Estimacao Parametros

ESTIMAÇÃO DE PARÂMETROS EM MODELOS DE PROCESSO USANDO
DADOS INDUSTRIAIS E TÉCNICA DE RECONCILIAÇÃO DE DADOS.
Antonio Martins de Oliveira Júnior
TESE SUBMETIDA AO CORPO DOCENTE DA COORDENAÇÃO DOS

PROGRAMAS DE PÓS-GRADUAÇÃO DE ENGENHARIA DA UNIVERSIDADE
FEDERAL DO RIO DE JANEIRO COMO PARTE DOS REQUISITOS
NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE DOUTOR EM CIÊNCIAS
EM ENGENHARIA QUÍMICA.
Aprovada por:
Prof. Enrique Luis Lima, D.Sc.
Prof. José Carlos Costa da Silva Pinto, D.Sc.
Prof. Evaristo Chalbaud Biscaia Júnior, D.Sc.
Prof. Carlos Augusto Guimarães Perlingeiro, D.Sc.
Prof. Maurício Bezerra de Souza Júnior, D.Sc.
Dr. Antonio Gomes de Mattos Neto, Ph.D.
RIO DE JANEIRO, RJ – BRASIL

MAIO DE 2006
OLIVEIRA JÚNIOR, ANTONIO MARTINS
DE
Estimação de Parâmetros em Modelos de
Processo Usando Dados Industriais e Técnica
de Reconciliação de Dados [Rio de Janeiro]
2006
XIX, 197 p. 29,7 cm (COPPE/UFRJ, D.Sc.,
Engenharia Química, 2006)
Tese – Universidade Federal do Rio de
Janeiro, COPPE
1. Classificação de variáveis
2. Estimação de parâmetros
3. Reconciliação de dados
I. COPPE/UFRJ II. Título (série)
ii
Eu tava triste tristinho
mais sem graça que a top model magrela
na passarela
eu tava só sozinho
mais solitário que um paulistano
que um canastrão na hora que cai o pano
(que um vilão de filme mexicano)
tava mais bobo que banda de rock
que um palhaço do circo vostok
mas ontem eu recebi um telegrama
era você de aracaju ou do alabama
dizendo nego sinta-se feliz
porque no mundo tem alguém que diz:
que muito te ama que tanto te ama
que muito muito te ama que tanto te ama
por isso hoje eu acordei
com uma vontade danada
de mandar flores ao delegado
de bater na porta do vizinho
e desejar bom dia
de beijar o português da padaria
mama oh mama oh mama
quero ser seu
quero ser seu
quero ser seu
quero ser seu papa
(Zeca Baleiro)
iii
Dedicatória
Ao meu pequeno grande filho

Leonardo.
iv
Agradecimentos
A Deus.
A painho, pelo exemplo e por possibilitar hoje a realização dessa conquista, e mainha
pelas horas de sono que não teve para que os filhos pudessem realizar seus sonhos.
A minha amada esposa, Princesinha, batalhadora incansável e incentivadora maior dessa

conquista.
Aos meus irmãos Deca e Marquinho’s. Vocês são sangue do meu sangue. Onde quer
que vocês estejam, eu estarei com vocês.
A Dona Neodêmia, exemplo de fortaleza.
A Seu Netônio e Dona Léa pelo amor de pai e mãe em todos os momentos.
Aos professores José Carlos e Enrique, pela eterna paciência e amizade durante todos
esses longos anos de trabalho, e por sempre confiarem na realização desse trabalho. Sou
agradecido demais a vocês. Valeu Zé! Valeu Enrique!
Ao eterno Prof. Massarani que me recepcionou na chegada ao Rio de Janeiro em 1993

me chamando por um nome de uma bala típica da região. O branco do olho continuará
existindo. Certamente, o Sr. contribuiu com esse ciclo que agora se encerra. Meu
muitíssimo obrigado.
Aos professores Alan, Gracindo, Marquinhos, Bia, Rossana e Uchoa (todos da UNIT);
Gabriel, Sidney, Elenice e Marcelo Barros (todos da UFS); Evaristo, Geraldo, Tito e
Márcia (todos do PEQ) pela colaboração, paciência e ajuda durante esses quase cinco
anos de batalha. A todos os alunos que me ensinaram a grande arte de ser professor.
Vocês também fazem parte dessa conquista. Obrigado.
Aos amigos inseparáveis da Mansão Wayne: Mr. PM (amigo no sentido estrito da

palavra), Bibi da Rolinha (companheiro extraordinário nos programas e nas prosas
durante a madrugada), e El Tigre Neles (sempre presente em todo esse processo da
elaboração da tese, mesmo quando estava ausente).
Aos amigos de ontem, hoje e de sempre, pelo prazer de compartilhar as inquietações e

alegrias durante minhas passagens pelo Rio de Janeiro: Karlinha, Álvaro e Cris, Dom
Jota, Alice, Juan, Fadiguinhas, Família Silva (Fabrício, Silvia e Sara), Amaro, Dona
Helô, Mklenzi, Diego, Viviane, Arthur, Raquel, Cecília, Jaqueline,Regina, Gisele, Luis,
Rossano, Suzy, Beth, Leandro, Bentes, Schwaab, Matheus, Ariane, Jorge e Luciana.
v
Resumo da Tese apresentada à COPPE/UFRJ como parte dos requisitos necessários
para a obtenção do grau de Doutor em Ciências (D.Sc.)
ESTIMAÇÃO DE PARÂMETROS EM MODELOS DE PROCESSO USANDO

DADOS INDUSTRIAIS E TÉCNICA DE RECONCILIAÇÃO DE DADOS

Maio/ 2006
Orientadores: Enrique Luis Lima

José Carlos Costa da Silva Pinto
Programa: Engenharia Química
A classificação de variáveis em plantas industriais modernas pode fornecer

conjuntos de dados ricos e detalhados para o desenvolvimento de estudos de modelagem
de processos e estimação de parâmetros. Todavia, devido à existência de erros aleatórios
e, possivelmente, de erros grosseiros, as medidas geralmente não satisfazem as
restrições dos processos. Esses dados precisam ser reconciliados. A estimação de
parâmetros dos modelos de um processo a partir de dados industriais disponíveis se
enquadra nesse contexto. Primeiramente, o modelo matemático fornece as restrições do
processo. Em segundo lugar, os parâmetros do modelo devem ser ajustados de modo a
minimizar os desvios observados entre as medidas do processo e as equações de
conservação, a partir dos dados industriais utilizados para a construção do modelo.
Foi desenvolvido um novo código computacional para classificação de variáveis

em sistemas dinâmicos com uma abordagem diferenciada. A metodologia desenvolvida
para classificação propiciou uma reconciliação eficiente dos dados, de modo que
possibilitasse a estimação dos parâmetros cinéticos de uma polimerização industrial de
propileno com catalisadores Ziegler-Natta (SUZANO-RJ). O algoritmo de classificação
também foi testado para o balanço hídrico de uma fábrica de fertilizantes (FAFEN-SE)
com sucesso. Os resultados obtidos mostram que a abordagem utilizada para
classificação de variáveis e estimação de parâmetros, utilizando a técnica de
reconciliação de dados, é capaz de descrever o comportamento dos dados industriais e
predizer as respostas do processo, em diferentes condições operacionais, sem que seja
necessário conduzir muitos experimentos em laboratório.
vi
Abstract of Thesis presented to COPPE/UFRJ as a partial fulfilment of the requirements
for the degree of Doctor of Science (D.Sc.)
ESTIMATION OF PROCESS MODEL PARAMETERS USING DATA

RECONCILIATION AND INDUSTRIAL DATA

May/ 2006
Advisors: Enrique Luis Lima

José Carlos Costa da Silva Pinto
Department: Chemical Engineering
The classification of variables in modern industrial plants can supply a group of

rich and detailed data sets for the development of modeling studies and parameter
estimation. However, as a result of random and possibly, gross errors process
measurements do not generally satisfy process constraints. Thus they need to be
reconciled. The estimation of process model parameters from available plant data is
certainly in this context. First, the mathematical model provides the process constraints
to be satisfied. Second, model parameters have to be adjusted to minimize the
deviations observed between process measurements and process constraints. Available
data have yet to be filtered to allow for removal of inconsistent data sets from the
process data used for model building.
A new computational code was developed for classification of variables in

dynamic systems with a differentiated approach. The methodology developed for
classification propitiated efficient data reconciliation, so that it made possible, allowing
for estimation of the kinetic parameters for industrial propylene polymerization using
Ziegler-Natta catalysts (SUZANO-RJ). The classification algorithm was also tested with
success for the hydric balance of a factory of fertilizers (FAFEN-SE). The obtained
results show that the approach used for classification of variables and parameters
estimation using the technique of data reconciliation is capable to describe the behavior
of the industrial data and to predict process responses in different operational
conditions, without to carry out extensive experimental plans in the laboratory.
vii
ÍNDICE
Capítulo I - Introdução .…..…...……………....….………….…....................... 1
Introdução........................................................................................................ 1
Capítulo II – Revisão Bibliográfica...................................................................... 8
2.1 – Classificação das variáveis de processo.......................................................... 10
2.1.1 – Importância da classificação de variáveis................................................. 14
2.1.2 – Observabilidade e redundância................................................................ 15
2.1.3 – Diferentes estratégias para resolução do problema de classificação......... 17
2.1.3.1 – Solução pela teoria dos grafos.......................................................... 18
2.1.3.2 – Solução através da análise matricial................................................. 20
2.1.3.3 – Enfoque matricial versus grafológico............................................... 22
2.2 – Erros de medição e técnicas de redução de erros............................................ 23
2.2.1 – Erros aleatórios ......................................................................................... 25
2.2.2 – Erros grosseiros..................……............................................................... 26
2.2.3. – Erros sistemáticos.............................……................................................ 34
2.3 – Reconciliação de dados................................................................................... 35
2.3.1 – Formulação e base estatística.................................................................... 37
2.3.2 – Reconciliação de dados industriais............................................................ 42
2.4 – Estimação de parâmetros ................................................................................ 48
2.4.1 – O problema de reconciliação e estimação simultânea............................... 53
2.4.2 –Formulação do problema............................................................................ 55
viii
Capítulo III – Classificação de Variáveis em Unidades Industriais.................... 59
3.1 – Sistemática proposta para a classificação de variáveis................................... 59
3.2 – Algoritmo de classificação de variáveis.......................................................... 67

