combiné de chaud et de froid Cette représentation réduit le procédé entier en un courant combiné de chaud et de froid La récupération de la chaleur entre les courbes composites peut être augmentée jusquà ce que nous atteignions Tmin. Les courbes composites, exactement comme des courants individuels, peuvent être déplacées horizontalement sur le diagramme T-H sans causer de changements au procédé, parce que H est une fonction détat La récupération de la chaleur entre les courbes composites peut être augmentée jusquà ce que nous atteignions Tmin. Les courbes composites, exactement comme des courants individuels, peuvent être déplacées horizontalement sur le diagramme T-H sans causer de changements au procédé, parce que H est une fonction détat Ceci établit les exigences minimales de chauffage (Q Hmin ) et de refroidissement (Q Cmin ) des services, pour le procédé entier et la récupération maximale possible de chaleur entre procédés Ceci établit les exigences minimales de chauffage (Q Hmin ) et de refroidissement (Q Cmin ) des services, pour le procédé entier et la récupération maximale possible de chaleur entre procédés Internal Heat Recovery QHmin Exigence de refroidissement minimal QCmin Exigence de chauffage minimal 0 Application des courbes composites 100 200 300 400 500 600 700 050000100000150000200000250000 H (kW) T (K) Figure 24 2.2 Exemple solutionné 2: Analyse thermique du point dinvariance – Courbes composites T min = 40K

41 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 41 2.2 Exemple solutionné 2: Analyse thermique du point dinvariance Comme montré dans les diapositives précédentes, du diagramme température-enthalpie, nous pouvons déterminer trois éléments utiles dinformations: La quantité de récupération de chaleur possible entre procédés, représentée par lespace entre les deux courbes composites La quantité de récupération de chaleur possible entre procédés, représentée par lespace entre les deux courbes composites L'exigence ou l'objectif du service de chauffage = 57668 kW L'exigence ou l'objectif du service de chauffage = 57668 kW L'exigence ou l'objectif du service de refroidissement = 30784 kW L'exigence ou l'objectif du service de refroidissement = 30784 kW Résumé des résultats Les courbes composites sont dexcellents outils pour apprendre les méthodes et comprendre la situation énergétique globale, mais une consommation minimale dénergie et le point d'invariance de la récupération de la chaleur sont plus souvent obtenus par des procédures numériques. Cette méthode est appelée algorithme du tableau de problèmes. Typiquement, elle est basée sur les notions de cascade calorifique. Q5Q6

42 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 42 2.1 Exemple solutionné 1: Modélisation guidée par les données – Analyse multivariable 2.2 Exemple solutionné 2: Analyse thermique du point d'invariance 2.3 Exemple solutionné 3: Contrôle et conception dun procédé intégré – Analyse de commandabilité Plan

43 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 43 Exemple solutionné 3: Contrôle et conception dun procédé intégré – Analyse de commandabilité

44 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 44 2.3 Exemple solutionné 3 : Contrôle et conception dun procédé intégré – Analyse de commandabilité - Rappel Principes fondamentaux Procédé capteur Variablesdentrée Variables de sortie (contrôlées et mesurées) Variables dentrée (manipulées) (manipulées) Perturbations Incertitudes Interactions internes RÉSILIENCE DU PROCÉDÉ FLEXIBILITÉ DU PROCÉDÉ Boucle de contrôle Figure 25

45 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 45 2.3 Exemple solutionné 3 : Contrôle et conception dun procédé intégré – Analyse de commandabilité CCFC C, F Eau: F1,C1 Pâte: F2,C2 SORTIES (meilleure sélection par lanalyse de commandabilité) ENTRÉES (variables manipulées ou perturbations) EFFETS Figure 26

46 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 46 2.3 Exemple solutionné 3 : Contrôle et conception dun procédé intégré – Analyse de commandabilité F 11 F 21 F 12 F 22 u1u1u1u1 u2u2u2u2 y1y1y1y1 y2y2y2y2 + + + + y1y1y1y1 y2y2y2y2 C1C1C1C1 C2C2C2C2 y 1sp y 2sp + +_ _ Figure 27

47 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 47 2.3 Exemple solutionné 3 : Contrôle et conception dun procédé intégré – Analyse de commandabilité F 11 F 21 F 12 F 22 u1u1u1u1 u2u2u2u2 y1y1y1y1 y2y2y2y2 ++++ u 1 u 1 ss Expérience 1: Changement de stade dans u1 avec toutes les boucles ouvertes Effet principal: Figure 28

