Inferência por redes neurais da distribuição de tamanho de partícula em reações contínuas de polimerização em emulsão

Abstract

As exigências do mercado mundial em relação à produtividade e qualidade dos produtos poliméricos tornam crescente o número dos trabalhos que tem como objetivo o monitoramento e o controle de qualidade final do látex polimérico. Nesse contexto, a distribuição do tamanho de partícula (DTP) é uma das características mais importantes estando associada às propriedades reológicas, máximo teor de sólidos, adesão e tempo de secagem do látex. No entanto, para distribuições polidispersas ou com partículas muito pequenas, os métodos de determinação experimental das DTPs ao longo da reação de polimerização possuem uma complexidade e requerem um tempo de análise que inviabilizam sua utilização em tempo real. A modelagem das DTPs por meio das Equações de Balanço Populacional, também enfrenta barreiras relacionadas a simplificações que viabilizam a resolução destas equações, mas tornam os resultados limitados. Neste sentido, este trabalho propõe a inferência das curvas de distribuição de tamanho de partícula, através de RNs Multi Layer Perceptron (MLP) treinadas pelo algoritmo de otimização global Particle Swarm Optimization (PSO). Os dados provenientes de reações de copolimerização em emulsão em reator loop contínuo foram selecionados como objeto de estudo, visto que para as condições reacionais investigadas são observadas sucessivas renucleações que provocam o aparecimento de distribuições multimodais ao longo das reações. O diferencial da estratégia está na implementação de uma rede neural dinâmica em Série (RNDS) e na utilização da Função Lognormal Bimodal (FLB) para descrever as DTPs. Os resultados mostram que a RNDS prediz com precisão a evolução das DTPs ao longo da reação, com alta correlação entre distribuições experimentais e preditas. Além disso, a proposta de utilização de um algoritmo estocástico se mostrou consistente, visto que os valores para os desvios padrão dos parâmetros ajustados se mostraram sempre muito baixos.<br>

Abstract: Polymer market requirements in terms of productivity and quality have led to an increase of the number of works involving process monitoring and final quality control of polymeric latexes. In this context, the particle size distribution is one of the most important characteristics and being associated with rheological properties, maximum solids content, adhesion and drying time. However, for polydisperse distributions or very small particle sizes, the experimental determination methods of the particle size distributions during the polymerization reaction are quite complex and time consuming hampering their usage in real time monitoring strategies. The particle size distribution modeling by means of Population Balance Equations also faces difficulties related to simplifications, which enable the resolution but turn the results rather limited. Therefore, this work proposes the inference of the particle size distributions by means of a Multi-Layer Perceptron Neural Network trained by the global optimization algorithm Particle Swarm Optimization. As case study, experimental data of emulsion copolymerization reactions in a continuous loop reactor were selected, since the particle size distributions of these reactions present a rather complex and challenging behavior due to successive re-nucleations, which cause the appearance of multimodal distributions during the reactions. The contribution of the suggested strategy is the implementation of a Dynamic Neural Network in series and the usage of the Bimodal Lognormal Function to describe the particle size distribution. The results show that the Dynamic Neural Network predicts with accuracy the evolution of the particle size distributions during the reactions, with high correlation between the experimental and predicted distributions. In addition, the use of a stochastic algorithm has shown consistency, since the values to the standard deviation of the adjusted parameters were very low.