3.3 – Classificação de variáveis do sistema de utilidades da Fábrica de
72
Fertilizantes do Nordeste (FAFEN-SE)...................................................................
3.4 – Classificação de variáveis de um modelo dinâmico de produção de
84
polipropileno............................................................................................................
3.4.1– Caracterização da importância da classificação......................................... 104
3.4.2– Caracterização da importância do estado inicial........................................ 110
3.4.3– Caracterização da importância das variáveis de qualidade........................ 111
3.4.4– Caracterização da importância do acréscimo de mais um instante de

115
tempo.....................................................................................................................
Capítulo IV – Estimação de Parâmetros e Reconciliação de Dados........................... 118
4.1 – Estratégia de simulação.................................................................................. 123
4.2 –Resultados da reconciliação............................................................................ 127
4.2.1 –. Eliminação de erros grosseiros................................................................. 128
4.2.2 –. Variáveis medidas................................................................................. 131
4.2.3 –. Variáveis não medidas........................................................................... 142
4.2.4 –. Parâmetros estimados conjuntamente com a reconciliação.................. 146
4.3 – Análise crítica................................................................................................. 151
Capítulo V – Conclusões e Sugestões.................................................................. 153
Referências Bibliográficas..................................................................................... 156
Apêndice I- Síntese de Amônia.............................................................................. 171
Apêndice II- Fluxogramas dos circuitos de água................................................ 174
Apêndice III- O polipropileno............................................................................... 176
Apêndice IV- Modelo com uma amostragem....................................................... 180
ix
Apêndice V- Modelo com duas amostragens....................................................... 185
Apêndice VI- Dados................................................................................................ 192
Apêndice VII- Código de filtragem de dados....................................................... 197
x
LISTA DE FIGURAS
Figura 1.1. Correlação de variáveis em uma unidade de polimerização de

polipropileno. T6 é a temperatura da camisa, T7 é a temperatura da alimentação,
4
H2 é a concentração de hidrogênio e PP é a taxa de produção de
polímero....................................................................................................................
Figura 2.1. Classificação de variáveis...................................................................... 12
Figura 2.2.Etapas para melhoria da qualidade dos dados (adaptado de EDGARD
13
et al., (2001)). ..........................................................................................................
Figura 2.3. Trocador de calor com um sistema de by pass...................................... 19
Figura 2.4. Processo na forma de grafos de um trocador de calor com um sistema
19
de by pass. ...............................................................................................................
Figura 2.5. Precisão de um determinado sistema de medição de temperatura......... 24
Figura 2.6. Distribuição de erros com média zero................................................... 25
Figura 2.7. Falhas na detecção de erros grosseiros.................................................. 28
Figura 2.8. Influência da função objetivo com diferentes distribuições, adaptado
32
de CHEN (1998).......................................................................................................
Figura 2.9. Erros sistemáticos para temperatura...................................................... 34
Figura 2.10. Aplicação dos procedimentos de reconciliação e retificação de
38
dados industriais (retirado de Simulation Sciences, Inc.,1989)...............................
Figura 3.1. Fluxograma serial simples de um processo........................................... 61
Figura 3.2. Estrutura do código de classificação implementado.............................. 66
Figura 3.3 Vista Geral da Planta de Amônia da FAFEN em Laranjeiras, SE.......... 73
Figura 3.4. Fluxograma Hídrico da Planta de Produção de Amônia e Uréia........... 74
Figura 3.5 : Projeto do sistema em análise............................................................... 76
Figura 3.6 Fluxograma de operacionabilidade normal da planta............................. 82
Figura 3.7. Visão geral de uma planta de polimerização......................................... 84
Figura 3.8 . Diagrama de blocos resumido da unidade de polimerização de
85
propeno de Duque de Caxias....................................................................................
Figura 3.9. Processo de polimerização simplificado................................................ 87
Figura 4.1. Tipos de estimação (adaptado de BAGAJEWICZ, 2000)..................... 119
Figura 4.2. MI para o conjunto A de dados em um turno de produção (9 horas).. 121
Figura 4.3. XS para o conjunto A de dados em um turno de produção (9 horas).... 121
Figura 4.4. MI para o conjunto B de dados em uma produção de 12 horas........... 122
Figura 4.5. XS para o conjunto B de dados em uma produção de 12 horas............. 122
xi
Figura 4.6. Dinâmica do processo do conjunto A em função da pressão do
123
hidrogênio.................................................................................................................
Figura 4.7. Estratégia da janela móvel..................................................................... 125
Figura 4.8. Variação do Kp em função dos horizontes da janela para o conjunto
127
A...............................................................................................................................
Figura 4.9. Variação do erro para a pressão de hidrogênio do Conjunto A de
128
dados.........................................................................................................................
Figura 4.10. Variação do erro para o índice de fluidez do conjunto A de
129
dados.........................................................................................................................
Figura 4.11. Identificação de erros grosseiros para a temperatura do conjunto A
130
de dados....................................................................................................................
Figura 4.12. Variação do erro da temperatura do conjunto A de
130
dados.........................................................................................................................
Figura 4.13. Variação da estimação da constante de propagação com e sem os
131
erros grosseiros do conjunto A de dados..................................................................
Figura 4.14. Reconciliação da pressão de hidrogênio para o conjunto A (H=2h)... 132
Figura 4.15. Reconciliação da vazão de propeno para o conjunto A (H=2h).......... 133
Figura 4.16. Reconciliação da vazão de reciclo para o conjunto A (H=2h)............. 133
Figura 4.17. Reconciliação da vazão de purga para o conjunto A (H=2h).............. 133
Figura 4.18. Reconciliação da vazão de catalisador para o conjunto A (H=2h)...... 134
Figura 4.19. Reconciliação da vazão de TEA para o conjunto A (H=2h)................ 134
Figura 4.20. Reconciliação da vazão de PEEB para o conjunto A (H=2h).............. 134
Figura 4.21. Reconciliação da vazão de propeno para os condensadores com o
135
conjunto A (H=2h)...................................................................................................
Figura 4.22. Reconciliação da vazão de água na entrada dos condensadores com
135
o conjunto A (H=2h)................................................................................................
Figura 4.23. Reconciliação da temperatura na entrada e no reciclo do reator com
135
o conjunto A (H=2h)................................................................................................
Figura 4.24. Reconciliação das temperaturas do propeno na entrada dos
136
condensadores a e b com o conjunto A (H=2h).......................................................
Figura 4.25. Reconciliação das temperaturas de água para o sistema de
136
refrigeração com o conjunto A (H=2h)....................................................................
Figura 4.26. Correlação entre o índice de fluidez e a pressão de hidrogênio com o
137
conjunto A (H=2h)...................................................................................................
Figura 4.27. Reconciliação da fração de propano no reciclo com o conjunto A
139
(H=2h)......................................................................................................................
Figura 4.28. Reconciliação da vazão de polímero produzido com o conjunto A
139
(H=2h)......................................................................................................................
Figura 4.29. Reconciliação da medição de nível no reator com o conjunto A
139
(H=2h)......................................................................................................................
xii
Figura 4.30. Reconciliação de solúveis em xileno com o conjunto A
140
(H=2h)......................................................................................................................
Figura 4.31. Reconciliação do índice de fluidez com o conjunto A (H=2h)............ 140
Figura 4.32. Reconciliação da temperatura no reator com o conjunto A
140
(H=2h)......................................................................................................................
Figura 4.33. Reconciliação da temperatura da água na saída dos condensadores
141
com o conjunto A (H=2h)........................................................................................
Figura 4.34. Massa estimada de propeno e polímero no reator com o conjunto A
142
(H=2h)......................................................................................................................
Figura 4.35. Massa estimada de TEA e PEEB no reator com o conjunto A
143
(H=2h)......................................................................................................................
Figura 4.36. Massa estimada de catalisador no reator com o conjunto A (H=2h)... 143
Figura 4.37. Massa estimada de propano no reator com o conjunto A (H=2h)....... 143
Figura 4.38. Massa reacional e de lama estimada com o conjunto A (H=2h).......... 144
Figura 4.39. Fração de polímero estimada com o conjunto A (H=2h)..................... 145
Figura 4.40. Razão estimada entre o nível e a fração de polímero com o conjunto
145
A (H=2h)..................................................................................................................
Figura 4.41. Constante de propagação de cadeia (Kp) estimado com o conjunto B
146
de dados para diferentes tamanhos de janelas (H=2h).............................................
Figura 4.42. Constante de propagação de cadeia (Kp) estimado para o os
147
conjuntos de dados A e B (H=2h)............................................................................
Figura 4.43. Desvio padrão da constante de propagação de cadeia (Kp) para o
147
conjunto de dados B (H=2h)....................................................................................
Figura 4.44. Desvio padrão da constante de propagação de cadeia (Kp) para o
148
conjunto de dados A (H=2h)....................................................................................
Figura 4.45. Parâmetro C utilizado na equação do peso molecular instantâneo
148
para o conjunto de dados B (H=2h)..........................................................................
Figura 4.46. Solúveis em xileno para o conjunto de dados B (H=2h)..................... 149
Figura 4.47. Índice de fluidez para o conjunto de dados B (H=2h)......................... 149
Figura 4.48. Derivada do parâmetro Kp para o conjunto de dados A (H=2h)......... 150
Figura 4.49. Derivada do parâmetro C para o conjunto de dados A (H=2h)........... 150
Figura 4.50. Valor da função objetivo encontrado para o conjunto de dados A
150
(H=2h)......................................................................................................................
xiii
LISTA DE TABELAS
Tabela 2.1. Histórico dos métodos de classificação................................................. 17
Tabela 2.2. Informações de referência para reconciliação de dados........................ 47
Tabela 2.3. Formulações do problema...................................................................... 57
Tabela 3.1. Perda de água durante meses específicos do processo produtivo da

73
FAFEN......................................................................................................................
Tabela 3.2. Áreas de processo da Unidade de Duque de Caxias.............................. 86
Tabela 3.3. Matriz de incidência do processo de polimerização de propeno........... 98
Tabela 3.4. Matriz de incidência do processo de polimerização de propeno sem

105
os termos de energia.................................................................................................
Tabela 4.1. Tempo de processamento durante o processo de estimação para

126
diferentes janelas.......................................................................................................
Tabela 4.2. Média e desvio-padrão de tempo de processamento para diferentes

126
janelas.......................................................................................................................
Tabela 4.3. Variância do Kp para diferentes horizontes de janela no conjunto A

127
de dados....................................................................................................................
xiv
LISTA DE QUADROS
Quadro 3.1. Identificação estrutural do balanço hídrico........................................... 77