48 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 48 2.3 Exemple solutionné 3 : Contrôle et conception dun procédé intégré – Analyse de commandabilité Expérience 2: Changement de stade dans u1 avec toutes les boucles fermées F 11 F 21 F 12 F 22 u1u1 u2u2 y1y1 y2y2 + + + + C2C2 e2 y 2sp + _ u 1 ss Effet total: Effet interactif Effet principal Figure 29

49 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 49 2.3 Exemple solutionné 3 : Contrôle et conception dun procédé intégré – Analyse de commandabilité Effet principal (1 ère expérience) Effet total (2 e expérience) Gain relatif ( RG: Relative Gain ) et Matrice de gain relatif ( RGA: Relative Gain Array ) 11 : mesure de lampleur de linteraction en régime permanent, en utilisant u 1 pour contrôler y 1, tout en utilisant u 2 pour contrôler y 2 11 : mesure de lampleur de linteraction en régime permanent, en utilisant u 1 pour contrôler y 1, tout en utilisant u 2 pour contrôler y 2 Gain relatif y1y1y1y1 u1u1u1u1 Matrice de gain relatif yiyiyiyi ujujujuj

50 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 50 2.3 Exemple solutionné 3 : Contrôle et conception dun procédé intégré – Analyse de commandabilité Sélection des boucles utilisant RGA – Comment sélectionner la configuration avec une interaction minimale y i : Variable contrôlée u j : Variable manipulée ImplicationRecommandation Boucle i non sujette à laction interactive des autres boucles u j na pas dinfluence directe sur y i - Boucles sont en interaction - sous 0.5, effet interactif > effet principal - Boucles sont en interaction - leffet interactif agit en opposition à leffet principal - Boucles sont en interaction - leffet interactif nagit pas seulement en opposition à leffet principal, mais il est aussi plus dominant Tableau 8

51 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 51 2.3 Exemple solutionné 3 : Contrôle et conception dun procédé intégré – Analyse de commandabilité Niederlinski (NI) : indice de stabilité du système Indice de conditionnement (CN: Condition Number) et Indice de conditionnement des perturbations (DCN: Disturbance Condition Number) : mesure de sensibilité Gain relatif des perturbations (RDG: Relative Disturbance Gain) : indice qui donne une idée de linfluence des interactions internes sur leffet des perturbations Autres: Décomposition en valeurs singulières (SVD: Singular Value Decomposition) Autres indices de commandabilité

52 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 52 2.3 Exemple solutionné 3 : Contrôle et conception dun procédé intégré – Analyse de commandabilité Énoncé du problème F5 F8F7F2 F6 F3 F4 F1 Figure 30 Dans cette étude de cas, lingénieur en contrôle des procédés est invité à créer un modèle de procédé de mise en pâte thermomécanique, pour trouver la meilleure sélection de contrôles de procédé et le jumelage variable pour une usine qui na pas encore été construite. Considérez la configuration simplifiée de la boucle courte de la machine à papier journal représentée sur la figure 30. Les techniques de jumelage variable seront appliquées aussi bien que lutilisation des indices de commandabilité.

53 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 53 Stock Chest Tableau 9 2.3 Exemple solutionné 3 : Contrôle et conception dun procédé intégré – Analyse de commandabilité contrôlées manipuléesperturbations P fin = % Fines retained Énoncé du problème

54 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 54 2.3 Exemple solutionné 3 : Contrôle et conception dun procédé intégré – Analyse de commandabilité BR Ret Pfin C Fines Perturbations Manipulé Contrôlé Figure 31

55 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 55 2.3 Exemple solutionné 3 : Contrôle et conception dun procédé intégré – Analyse de commandabilité = + GpGpGpGp GdGdGdGd Matrices de gains du procédé et commandabilité en régime permanent PerturbationsRGAContrôlé Manipulé = =

56 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 56 2.3 Exemple solutionné 3 : Contrôle et conception dun procédé intégré – Analyse de commandabilité BR Ret Pfin Figure 32