Quadro 3.2 Arquivo de entrada de dados do balanço hídrico estudado................... 78
Quadro 3.3 Classificação de variáveis do modelo composto das equações (3.8-
79
3.22)..........................................................................................................................
Quadro 3.4. Identificação estrutural do balanço hídrico com alto fator
81
operacional................................................................................................................
Quadro 3.5 Arquivo de entrada de dados do balanço hídrico com alto fator
82
operacional. ..............................................................................................................
Quadro 3.6 Classificação de variáveis do balanço hídrico com alto fator
83
operacional................................................................................................................
Quadro 3.7 Variáveis medidas e variáveis não medidas.......................................... 97
Quadro 3.8 Resultado de Classificação de variáveis................................................ 102
Quadro 3.9 Resultado de classificação de variáveis sem os termos de energia........ 104
Quadro 3.10.Resultado de classificação de variáveis sem os termos de energia e
109
com a equação de inicialização do PEEB.................................................................
Quadro 3.11.Resultado de classificação de variáveis sem as variáveis do estado
111
inicial........................................................................................................................
Quadro 3.12.Resultado de classificação de variáveis sem medição do índice de
112
fluidez (MI)...............................................................................................................
Quadro 3.13.Resultado de classificação de variáveis sem medição de solúveis em
113
xileno(XS).................................................................................................................
Quadro 3.14.Resultado de classificação de variáveis sem medição de MI e XS..... 114
Quadro 3.15.Resultado de classificação de variáveis em dois instantes de tempo... 115
Quadro 4.1. Variáveis de entrada medidas no processo........................................... 132
Quadro 4.2. Variáveis de saída medidas no processo............................................... 138
Quadro 4.3. Variáveis estimadas.............................................................................. 142
xv
NOMENCLATURA
Abreviatura Descrição
Cat Catalisador
COS Sulfeto de Carbonila
DEAC Dietil cloreto de alumínio
DIV Divisor
FAFEN Fábrica de Fertilizantes Nitrogenados
IF, MI Índice de fluidez
MIS Misturador
PCA Análise por componentes principais
Pa Propano
Pe Propeno
PEEB Para-etoxi etil benzoato
PET Polietileno tereftalato
Pol Polímero
PP, Pol Polipropileno
PVC Policloreto de vinila
REDUC Refinaria Duque de Caxias
TC Trocador de Calor
TEA Trietil alumínio
VAL Válvula
XS Solúveis em xileno
xvi
LISTA DE SÍMBOLOS
Símbolo Significado
A Matriz de ocorrência
c Componentes das correntes de processo
C Parâmetro do modelo para MnI [atm-1]
Ca Fração mássica de propano na corrente de reciclo [kg/kg]
Cat Massa de catalisador no reator [kg]
cov Covariância
Cp Calor específico
E Operador esperança matemática(média)
H Tamanho da janela móvel de operação
j Correntes de processo
k Unidades de processo
K0 Parâmetro do modelo para MI [adimensional]
Kd Constante de desativação do sítio catalítico [h-1]
KI Constante de inibição [kg/(kg·h)]
Kp Constante de propagação de cadeia [kg2/(kg2·h)]
Kxs Ganho linear p/ razão de alimentação TEA/PEEB
L Nível do reator [%]
m Vazão mássica
M Massa reacional [Kg/h]
mcat Vazão de alimentação de catalisador [kg/h]
me Vazão de alimentação propeno fresco (contaminado por propano) [kg/h]
mlama Vazão de retirada de lama do reator [kg/h]
Mnac Peso molecular médio em número acumulado [kg/kgmol]
MnI Peso molecular médio em número instantâneo [kg/kgmol]
mPEEB Vazão de alimentação de PEEB [kg/h]
mpol Vazão de polipropileno produzido [kg/h]
mpurga Vazão de purga [kg/h]
mrec Vazão de reciclo [kg/h]
mTEA Vazão de alimentação TEA [kg/h]
xvii
Mwac Peso molecular médio em massa [kg/kgmol]
N Número de moles de polímero [kgmol]
PD Polidispersão [admensional]
PEEB Massa de PEEB no reator [kg]
PH2 Pressão parcial de hidrogênio no reator [atm]
PMPe Peso molecular do propeno (monômero) [kg/kgmol]
r Ruído
Rpol Taxa de formação de polímero [kg/h]
t Tempo [h]
Ta Temperatura do condensador A[K]
Tb Temperatura do condensador B[K]
TEA Massa de TEA no reator [kg]
T,Temp Temperatura do reator [K]
V Volume
V Volume do reator [L]
var variância
wa Fração mássica de propano na corrente de propeno [kg/kg]
wpol Fração mássica de polímero na corrente de lama [kg/kg]
XS Fração de extraíveis em xileno
XSR Valor de referência p/ razão de alimentação TEA/PEEB
y valor verdadeiro
ym valor medido
y Valor médio das medidas
wi Pesos da função de minimização
x̂ Valor estimado
W Inversa da matriz de covariância
ẑ ( t ) Vetor de funções de estimação contínuas;
z% t Vetor de medidas discretas no tempo t

f Vetor de restrições de equações diferenciais
h Vetor de restrições de igualdades algébricas
u(t)M Vetor das variáveis independentes medidas a cada tempo

û(t) Vetor das variáveis independentes reconciliadas a cada tempo
xviii
y(t)M Vetor das variáveis dependentes medidas a cada tempo
ˆ ˆ θˆ)
y(t,u, Vetor das variáveis dependentes reconciliadas a cada tempo
tc Tempo atual
Tws Temperatura de saída da água do sistema de condensação
g g Vetor de restrições de desigualdades algébricas
ε Erro aleatório
σ Desvio padrão
Ψ Matriz de covariância dos erros das medidas
σ i2 Variância da variável medida i
σ ij2 Covariância dos erros das variáveis i e j
Ψ −1 Inversa da matriz de covariância
θ̂ Estimativa de parâmetros verdadeiros
θ Parâmetros verdadeiros
ΨY Matriz de covariância dos erros de medição das variáveis dependentes
Ψu Matriz de covariância dos erros de medição das variáveis independentes
∆ Variação
λ Calor latente[Kcal/kg]
∆H Variação de entalpia(Kcal/Kg)
ρa Densidade do propano [kg/L]
ρe Densidade do propeno [kg/L]
ρpol Densidade do polímero [kg/L]
xix
Capítulo I
INTRODUÇÃO
A natureza altamente competitiva do mercado mundial, a crescente preocupação com a

qualidade do produto e o crescente número de regulamentos ambientais e de segurança têm
aumentado a necessidade de introduzir mudanças rápidas e de baixo custo nos processos
químicos, tornando o processo produtivo cada vez mais eficiente. As tomadas de decisão
durante a operação do processo e a detecção de possíveis modificações ocorridas no sistema
requerem conhecimento sobre o estado real da unidade. A habilidade na geração de dados
usando propriedades consistentes com os modelos, pode trazer muitos benefícios para o
gerenciamento de uma unidade industrial.
Os modelos matemáticos possuem um papel muito importante no campo da

engenharia de processos para diversas aplicações, tais como a otimização das condições
operacionais; o desenvolvimento de novos produtos e melhoria de propriedades de uso final
dos materiais produzidos; o desenvolvimento e melhoria de estratégias de controle de
processo; o treinamento de operadores, etc. Como as propriedades finais do produto e as
respostas do modelo dependem de um sistema complexo e das estratégias operacionais
(ELIÇABE e MEIRA, 1988; MaCGREGOR et al. , 1984), torna-se muito difícil projetar e
otimizar as condições operacionais sem a ajuda de modelos de processo.
Quando se analisam as medidas relacionadas aos balanços de materiais em reatores

químicos, os valores medidos nem sempre estão de acordo com a estequiometria das reações
devido a erros de medição. Nesses casos, diz-se que os balanços são inconsistentes. Todavia,
uma questão importante que ainda precisa ser respondida: essas inconsistências podem ser
atribuídas completamente a erros aleatórios ou podem também estar associadas a outros
efeitos, tais como a produção de subprodutos? Todas as vezes que as medições são
planejadas, alguns modelos funcionais são escolhidos para representar o sistema físico, sendo
as medidas associadas aos mesmos. O modelo matemático é freqüentemente composto de
duas partes (MORAD et al., 2005): a) a funcional que descreve as propriedades
1
determinísticas do processo em estudo, e b) o modelo estocástico que descreve as
propriedades não determinísticas ou probabilísticas das variáveis envolvidas no processo,
particularmente aquelas que representam as medições.
A literatura relativa ao desenvolvimento de modelos matemáticos fenomenológicos de

processos é enorme, como descrito por PENLIDIS et al. (1992) e POLIC et al. (2004).
Entretanto, o número de artigos disponíveis na literatura aberta relacionados à aplicação, com
sucesso, de modelos de processo em ambientes industriais reais é relativamente escasso
(ÖZYURT e PIKE, 2004). Esta contradição aparente é devida, em parte, às restrições de
confidencialidade praticadas pelas indústrias e, em parte, à complexidade e ao alto número de
parâmetros que são necessários para que um modelo forneça resultados fidedignos de
simulação de processo. Um caso típico são os muitos parâmetros cinéticos necessários para
descrever as cinéticas de polimerizações em processos industriais. Por exemplo, admitindo-se
que o catalisador é constituído por uma mistura de três sítios catalíticos diferentes, se o
mecanismo cinético inclui as etapas usuais de ativação, propagação, transferência para o
monômero, transferência para o hidrogênio e desativação, então é necessária a definição de
pelo menos 30 parâmetros cinéticos para simulação. Caso sejam, também, considerados os
parâmetros de processos adicionais, como coeficientes de transferência de calor e graus de
pureza das correntes de alimentação e parâmetros empíricos necessários para a predição das
propriedades finais das resinas, como o MI (índice de fluidez) e a densidade do polímero,
então o número de parâmetros do modelo pode aumentar significativamente. Em problemas
de copolimerização, o uso de um mecanismo cinético mais detalhado para descrever o
processo pode requerer centenas de parâmetros no modelo.
Tendo em vista o cenário descrito, duas estratégias são comumente utilizadas para a
implementação de modelos matemáticos em processos industriais:
• A primeira estratégia consiste na condução de testes experimentais em uma unidade de

bancada ou em uma planta piloto, onde a operação controlada permite a interpretação formal
do mecanismo de reação e a estimação de um conjunto básico de parâmetros cinéticos.
Admite-se, então, que a reação se comporta de forma semelhante no ambiente industrial, e o
modelo é ajustado às condições de operação industriais através da manipulação de um
conjunto muito menor de parâmetros de processo (MATOS et al.,2001,2002).
2
• A segunda estratégia consiste no desenvolvimento de uma correlação empírica a partir
dos dados de planta disponíveis, utilizando, por exemplo, uma rede neuronal (NASCIMENTO
e GIUDICI, 1998). Essa estratégia é frequentemente usada para o controle de processo, onde
os modelos detalhados são geralmente de difícil aproveitamento, tendo em vista que respostas
rápidas e em tempo real são requeridas (SAYER et al., 1997, VEGA et al. ,1997).
Ambas estratégias apresentam vantagens e desvantagens. A principal vantagem da

primeira estratégia é o uso da natureza fundamental do modelo fenomenológico, que conduz a
simulações de processo mais fidedignas. Entretanto, essa abordagem pode não ser adequada
quando é feito o scale-up do processo. O processo real pode ser muito diferente do modelo
adequado às condições laboratoriais ou da planta piloto (TAKIYAMA et al., 1991). Por
exemplo, as correntes de alimentação usadas para testes em bancada podem apresentar
contaminantes diferentes e concentrações distintas daquelas usadas nas operações da unidade
industrial. Além disso, as variáveis que descrevem a fluidodinâmica do processo podem ser de
importância fundamental para descrição formal do desempenho de um reator industrial, sendo
que tais variáveis são normalmente desprezadas durante testes laboratoriais (TOSUN, 1992).
Além disso, normalmente, experimentos em bancada são conduzidos em modo batelada ou
semi-batelada em reatores perfeitamente agitados, enquanto as operações industriais são
usualmente executadas em modo contínuo em reatores não-ideais.
As flutuações das medições aparecem de formas totalmente distintas nos processos

industriais daqueles conduzidos em planta piloto ou escala de bancada, onde as condições são
perfeitamente controladas. O grau de flutuação de certas variáveis de processo, como a
relação catalisador-cocatalisador em um sistema de polimerização, pode ser de importância
fundamental para descrição correta do comportamento do mesmo. Um problema adicional é
que, a estimação de parâmetros cinéticos a partir de experimentos realizados em laboratório,
requer o projeto detalhado das condições experimentais e a análise criteriosa dos resultados.
Isso pode requerer muito tempo (na escala de meses) e muito dinheiro (experimentos e
análises experimentais são dispendiosos e requerem uma mão-de-obra qualificada e onerosa).
A segunda estratégia não se atém à descrição detalhada dos mecanismos do modelo,

sendo aplicada diretamente aos dados industriais, permitindo economia significativa de tempo
e custo associados às atividades experimentais. Seguramente, a vantagem principal da
segunda estratégia é o enfoque direto nos dados industriais, com a incorporação automática
3
das características de processo em um modelo empírico. Adicionalmente, as estratégias de
operação das plantas conduzem a uma elevada correlação entre as variáveis, de maneira que
se torna difícil selecionar o conjunto de variáveis adequadas e de fatos independentes para
descrever a operação da unidade industrial. A Figura 1.1 mostra um exemplo real obtido a
partir de um conjunto de registros de uma planta industrial de polimerização de propeno com
quatro variáveis, presumivelmente independentes (temperaturas da camisa e alimentação,
concentração de hidrogênio e taxa de produção de polímero). A análise dos dados mostra que
as variáveis estão muito correlacionadas e descrevem, na realidade, um único efeito de
processo. Nesse caso, aumentos das taxas de produção são acompanhadas por reduções de
temperaturas de operação e dos teores de hidrogênio. Apesar disso, é certo que variações
independentes de temperaturas da camisa e taxas de produção de polímero conduzem a
respostas de processo distintas, que não serão capturadas pelo modelo empírico construído.
T6
T7
H2
PP
Figura 1.1. Correlação de variáveis em uma unidade de polimerização de polipropileno. T6 é

a temperatura da camisa, T7 é a temperatura da alimentação, H2 é a concentração
de hidrogênio e PP é a taxa de produção de polímero (OLIVEIRA JR e PINTO,
1999).
Freqüentemente, os modelos empíricos requerem a definição de mais parâmetros do

que os necessários para caracterizar os modelos fenomenológicos. Como inexiste significado
físico para os parâmetros, torna-se difícil depurar e interpretar as respostas obtidas. Por isso,
modelos empíricos não são adequados para projetos, já que os parâmetros não têm qualquer
significado físico. Devido a todas estas características, geralmente leva-se muito tempo para
4
desenvolver bons modelos empíricos e para definir de forma adequada as diversas etapas da
modelagem: coleta e filtragem de dados, caracterização estatística de dados disponíveis,
formulação e validação do modelo e estimação de parâmetros.
Procurou-se então utilizar uma estratégia que pudesse contribuir com a melhoria do
desempenho do modelo final (particularmente no tocante à extrapolação, já que as restrições
físicas e de processo são inseridas automaticamente na estrutura do modelo) e redução dos
custos com a realização de experimentos e ajuste do modelo. Essa estratégia baseia-se no
desenvolvimento de modelos fenomenológicos com aplicação direta aos dados industriais
utilizando a técnica de reconciliação de dados.
Os dados industriais são normalmente usados com propósitos de controle, avaliação de

desempenho, otimização, etc. Faz-se necessário incorporar algum tipo de técnica de
retificação ou de reconciliação dos dados industriais para permitir o ajuste dos valores
medidos, de tal forma que, as medidas corrigidas estejam consistentes com as leis de
conservação. Desta forma, a reconciliação de dados constitui uma técnica efetiva para o
fornecimento de estimativas mais precisas e consistentes dos processos industriais.
O reduzido número de publicações disponíveis na literatura aberta relacionadas a

sistemas de polimerização e ao uso da técnica de reconciliação de dados para estimação de
parâmetros, caracteriza a inovação deste trabalho. A modelagem é realizada com um conjunto
de equações algébrico-diferenciais, como restrições não lineares. Os parâmetros cinéticos do
modelo e algumas variáveis de processo e produto também são estimados usando o
procedimento de reconciliação. Além disso, realiza-se pela primeira vez um estudo
fundamental de classificação de dados em um processo real de polimerização. Esse estudo
mostra como as variáveis de operação do processo afetam a observabilidade e o nível de
redundância de informação disponível, como será discutido adiante.
O objetivo deste trabalho é mostrar que os modelos fenomenológicos de processo (e,

em particular, os modelos de polimerização de propileno) podem ser ajustados com sucesso a
partir de dados de processo, sem que nenhum dado experimental seja necessariamente gerado
em laboratório. Além disso, incorporam-se vantagens das técnicas de reconciliação de dados
5
durante a estimação de parâmetros, realizadas a partir de dados obtidos da produção de
polipropileno em uma unidade do Grupo Suzano, localizada em Duque de Caxias (RJ).
A estratégia usada para o tratamento e reconciliação dos dados envolve um conjunto

de procedimentos matemáticos aplicados às informações disponíveis do processo. Tal
estratégia resultou em uma estimação completa e consistente das variáveis de processo, tendo
sido dividida nas seguintes etapas:
Classificação das variáveis de processo;
Detecção, identificação e eliminação de erros grosseiros;
Ajuste de medidas e estimação das variáveis de processo não mensuráveis através do

uso da técnica de reconciliação de dados;
Estimação dos parâmetros do modelo a partir dos dados do processo.
O código de classificação de variáveis desenvolvido é um dos pontos fortes do

trabalho. Utilizou-se uma sistemática inovadora para classificar modelos de processo
dinâmicos utilizando conceitos da engenharia de projetos e estratégias de resolução numérica
como o Método de Euler para o cálculo das derivadas. Para comprovar a sua eficácia, faz-se a
identificação estrutural através da completa classificação de variáveis do sistema hídrico de
uma unidade industrial que fabrica fertilizantes nitrogenados (FAFEN-SE) e da polimerização
de propeno de outra unidade produtiva (SUZANO-RJ). A aplicação de reconciliação de dados
exige também estudos de classificação de variáveis para identificar se é possível de fato obter
uma reconciliação com as variáveis existentes. Caso contrário, a classificação permite, ao
menos, detectar as necessidades de medições adicionais obrigatórias para propiciar o uso da
reconciliação de dados como ferramenta para monitoramento operacional em instalações com
baixo nível de informação. Foi verificado que a sistemática desenvolvida permite a completa
classificação dinâmica de variáveis para sistemas algébrico-diferenciais de índice não superior
a um.
Quanto à apresentação, este trabalho está dividido em cinco capítulos, contando com
esta introdução. O Capítulo II apresenta a revisão bibliográfica sobre o problema de
identificação estrutural e uma discussão aprofundada sobre o processo de classificação de
variáveis. Além disso, faz-se uma análise comparativa das diferentes estratégias para
6
resolução do problema de classificação. A classificação de variáveis é necessária para uma
boa reconciliação de dados, pois fornece o conhecimento estrutural do sistema, permitindo
inferir sobre a observabilidade e redundância do mesmo, esta última extremamente importante
para a reconciliação. A técnica de reconciliação de dados e sua história também são
apresentadas no Capítulo II. Mostram-se aspectos relacionados à base estatística, às
utilizações e aos potenciais avanços na área. Também são apresentados os tipos de erros de
medição, com destaque para os erros grosseiros. Aborda-se ainda o problema de estimação de
parâmetros e reconciliação de dados simultânea em modelos de processos industriais.
No Capítulo III apresenta-se um novo algoritmo de identificação estrutural para

sistemas dinâmicos algébrico-diferencias para dois casos industriais: produção de
polipropileno (SUZANO-RJ) e sistema hídrico (FAFEN-SE). O circuito de águas foi
escolhido devido ao baixo índice de instrumentação em circuitos hídricos. Também é
apresentada a modelagem matemática dos processos estudados.
O Capítulo IV apresenta os resultados encontrados para o procedimento de estimação

de parâmetros da polimerização de propeno utilizando a técnica de reconciliação de dados.
Finalmente, o Capítulo V apresenta as conclusões desta tese e indica sugestões para trabalhos
posteriores.
Este trabalho foi desenvolvido no LMSCP – Laboratório de Modelagem, Simulação e