57 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 57 2.3 Exemple solutionné 3 : Contrôle et conception dun procédé intégré – Analyse de commandabilité Indice de Niederlinski (NI) Considérations de stabilité NI < 0. Le système sera instable sous des conditions de boucle fermée NI > 0. Le système est stabilisable (fonction des paramètres de contrôle) Indice de conditionnement (CN) Sensibilité à lincertitude du modèle CN ~< 2. Les effets multivariables de lincertitude ne semblent pas être sérieux CN ~> 10. Procédé MAL CONDITIONNÉ CN=713 NI=0.73 Indices de commandabilité (1)

58 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 58 Indice de conditionnement des perturbations (DCN) laction prise par la variable manipulée est-elle grande ou petite? 1 DCN CN Gain relatif des perturbations (RDG) Parmi les boucles, linteraction interne est-elle favorable ou non favorable pour rejeter les perturbations? RDG ~<2. Les interactions internes réduisent leffet de la perturbation 2.3 Exemple solutionné 3 : Contrôle et conception dun procédé intégré – Analyse de commandabilité Leffet des deux perturbations, %C et %fines dans la PÂTE FRAÎCHE, est réduit par les interactions internes. Tous les RDGs sont ~<2 Indices de commandabilité (2) DCN for %C pâte fraîche = 9.2 DCN for %fines pâte fraîche = 4.6 Il est plus difficile de rejeter un changement soudain dans la consistance de la pâte fraîche Il est plus difficile de rejeter un changement soudain dans la consistance de la pâte fraîche

59 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 59 2.3 Exemple solutionné 3 : Contrôle et conception dun procédé intégré – Analyse de commandabilité Conclusion Configuration de la structure de contrôle: les résultats RGA ont confirmé limplantation courante dans les moulins à papier journal Configuration de la structure de contrôle: les résultats RGA ont confirmé limplantation courante dans les moulins à papier journal Les interactions internes susmentionnées de la configuration réduisent leffet des perturbations sur les variables de sortie Les interactions internes susmentionnées de la configuration réduisent leffet des perturbations sur les variables de sortie Le procédé est mal conditionné. Lincertitude du modèle peut être largement amplifiée Le procédé est mal conditionné. Lincertitude du modèle peut être largement amplifiée Les indices de résilience, DCN et RDG, peuvent être utilisés pour tenir compte du rejet de la perturbation dans les procédés du papier journal Les indices de résilience, DCN et RDG, peuvent être utilisés pour tenir compte du rejet de la perturbation dans les procédés du papier journal

60 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 60 Fin du Niveau 2 C'est la fin du Niveau 2. À ce moment-ci, nous assumons que vous avez tout lu. Vous devriez avoir une très bonne idée de ce qu'est l'Intégration des Procédés aussi bien qu'une connaissance de base de l'analyse multivariable, de l'analyse thermique du point d'invariance et de l'analyse de commandabilité. Pour plus d'informations sur les outils présentés dans le Niveau 2, aussi bien que sur les autres outils de lIntégration des Procédés, présentés dans le Niveau 1, s.v.p. consulter les diapositives de référence des Niveaux 1 et 2. Avant de passer au Niveau 3, un court quiz à choix multiples suivra.

61 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 61 QUIZ

62 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 62 Question 1 Quelle est la principale utilisation de lanalyse des composantes? 1.Comprendre les relations entre les variables d'un système 2.Identifier les composantes ayant une influence sur un ou plusieurs résultats 3.Prédire certains résultats 4.Maximiser la covariance d'un ensemble de variables 2 et 3 1,2 et 3 1 1 et 2 1 et 3 3 Niveau 2 - QUIZ

63 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 63 Question 2 Associez chaque résultat de lanalyse multivariable au genre dinformation quil fournit à lutilisateur. 1.Diagramme des résidus A. Montre tous les points des données initiales dans un nouvel ensemble de coordonnées ou de composantes 2. Diagramme des cotes B. Montre la distance entre chaque observation réelle dans lensemble de données et la valeur prévisible basée sur le modèle 3. Observé vs. PréditC. Montre lexactitude de la prévision 4. Diagramme des chargesD. Montre comment chaque variable est étroitement liée avec chaque nouvelle composante 1B, 2A, 3C, 4D 1B, 2D, 3C, 4A 1C, 2D, 3A, 4B 1A, 2D, 3B, 4C 1D, 2B, 3A, 4C 1B, 2C, 3D, 4A Niveau 2 - QUIZ