Controle de Processos do Programa de Engenharia Química da COPPE/UFRJ, inserindo-se na
área genérica de Modelagem e Simulação de Processos. Este trabalho contou com apoio do
Grupo Suzano e da Fábrica de Fertilizantes Nitrogenados (FAFEN-SE), que forneceram os
dados industriais de polimerização de propeno e os fluxogramas do sistema hídrico,
respectivamente.
7
Capítulo II
REVISÃO BIBLIOGRÁFICA
No dia-a-dia da operação de uma unidade industrial é comum ajustar e corrigir as

variáveis de processo para compensar as mudanças das condições de operação dos
equipamentos e modificações das variáveis operacionais. Por isso, perturbações são
introduzidas com freqüência na operacionabilidade de uma planta. O conhecimento
inadequado do comportamento dinâmico dos modelos e seus balanços conduzem a uma
maléfica estimação de parâmetros operacionais e caracterização inadequada dos erros de
medição (MINGFANG et al., 2000).
Boa parte das medidas disponíveis nas indústrias é onerosa, contém elevadas
imprecisões e/ou apresenta tempo de resposta longo. Por isso, as variáveis e os parâmetros
podem apresentar baixa qualidade e serem incapazes de fornecer respostas confiáveis em
tempos reduzidos, não propiciando uma informação adequada para melhorar o gerenciamento
de unidades industriais. Desta forma, podem não existir informações consistentes para o
processo de tomada de decisão relacionado aos pontos críticos da produção, incluindo a
qualidade do produto final e o potencial de lucro, as questões de segurança e até mesmo
questões ambientais e de manutenção.
O procedimento de reconciliação de dados envolve o ajuste das medidas, de modo a

satisfazer os balanços de massa e energia, ao mesmo tempo em que minimiza algum critério
de otimização associado ao erro de medição. A aplicação desse método a plantas industriais
(BAGAJEWICZ e JIANG, 2000, WEISS et al., 1996, PLACIDO e LOUREIRO, 1998, AL-
ARFAJ, 2006) pode conduzir a problemas de dimensões enormes e de difícil resolução. Esse
ponto motiva a utilização de técnicas de classificação das variáveis, como um procedimento
obrigatório de definição do problema de reconciliação antes de efetuar o procedimento de
reconciliação propriamente dito.
8
Uma estratégia apropriada para gerenciamento de problemas de engenharia é o uso
sistemático da estrutura de fluxo de informação. As informações de um processo são passadas
de componente para componente por variáveis comuns aos componentes. Por exemplo, uma
corrente de saída de um equipamento pode ser a corrente de entrada de um outro. Essa
transferência de informação constitui a estrutura de fluxo de informação do sistema, provendo
um ferramental apropriado para organizar uma estratégia computacional ordenada e adequada
para análise do processo como um todo.
A decomposição do processo através da técnica de classificação de variáveis aparece

como uma ferramenta apropriada para o tratamento da dimensionalidade do problema
analisado. O entendimento da estrutura topológica da planta é extremante importante para o
projeto de unidades e para a reestruturação interna dos processos de informação, visando um
redesenho de um sistema completo de monitoramento.
Por questões de custo, conveniência e viabilidade técnica, nem todas as variáveis de

processo são medidas. Contudo, ainda pode ser possível estimar o valor de algumas dessas
variáveis não medidas a partir de outras medidas, usando para isso os balanços de massa, de
energia e de quantidade de movimento. Essa possibilidade depende da estrutura do processo e
da localização dos instrumentos de medição, como descrito no fluxograma de informação.
A definição do status de cada variável permite:
a) Inferir com maior segurança sobre a qualidade dos dados disponíveis;
b) Identificar como e onde podem ser efetuadas modificações, visando melhorias do

processo em geral;
c) Remover, antecipadamente, do sistema variáveis que não são de interesse;
d) Obter problemas de dimensão reduzida, que requerem memória e tempo

computacional menores.
Nesse capítulo são explorados aspectos relacionados à estrutura topológica de

processos químicos, aos parâmetros operacionais e à forma como as variáveis de processos
podem ser classificadas. A formulação matemática do problema de classificação de variáveis
é tratada utilizando os enfoques matricial e grafológico analisados quanto à formulação,
praticidade e efetividade. Introduzem-se também conceitos de observabilidade e redundância
9
de um processo. Essas idéias associadas a estratégia de classificação, permitem a redução da
dimensão de problemas de análises de dados, conduzindo a uma reconciliação de dados mais
adequada. Também são abordados vários aspectos relacionados ao processo de reconciliação
de dados, desde o trabalho pioneiro publicado por KUHEN e DAVIDSON (1961), até os dias
atuais (AL-ARFAJ, 2006), perpassando pela detecção de erros e a estimação de parâmetros.
Demonstra-se, também, a escassez de trabalhos de reconciliação de dados com abordagem
dinâmica em escala industrial, principalmente na indústria de polímeros (SEAVEY et al.,
2003).
2.1) Classificação das variáveis de processo
A etapa de classificação constitui a primeira etapa da reconciliação de dados

HODOUIN et al. (1991). Como mostrado nessa seção através dessa análise pode-se definir
uma estratégia de amostragem que garanta que todo o conjunto de variáveis não medidas seja
observável. Pode-se também remover as variáveis não observáveis que não são de interesse,
para evitar problemas de indeterminação. As análises de redundância e observabilidade
permitem ainda determinar a viabilidade de realizar a reconciliação, identificando-se que
variáveis do processo são observáveis.
Os modelos de processo são representados por equações diferenciais ordinárias ou

parciais, lineares ou não lineares. Essas equações contêm parâmetros, tais como: constantes de
taxa de reação, energias de ativação, coeficientes de transferência de calor, coeficientes de
difusão, densidades, e dentre muitos outros parâmetros que podem ser definidos. Se a
constante de taxa de reação de um processo de polimerização não for bem estimada,
independentemente da exatidão da forma do modelo, a validação do mesmo não poderá a
contento resultando em modelos de precisão reduzida.
O uso de modelos matemáticos para processos físicos e químicos de larga escala tem
confrontado o engenheiro com a tarefa de resolver grandes sistemas de equações. Um sistema
de n equações algébricas pode ser representado formalmente como:
f1 ( x1 , x2 ,K xn ) = 0
f 2 ( x1 , x2 ,K xn ) = 0
(2.1)
M M
f n ( x1 , x2 ,K xn ) = 0
10
Nesta representação, uma ou várias equações devem representar uma parte do
processo. fi representa uma função genérica que relaciona um conjunto de variáveis de
processo. x representa certa variável do sistema. Se algumas dessas equações não são lineares,
algoritmos iterativos de vários tipos podem ser empregados para obter uma solução numérica
do sistema de equações. Esses algoritmos geralmente começam com um vetor que contém
estimativas iniciais para a solução de todas as variáveis x, sendo empregadas diferentes
estratégias para modificar x até que se convirja para a solução através de um algoritmo
seqüencial. Os algoritmos típicos utilizados são os algoritmos de Newton, de busca direta e de
passo ascendente e descendente.
A análise do sistema de equações antes da sua resolução pode minimizar dificuldades

associadas ao armazenamento computacional de dados e ao tempo excessivo para resolver as
equações simultâneas. Uma estratégia sistemática foi elaborada para reduzir os sistemas em
subsistemas e para ordenar as equações e os subsistemas na seqüência apropriada (LEE e
RUDD, 1996).
O desenvolvimento recente de técnicas de monitoramento em linha e de

armazenamento de dados propiciou um crescimento significativo dos conjuntos de
informações disponíveis nas plantas industriais (THORNHILL et al., 2004). No entanto,
somente alguns desses dados são de fato utilizados e tratados. Dados os custos e dificuldades
que envolvem as metodologias de medições, as medidas de cada uma das variáveis podem
não estar disponíveis ou podem ser irreais. Quatro categorias de variáveis podem ser definidas
como resultado da identificação estrutural dos processos (Figura 2.1).
STANLEY e MAH (1981a) desenvolveram uma teoria para caracterizar a

observabilidade e redundância em processos, demonstrando a importância desses conceitos
para avaliação do desempenho dos estimadores. São utilizadas nesse trabalho as definições
introduzidas por STANLEY e MAH (1981b):
Variável redundante: Uma medida é denominada redundante se, e somente se, a

observabilidade do sistema não for alterada pela sua exclusão.
Variável não redundante: Uma medida é denominada não redundante se ela for
imprescindível para a observação do sistema.
11
Variável observável: uma variável não medida é chamada observável se, e somente
se, pode ser calculada através de outras medições disponíveis no processo.
Variável indeterminável: uma variável não medida é chamada não observável se não
houver possibilidade de estimá-la através de outras equações.
Variáveis de
processo
Variáveis medidas Variáveis não

medidas
Medidas Medidas não Variáveis Variáveis

redundantes redundantes observáveis indetermináveis
Figura 2.1. Classificação de variáveis.
Devido ao conjunto incompleto de instrumentos em uma unidade industrial, o sistema

deve ser classificado na busca de um conjunto ótimo de medidas que auxilie a resolução do
modelo proposto e permita estimar as variáveis não observáveis. Um fluxograma simples de
técnica de melhoria de medições de dados pode ser mostrado na Figura 2.2. Observa-se que as
variáveis medidas podem ser submetidas a técnicas de detecção de erros grosseiros e de
reconciliação, como será discutido ao longo desse capítulo.
A primeira etapa de um algoritmo de classificação de variáveis envolve a

determinação de quais variáveis são observáveis ou indetermináveis e quais são redundantes
ou não redundantes. Vários autores têm publicado algoritmos para classificação de variáveis
(CROWE, 1986; STANLEY e MAH, 1981; MAH, 1990). Aquelas variáveis que são
indeterminadas não são disponíveis para análise dos dados. A primeira idéia de classificação
de variáveis foi apresentada por VACLAVÉCK (1969) com o propósito de reduzir o tamanho
do problema de reconciliação de dados para modelos constituídos por equações lineares.
VACLAVÉCK e LOUCKA (1976) apresentaram um estudo de caso para balanço
12
multicomponentes. Uma aproximação semelhante foi feita por MAH et al. (1976), na
tentativa de organizar um conjunto de dados de processo e sistematizar o problema de
correção de estimação e medição. Nesse trabalho foi desenvolvido um procedimento teórico
baseado em grafos para descrever fluxogramas com um único componente. KRETSOVALIS
e MAH (1987) estenderam o tratamento para fluxogramas multicomponentes e para redes de
processo que incluem balanços de energia bilineares e reações químicas (KRETSOVALIS e
MAH, 1988; KELLY, 2004a). A principal limitação desses algoritmos está associada à
representação linear ou bilinear dos modelos, que não pode ser usada para representar
processos complexos.
Modelo Medidas
Observáveis
Classificação de
variáveis
Indetermináveis
Variáveis não medidas
Variáveis medidas
Redundantes Não redundantes
Detecção erros
grosseiros
Reconciliação de
dados
Estimativas
Figura 2.2. Etapas para melhoria da qualidade dos dados (adaptado de EDGARD et al.,
(2001)).
13
2.1.1) Importância da classificação de variáveis
A classificação de variáveis é uma ferramenta essencial para o projeto ou revamp de

sistemas de monitoramento. Depois de fixado o grau de conhecimento requerido do processo,
ou seja, o conjunto de variáveis que devem ser conhecidas, a técnica deve ser aplicada de
forma iterativa até que o conjunto selecionado de instrumentos permita a obtenção da
informação desejada sobre o processo estudado. Há um grande incentivo econômico para
realizar a classificação completa das variáveis de um processo industrial, uma vez que a
condução de um procedimento deficiente acaba por requerer instrumentação adicional, um
esforço computacional maior e, provavelmente, maiores dificuldades para resolução do
problema numérico de análise. Além disso, a inadequada seleção de instrumentos pode
resultar na não observação de importantes variáveis do processo, prejudicando a análise dos
dados de operação.
É importante ressaltar que a violação das equações de conservação pelos dados

industriais ocorre apenas porque existem variáveis medidas redundantes. Isso não quer dizer
que e a existência de redundância seja ruim; muito pelo contrário, a existência de redundância
permite julgar e aprimorar as medidas disponíveis. Caso não existam medidas redundantes, o
problema de ajuste dos dados industriais não é possível. Por isso, freqüentemente os
engenheiros de processo tentam suprir dados redundantes sobredeterminando as
especificações das plantas, possibilitando uma checagem cruzada das medições.
As variáveis não redundantes não influem no processo de ajuste utilizado para

reconciliação de dados, enquanto as variáveis não medidas concorrem apenas para aumentar o
tamanho do sistema sob análise. Alguns autores propõem por isso a redução da dimensão do
problema, utilizando um sistema de equações reduzido, obtido a partir do sistema original,
onde estão envolvidas apenas as variáveis redundantes pode ser uma das soluções. Esse
procedimento pode não ser válido quando existe correlação forte entre as medidas, já que
neste caso o número de variáveis medidas é de fato menor que o número de medidas
disponíveis. Por outro lado, a identificação das variáveis não redundantes presentes evita a
errônea conclusão de que essas variáveis não ajustadas originam-se de medidas precisas. A
redução da covariância está fortemente relacionada ao grau de redundância do conjunto de
dados, que pode ser explorado e definido objetivando a melhoria na qualidade dos mesmos.
14
CROWE (1989), STANLEY e MAH (1981), KRETSOVALIS e MAH (1988)
desenvolveram métodos mais gerais para processos estacionários, estabelecendo condições
necessárias e suficientes para observabilidade e redundância. SANCHEZ e ROMAGNOLI
(1996) apresentaram uma técnica de classificação baseada na decomposição do modelo
através de fatorizações ortogonais, visando analisar, decompor e resolver o problema de
reconciliação de dados lineares e bilineares. Foi mostrado que a decomposição forneceu
informações adicionais sobre a identificação estrutural, assim como permitiu identificar
singularidades na topologia do processo.
2.1.2) Observabilidade e Redundância
Observabilidade e redundância são atributos desejáveis para as variáveis de processos.

Tanto a observabilidade quanto a redundância são altamente dependentes da escolha do
conjunto de equações e de medições que serão utilizadas para formulação do problema de
reconciliação. A sua importância foi discutida amplamente em trabalhos anteriores
(STANLEY e MAH, 1981, KRETSOVALIS e MAH, 1987). VACLAVÉK (1969) foi o
primeiro a desenvolver um método de classificação. Todavia, seu estudo foi limitado ao caso
em que todas ou nenhuma das frações mássicas das correntes de processo eram conhecidas.
VÁCLAVEK (1969) introduziu pela primeira vez o conceito de redundância,

verificando se vazões de correntes de processo podem ou não ser calculadas através de outras
variáveis medidas. O autor também introduziu o conceito de variáveis não medidas
observáveis, determinadas durante as simulações do processo. VÁCLAVEK (1976) estendeu
os conceitos apreserntados a sistemas multicomponentes.
VÁCLAVEK e LOUCKA (1976) realizaram um estudo cujo foco era a análise dos
balanços de massa multicomponentes. Foi adotada a mesma hipótese fundamental de
VÁCLAVEK (1969). Reações químicas foram levadas em consideração adicionando-se
correntes fictícias aos grafos construídos. Nesse caso, as informações de entrada incluíam o
cálculo de parâmetros mensuráveis e não mensuráveis.
A utilidade da redundância e da observabilidade para caracterização do desempenho

dos estimadores de dados de processo foi estabelecida por STANLEY e MAH (1981). Estes
desenvolveram teoremas e algoritmos, comprovados somente através do uso de exemplos
15
fictícios, que estabelecem as condições necessárias e suficientes para a observabilidade e a
redundância global e local para as variáveis do processo.
ALVAREZ et al. (1981) estudaram o controle de reatores tubulares, usando um

modelo em estado estacionário. Eles provaram numericamente que a existência de
redundância das medidas melhora a precisão da estimativa dos dados reconciliados. Admite-
se que as incertezas eram devidas somente aos balanços de massa e energia e que estas eram
conhecidas. Dessa forma, o procedimento adotado não foi totalmente apropriado, uma vez que
os autores não levaram em consideração explicitamente os ruídos das medições.
Adotando a premissa de que a observabilidade e a redundância de variáveis de

processo são informações básicas para o projeto e monitoramento dos processos,
KRETSOVALIS e MAH (1988a, 1988b) apresentaram um algoritmo de classificação que
explora as propriedades teóricas dos grafos e a capacidade de solução do algoritmo, em estado
estacionário. Os algoritmos foram denominados de GENOBS e GENRED.
Uma teoria e um algoritmo para classificação de variáveis em estado estacionário, para

processos descritos por vazões, concentrações e entalpias específicas, foi formalmente
apresentada por CROWE (1989). O método usa propriedades algébricas lineares das matrizes
que descrevem as equações do processo, explorando as informações disponíveis do processo.
Nenhuma outra hipótese sobre estrutura das restrições foi feita, desde que elas fossem
lineares. O algoritmo apresentado também é capaz de identificar quantidades indetermináveis
e não redundantes.
Os dados de processo podem ser melhorados usando-se redundâncias espaciais ou

funcionais no modelo do processo. As medições são espacialmente redundantes se existem
dados suficientes para definir completamente o modelo do processo a qualquer instante de
tempo; ou seja, o sistema está superdeterminado. Similarmente, melhorias podem ser
alcançadas usando-se redundâncias temporais. As medições são temporalmente redundantes
quando medições do passado estão disponíveis e podem ser usadas com o propósito de
estimar valores futuros também disponíveis (MACDONALD e HOWAT, 1988). Modelos
dinâmicos compostos por equações algébricas e diferenciais fornecem redundâncias tanto
temporais quanto espaciais importantes para o processo de reconciliação (TJOA e BIEGLER,
1991a; ZHANG et al., 2001).
16
Todos os estudos mostrados anteriormente foram desenvolvidos para sistemas lineares
e em estado estacionário. Em sistemas não lineares, o problema de classificação no estado
estacionário foi estudado por ISLAM et al.(1994), com um exemplo de um reator industrial
de pirólise.
2.1.3) Diferentes estratégias para resolução do problema de classificação
Duas grandes escolas de pensamento predominam na solução do prde classificação de

variáveis. A primeira escola utiliza o “Enfoque Grafológico”, baseado na teoria dos grafos,
enquanto a segunda escola usa o “Enfoque Matricial”, que faz uso de técnicas de ordenamento
de matrizes para alcançar seus objetivos. (MEYER et al., 1993a).
Tabela 2.1. Histórico dos métodos de classificação.
Autores e data de publicação Método Usado

VÁCLAVEK (1969) Grafológico
VÁCLAVEK e LOUCKA(1976) Grafológico
MAH et al. (1976) Grafológico
ROMAGNOLI e STEPHANOPOULOS (1980) Estrutural
CROWE et al. (1983) Matricial
CROWE (1986) Matricial
KRETSOVALIS e MAH (1987) Grafológico
KALITVENTZEFF e JORIS (1987) Matricial
KRETSOVALIS e MAH (1988a, 1988b) Grafológico
RAGOT et al. (1991) Matricial
DAROUACH e ZASADZINSKI (1991) Matricial
MEYER et al.(1993) Grafológico
CROWE (1996B) Matricial
Métodos menos rigorosos foram também desenvolvidos baseados na análise estrutural

da matriz de incidência. A matriz de incidência é uma estrutura matricial que descreve o fluxo
de informações em um processo. Definições mais precisas serão apresentadas ao longo do
texto. KALITVENTZEFF e JORIS (1987) apud ROMAGNOLI e SANCHEZ (2000) usaram
estes métodos e admitiram que eles podem falhar em problemas onde há reciclo de energia.
17
ROMAGNOLI e STEPHANOPOULOS (1980) também desenvolveram um método baseado
na estrutura das equações, utilizando o algoritmo desenvolvido originalmente por
STADTHERR et al. (1974), que associa cada uma das variáveis a cada uma das equações
através de uma matriz de incidência. Os diferentes métodos estão resumidos na Tabela 2.1.
2.1.3.1) Solução pela teoria dos grafos
Grafo é uma representação de um processo qualquer por meio de arcos e nós. Em um

processo químico, os nós são geralmente as unidades, e os arcos representam as correntes, as
quais podem ser de fluxo de massa e/ou de energia. Vale salientar que cada corrente pode
conter vários componentes (exemplo: gás natural contendo metano, etano, propano, etc). Os
processos grafológicos contêm um ambiente onde os nós podem ser simultaneamente insumos
e fornecedores de dados.
STANLEY e MAH (1977) mostraram que a teoria dos grafos pode ser útil para a
representação da estrutura topológica do processo. O algoritmo baseado neste tipo de
abordagem propòe o uso de duas regras muito simples para efetuar a classificação.
Regra 1.
Dois nós conectados por uma corrente em que não há qualquer medição devem ser
agregados em um único nó.
Regra 2.
Todas as correntes medidas devem ser excluídas do grafo, sendo em seguida feita a
procura de ciclos nos grafos reduzidos
VÁCLAVEK e LOUCKA (1976) foram os primeiros a desenvolver um algoritmo para