64 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 64 Question 3 Les longueurs et orientations des axes obtenus avec un PCA sont données par les valeurs propres et les vecteurs propres de la matrice de corrélation. Supposons que les variables de longueur et de largeur ont un coefficient de corrélation plus bas que dans l'exemple donné à la diapositive 13, et que nous obtenons les valeurs propres montrées dans la figure ci-dessous. Si nous omettions le deuxième axe, quel pourcentage de l'information originale perdrions-nous? 12,5% 0% 25% 37,5% 75% 62,5% Niveau 2 - QUIZ

65 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 65 Question 4 Dans le contexte de l'analyse thermique du point d'invariance, quel est le courant chaud? 1. Un courant de procédé qui a besoin d'être chauffé 2. Un courant de procédé avec une très haute température 3. Un courant de procédé qui est utilisé pour produire de la vapeur 4. Un courant de procédé qui a besoin d'être refroidi 1 2 3 4 TIER II - QUIZ

66 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 66 Question 5 Plus hauts Plus bas Resteraient les mêmes Une analyse thermique du point d'invariance a été effectuée dans une usine et le T min a été établi à 40ºC. Si une autre usine avait à être construite avec un t min plus bas, comment les coûts d'énergie correspondants pourraient-ils être comparés à la première usine? TIER II - QUIZ

67 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 67 Question 6 Lesquels des énoncés suivants sont vrais? 1.La consommation dénergie minimale et la récupération de chaleur du point dinvariance sont plus souvent obtenues par des courbes composites 2.Les courbes composites, tout comme les courants individuels, peuvent être déplacés horizontalement sur le diagramme T-H sans causer de changements au procédé 3.La chaleur peut parfois être transférée au travers du point dinvariance 4.Avec l'aide de Tmin et les données thermiques, l'analyse du point d'invariance fournit une cible pour la consommation minimale de l'énergie 2 et 3 Toutes ces réponses 1 et 3 1 et 2 2 et 4 3 et 4 Niveau 2 - QUIZ

68 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 68 Question 7 Niveau 2 - QUIZ 1. Indice de Niederlinski 2. Gain relatif des perturbations 3. Indice de conditionnement 4. Matrice de gain relatif 1B, 2A, 3C, 4D 1D, 2C, 3B, 4A 1C, 2D, 3A, 4B 1A, 2D, 3B, 4C 1D, 2B, 3A, 4C 1B, 2C, 3D, 4A A.Montre l'importance des interactions dans un système B.Évalue la sensibilité des réponses aux problèmes des erreurs à l'entrée C.Inclut les perturbations dans l'analyse des interactions Débat de la stabilité de la configuration d'un contrôle en boucle ferméeDébat de la stabilité de la configuration d'un contrôle en boucle fermée Associez chaque outil ou indice de commandabilité avec le genre d'information fourni à l'utilisateur

69 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 69 Question 8 Niveau 2 - QUIZ 1 et 5 4 et 6 3 et 6 2 et 6 4 et 5 2 et 5 Dans la matrice de gain relatif montrée sur la diapositive 54, qu'est-ce que les valeurs 1.566 et 1.603 pour le jumelage de F40 et C34, et Pfin et Ret, vous révèlent? 1. Il ny a pas dinteraction avec les autres boucles de contrôle 2. Leffet interactif est plus important que leffet principal 3. Lentrée manipulée na pas deffet sur la sortie 4. Les interactions des autres boucles sont opposées dans la direction, mais plus petites en magnitude que leffet de la boucle principale 5. Le jumelage est recommandé 6. Le jumelage n'est pas recommandé

70 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 70 Question 9 Niveau 2 - QUIZ Lesquels de ces énoncés suivants sont faux? 1.Le contrôle de laction directe compense pour les perturbations non mesurables 2.Le contrôle de la rétroaction compense pour les perturbations mesurables 3.La résilience est le degré avec lequel un système de procédés peut rencontrer ses objectifs de conception en dépit des incertitudes dans ses paramètres de conception 4.La flexibilité est le degré avec lequel un système de procédés peut rencontrer ses objectifs de conception en dépit des perturbations externes 2 et 3 Toutes ces réponses 1 et 3 1 et 2 2 et 4 3 et 4

71 PIECENAMP Module 8: Introduction à l'Intégration des Procédés 71 Réponses Question 11 et 2 Question 21B, 2A, 3C, 4D Question 337,5% Question 44 Question 5Plus bas Question 62 et 4 Question 71D, 2C, 3B, 4A Question 84 et 5 Question 9Toutes ces réponses Niveau 2 - QUIZ