classificação de variáveis em modelos não lineares e multicomponentes. Para usar a teoria dos
grafos, o processo em estudo deve ser representado na forma de grafos. Isto pode ser feito a
partir do fluxograma, adicionando-se um nó extra (chamado de nó ambiente) que conecta
todas as correntes de alimentação e produtos a ele. Para exemplificar, considere o trocador de
calor com bypass mostrado na Figura 2.3. Os fluxos energéticos serão ignorados, dando-se
ênfase somente aos fluxos mássicos. As nomenclaturas da Figura 2.3 estão assim definidas :
18
DIV – Divisor; TC - Trocador de calor; MIS – Misturador; VAL - Válvula. Os algarismos
arábicos indicam a numeração da corrente do processo.
1 2 4 6
DIV TC MIS
3 5
VAL
Figura 2.3. Trocador de calor com um sistema de bypass
Admite-se que somente as correntes 1 e 6 são medidas e que essas medidas contêm
erros aleatórios. Na Figura 2.4 as direções da corrente não são indicadas, já que elas são
irrelevantes para a presente análise.
Nó Ambiente (ligando entrada e saída do processo)
NA
1 2 4 6
DIV TC MIS
3 5
VAL
Figura 2.4. Processo na forma de grafos de um trocador de calor com um sistema de bypass
A identificação dos fluxos pode ser obtida através da teoria dos grafos utilizando a
regra que um fluxo não medido é não observável se, e somente se, ele fizer parte de algum
ciclo que contém apenas correntes não medidas na representação na forma de grafos.
19
Pode ser facilmente observado que as correntes medidas (1 e 6) formam um ciclo de
medidas observáveis(1,2,4 e 6), ao passo que as variáveis correspondentes às correntes 2, 3, 4,
e 5 são não observáveis. Pode-se observar que as variáveis 1 e 6 são também redundantes,
uma vez que essas correntes estão presentes no mesmo ciclo grafológico.
Podem-se encontrar os detalhes sobre a teoria grafológica para a classificação das

variáveis, bem como os algoritmos para implementação computacional que utilizam a
metodologia dos grafos, nos trabalhos de KRETSOVALIS E MAH (1987, 1988). Essas são
obras essenciais para quem deseja se aprofundar nessa metodologia. Basicamente, a soma das
correntes de entrada em cada nó do grafo deve ser igual à soma das correntes de saída. Com
técnicas rápidas e eficientes, percorrem-se os nós do grafo, gerando sub-grafos com
características específicas a partir do grafo original. A análise desses sub-grafos conduz à
classificação de variáveis em um processo iterativo, até que nenhuma variável possa ser mais
classificada. Demonstra-se nesses trabalhos que em alguns casos o sub-grafo pode dar origem
a um pequeno subsistema de equações que contém algumas variáveis não medidas. Tais
variáveis só são observáveis se o sistema apresenta solução única. Caso contrário, essas
variáveis são não observáveis, como pode ser notado em KRETSOVALIS E MAH (1988).
Esse processo permite a construção de uma estrutura hierárquica para resolução das equações
e a obtenção de subsistemas menores, que requerem menores esforços e tempos
computacionais para a sua resolução.
2.1.3.2) Solução através da análise matricial
A representação do processo nesse caso é feita através de uma matriz de incidência.

Quando o sistema é constituído por correntes puras (contendo apenas um componente, como
uma rede de distribuição de vapor), as linhas de matriz de incidência representam as unidades
do processo e as colunas representam as correntes envolvidas. Cada linha dessa matriz
representa uma equação de balanço e as colunas representam as variáveis do sistema.
Métodos de análise de observabilidade e redundância de sistemas lineares têm sido
extensamente desenvolvidos através da análise da matriz de incidência.
A matriz de incidência A de um processo pode ser caracterizada matematicamente de

acordo com a Equação 2.2. Considera-se que o processo contém K unidades, k = 1,...,K, e J
20
correntes, j = 1,...,J, com C componentes, c = 1,...,C. akj é o elemento da matriz de incidência.
A topologia do processo é representada pela matriz de incidência A, com as linhas
correspondentes às unidades e as colunas representando as correntes.
a kj = 1 se a corrente j entra no nó k
a kj = −1 se a corrente j sai do nó k (2.2)
a kj = 0 em qualquer outro caso
No processo simples da Figura 2.3, quando são considerados apenas os fluxos

mássicos, a matriz de incidência correspondente é dada por:
⎡1 − 1 − 1 0 0 0⎤
⎢0 1 0 −1 0 0 ⎥⎥
A= ⎢
⎢0 0 1 0 −1 0 ⎥
⎢ ⎥
⎣0 0 0 1 1 − 1⎦
Como pode ser visualizado, a primeira linha dessa matriz representa o divisor que
segmenta a corrente 1 na corrente 2 e na corrente 3. A segunda linha representa o trocador de
calor, enquanto que a terceira linha representa a válvula. Já a quarta linha indica o misturador,
representando a mistura das correntes 4 e 5 para constituir a corrente 6. Uma importante
característica dessas matrizes é que elas são usualmente esparsas. Assim, para grandes
sistemas, a matriz de incidência pode ocupar muita memória computacional. Portanto, é
conveniente usar técnicas de armazenamento que economizem memória computacional
armazenando-se apenas os elementos não nulos da matriz.
A matriz de incidência pode ser facilmente ampliada para incluir correntes

multicomponentes. O sistema de equações que envolvem variáveis medidas e não medidas
pode ser decomposto em dois subsistemas: um que envolve apenas variáveis medidas e outro
que envolve apenas variáveis não medidas.
O enfoque matricial baseado na linearização das restrições e no uso da matriz de

projeção foi proposto por CROWE et al. (1983). A matriz de projeção é uma transformação
linear que reduz o modelo linear a uma forma tal que apenas variáveis medidas aparecem nas
equações. Esse método permite desacoplar o problema de reconciliação de dados do problema
de inferência de variáveis não medidas. Permite ,também, identificar variáveis redundantes e
21
não redundantes. Após a obtenção dos valores reconciliados, pode-se, então, efetuar a
inferência dos dados não medidos. Essa etapa consiste em calcular o valor das variáveis não
medidas através, por exemplo, da resolução de um sistema reduzido de equações
independentes, obtidas do sistema original. Para efetuar essa decomposição, os autores
propõem o uso da técnica da matriz de projeção, que tem o mérito da simplicidade e fornece
diretamente o subsistema que contém as variáveis medidas, usado para a reconciliação dos
dados. Essa técnica, no entanto, só pode ser usada em modelos lineares em estado
estacionário, o que é uma grande limitação.
CROWE et al. (1983) mostraram como eliminar medidas de vazão com a matriz de
projeção, e obter conjuntos reduzidos de equações, admitindo que as vazões são redundantes.
RAGOT et al. (1990) e DAROUACH e ZASADZINSKI (1991) propuseram a decomposição
da matriz de incidência em relação a observabilidade de todas as variáveis do processo..
CROWE (1996b) reformulou o problema de reconciliação de dados linear, maximizando a
entropia de informação e obtendo distribuições probabilísticas dos dados, com o mínimo de
incorporação de conhecimentos anteriores. Como este trabalho usa técnicas matriciais para
resolver o problema genérico de classificação de variáveis de processo, deixa-se o detalhe
algorítmico para o Capítulo III.
2.1.3.3) Enfoque matricial versus grafológico
A análise matricial pode resultar em manipulação excessiva da matriz de incidência e

em elevado tempo computacional. HODOUIN et al. (1991) analisaram uma unidade de
flotação onde foi gerado um sistema de 583 equações de conservação de massa, envolvendo
1129 variáveis. Para a classificação da observabilidade desse sistema, usando uma estratégia
global baseada na matriz de incidência, seriam necessários cerca de um bilhão de operações.
Esse número pode ser drasticamente reduzido através de uma adequada decomposição do
sistema de equações, através da redefinição e agrupamento de variáveis, utilizando restrições
e experiência prévia a respeito do sistema em estudo.
Por outro lado, deve-se considerar que a análise grafológica está centrada apenas na
classificação de variáveis, deixando em segundo plano a obtenção e a resolução do sistema de
equações que constitui o modelo do processo. Os passos requeridos para a obtenção de um
22
sistema de equações que envolve apenas variáveis redundantes, ou de uma hierarquia de
resolução do sistema de equações não estão muito claros ou não podem ser aplicados a
modelos não lineares. Portanto, a generalização do método grafológico constitui sua principal
limitação (KELLY, 2004b).
Pode-se ainda, numa etapa inicial, desconsiderar toda a análise explícita de

classificação da observabilidade e da redundância do sistema, para centralizar a atenção
apenas no processo de reconciliação que, em última instância, constitui o objetivo principal da
análise. Para tanto, faz-se necessário admitir que o modelo não contém variáveis não
observáveis, o que é improvável com dados industriais.
Um dos pontos marcantes do trabalho aqui apresentado é o desenvolvimento de um

novo código para classificação de variáveis em modelos dinâmicos, que possa ser usado para
a análise inicial do problema de reconciliação de dados. Desenvolve-se no próximo capítulo o
algoritmo implementado a apresentam-se os resultados obtidos a partir de informações de
duas unidades industriais totalmente díspares, o que ilustra a abrangência do código
implementado.
2.2) Erros de medição e técnicas de redução de erros
Os dados da planta devem satisfazer os balanços de massa e energia do processo.

Geralmente, os dados não satisfazem as equações de balanço devido a erros de medidas na
planta. A temperatura ambiente e a umidade, por exemplo, afetam as leituras, introduzem
ruídos e alteram a precisão dos instrumentos. A automatização da técnica de reconciliação de
dados é necessária para que se faça uso proveitoso da grande quantidade de informações
disponíveis.
Medidas são sempre sujeitas a erros, independentemente das condições de medição e

dos aparelhos usados para obtê-las. Precisão e exatidão são termos utilizados frequentemente
e que podem se confundir. Precisão de um instrumento pode ser definida como o grau de
concordância medidas consecutivas de uma variável que mantém o seu valor estático. A
medida não guarda qualquer relação com o valor verdadeiro da variável que está sendo
medida. A Figura 2.5 mostra um conjunto de medidas da temperatura de um determinado
23
reator de polimerização de propeno em lama (KHARE et al., 2004). A primeira parte do
gráfico corresponde a uma temperatura do reator, cujo valor verdadeiro é 65oC, com desvios
bem maiores que na segunda parte do gráfico, cujo valor verdadeiro é 80oC. Os dados da
segunda parte são mais precisos que os dados da primeira parte. Posteriormente, o reator sofre
um resfriamento, e a temperatura deveria retornar ao valor verdadeiro inicial de 65oC, porém
permanece em 70oC. Apesar da maior precisão da medida na terceira parte do gráfico,
observar-se-que há um erro sistemático que compromete a exatidão.
85
80
Temperatura(oC)
75
70
65
60
1 150
Tempo(min)
Figura 2.5. Precisão de um determinado sistema de medição de temperatura.
Espera-se normalmente que os erros de medida sejam aleatórios. Contudo, podem ser
encontrados também erros tendenciosos causados por mau funcionamento dos instrumentos,
por uma má calibração ou por uma amostragem indevida. Ainda podem ser encontrados
pontos espúrios resultantes de comportamento anormal do sistema de medição (como o
registro indevido de um dado por um operador). De maneira geral, as medidas podem conter
vários tipos de erros, dentre eles destacam-se:
a) Erros aleatórios
b) Erros grosseiros
c) Erros sistemáticos
24
2.2.1) Erros aleatórios
Os pequenos erros aleatórios das medidas flutuam em torno da média zero e,

freqüentemente, apresentam uma distribuição similar à distribuição normal (gaussiana), como
mostrado na Figura 2.6.
Figura 2.6. Distribuição de erros com média zero.
Mesmo sob condições idênticas de medição, duas medidas independentes não resultam
nos mesmos valores. Isto é devido à presença de erros aleatórios nas medições. Erros
aleatórios não podem ser preditos (CHEN et al., 1998). A relação entre uma variável medida
na planta e seu verdadeiro valor pode ser representada na forma da Equação (2.3):
ym = y + ε (2.3)
onde ym é o valor medido, y é o valor verdadeiro, e ε é o erro aleatório.
O desvio padrão é uma medida de precisão da medição. Quanto menor o desvio

padrão, maior é a precisão e a probabilidade de que os erros aleatórios estejam próximos do
valor zero. O desvio padrão é definido como a raiz quadrada da variância, definida como:
var ( ε ) = E ⎡⎣ε 2 ⎤⎦ = σ 2 (2.4)
onde σ é o desvio padrão do erro de medição e E é o operador esperança( ou média). Se os

erros aleatórios nas medições de duas variáveis diferentes i e j forem considerados
estatisticamente independentes, então eles devem possuir correlação nula, o que pode ser
representada como:
25
cov ( ε i , ε j ) = E ⎣⎡ε i , ε j ⎦⎤ = 0 (2.5)
2.2.2) Erros grosseiros
Na prática é muito difícil que exista um processo que opere verdadeiramente em

regime permanente. Durante toda a operação existem perturbações naturais ou provocadas, de
diversas origens, tais como as oriundas das ações de controle. Mesmo que sejam mínimas, as
pequenas quantidades de contaminantes nas correntes de processo influenciam o
comportamento cinético dos reatores. Deste modo, é ilusório concluir que as medições são
adequadas porque os medidores de vazão ou cromatógrafos possuem uma boa precisão, já que
efeitos desconhecidos podem perturbar o processo.
A reconciliação de dados admite que a medida está corrompida por um erro, cuja
distribuição segue o modelo gaussiano. Desta forma, a possível existência de erros grosseiros
deve ser identificada, e essas medidas devem ser removidas antes do ajuste das variáveis
redundantes. Diferentes métodos para detecção destes erros podem ser encontrados em MAH
(1990) e NARASIMHAN e JORDACHE (2000).
A presença de erros grosseiros invalida a base estatística normalmente usada para

construir os procedimentos de reconciliação. Por isso, é essencial um tratamento apropriado
dos dados (YANG et al., 1995). O tratamento de erros grosseiros pode ser normalmente
dividido em três estágios. No primeiro estágio, técnicas de detecção de erros grosseiros são
usadas para verificar se os mesmos estão presentes nas medições. Se a presença de erros
grosseiros for detectada, o segundo estágio é a identificação apropriada das fontes desses
erros. O estágio final é a eliminação das medidas corrompidas por esses erros do conjunto de
medidas experimentais.
Os erros grosseiros normalmente extrapolam a faixa de erros aleatórios e são

conseqüência de diversos fatores. KONG et al. (2004) discutiram o conceito desses erros e
listaram várias fontes de erros em medidas, tais como:
1 -Mau funcionamento dos instrumentos (falta de manutenção, calibração, etc.);
2 -Ruídos nas medições;
26
3 -Vazamentos em linhas de processos;
4 -Modelo inadequado (neste caso, o erro grosseiro decorre da interpretação
inadequada do dado experimental);
5 -Processos operando fora do estado estacionário (neste caso, o erro grosseiro também
decorre da interpretação inadequada da medida experimental).
Existem enfoques alternativos em que não é necessário remover as variáveis

portadoras de erros grosseiros, como o apresentado por ROMAGNOLI e GANI (1983). Neste
caso, o próprio modelo pode ser modificado para considerar a presença de erros sistemáticos.
Acrescentam-se as magnitudes dos desvios às medidas do processo, como incógnitas a serem
calculadas. Esse procedimento admite, portanto, que todas as medidas de uma certa variável
estão corrompidas por um mesmo erro, o que nem sempre é verdade.
A possibilidade de falha na detecção de erros grosseiros aumenta com a quantidade de

erros presentes (CROWE,1988). A falha pode ser de dois tipos:
a) o método acusa a presença de um erro grosseiro, quando na verdade não existe
nenhum erro presente. Nesse caso, o erro cometido é dito “Erro tipo I”;
b) o método não acusa a presença de erro grosseiro, quando na verdade existem
um ou mais erros presentes. Comete-se então um “Erro tipo II”.
Esses erros podem ser visualizados na Figura 2.7. A soma das áreas horizontalmente
hachureadas representa a probabilidade de cometer um Erro tipo I, em geral considerada igual
a 5%. Para esse nível de confiança (95%), considera-se que uma medida é portadora de erro
grosseiro quando a diferença entre o valor ajustado e o valor medido exceder a dois desvios
padrões, em valor absoluto. Essa diferença pode ser positiva ou negativa de modo que cada
área mostrada na Figura tem probabilidade igual a 2,5%.
A análise da probabilidade de se cometer um Erro tipo II é mais complicada, pois

depende, dentre outros fatores, da magnitude do erro envolvido. A Figura 2.7 mostra a
situação esperada quando a nova média do instrumento de medição apresenta erro positivo de
3 desvios padrões. A área quadriculada representa a probabilidade de se cometer um Erro tipo
II, aproximadamente igual a 15,5% nesse caso. Ou seja, a probabilidade de que a leitura feita
no instrumento de medição com problema apresente valores dentro da faixa aceitável de 2
27
desvios padrões em relação a valores reais. Essa probabilidade será tanto menor quanto maior
for o desvio em relação à média original.
P(ε)
Figura 2.7.Falhas na detecção de erros grosseiros.
Estatisticamente, um erro grosseiro pode ser caracterizado como um desvio cuja

ocorrência, como realização de uma variável aleatória é altamente improvável.
Conseqüentemente, estratégias que usam testes de hipóteses para detectar essas ocorrências
improváveis funcionam muito bem, desde que os erros aleatórios da medida sejam
provenientes de uma distribuição de probabilidades conhecida. Em outras palavras, a
vantagem é que a rejeição dos erros grosseiros pode ser executada usando-se nível de
confiança especificado α .Caso contrário, a identificação de erros grosseiros é difícil e deve
ser feita com base em padrões estatísticos de comportamento das medidas, ou com base em
procedimentos heurísticos. Por exemplo, durante o aquecimento de um equipamento de
processo, as temperaturas devem aumentar.
Apesar de diversos estudos já terem sido realizados, poucos métodos usados para
identificação de erros grosseiros são capazes de discernir de forma eficiente o local e o
tamanho do erro (BAGAJEWICZ, 2000).
28
Como já foi discutido, depois da identificação dos erros grosseiros, uma de duas
possíveis tomadas de decisão é normalmente executada:
• Eliminar a medida que contém o erro grosseiro;
• Corrigir a medida e efetuar a análise novamente.
A primeira alternativa é a que está implementada na maior parte dos programas

comerciais. Essa aproximação pode deixar o sistema com um grau de redundância pequeno.
Como conseqüência, a precisão das variáveis reconciliadas pode se deteriorar rapidamente, à
medida que se removem os pontos espúrios.
Por definição, pontos espúrios são medidas que não se ajustam a uma distribuição
estatística pré-especificada. Por isso, adotou-se aqui a proposição de RIPPS (1965), que
define ponto espúrio como o ponto ou conjunto de pontos experimentais que são pouco
prováveis, quando avaliados com a curva normal.
Foram feitas inúmeras propostas para tratar esse problema. NARASIMHAN e MAH
(1987) e TAMHANE e MAH (1985) usaram testes seqüenciais, onde os dados são
comparados a um modelo de referência, usando mínimos quadrados. Os resíduos são então
avalilados usando testes estatísticos tradicionais. Uma vez detectado e eliminado o erro
grosseiro, uma nova regressão deve ser feita. Os testes com os pontos restantes são repetidos
até que o conjunto de dados esteja livre de erros. Essa aproximação tem como desvantagem o
fato de que os testes de distribuição são baseados nos resíduos de uma regressão, que podem
ter sido afetados pela presença de pontos espúrios e pelo modelo de referência (SANCHEZ et
al.,1999). Devido à natureza seqüencial do método, muitas regressões podem ter que ser feitas
até que o critério de parada seja atingido.
MAH et al. (1976) estudaram a reconciliação de dados em correntes de processo e

inventário de dados industriais usando a teoria dos grafos. Como a presença de erros
grosseiros inviabilizou a base estatística usado para reconciliação de dados, eles testaram a
validade de um algoritmo proposto para identificação dos mesmos antes de efetuar a
reconciliação e inferência dos dados. Os autores compararam os resultados obtidos com
aqueles obtidos com o algoritmo desenvolvido por NOGITA (1972). O teste proposto por
MAH et al. (1976) difere do anterior em dois aspectos: Primeiro pode ser avaliado
29
diretamente sem nenhum cálculo de reconciliação prévio. Em segundo lugar, NOGITA (1972)
usou uma técnica estatística simples para todo o processo, enquanto MAH et al.(1976)
utilizaram uma técnica estatística diferente em cada nó. Essa diferença torna-se importante
para grandes problemas.
Existem vários testes estatísticos construídos para detecção de erros grosseiros.

MADRON et al. (1977) propuseram um teste global baseado no fato de que a função objetivo
do problema de reconciliação é distribuída como uma variável qui-quadrado, se as medidas
forem normalmente distribuídas em torno dos seus valores verdadeiros. O valor da função
objetivo é, então, comparado com o valor de qui-quadradro tabelado para um determinado
nível de confiança (digamos 95%). Se o valor final da função objetivo for pouco provável,
pode haver a ocorrência de erros grosseiros.
Esse método foi bastante utilizado até a década de 90, mas não se mostrava eficiente
para identificação de erros grosseiros em sistemas dinâmicos. Os dados do processo não
satisfazem necessariamente o modelo fenomenológico desenvolvido com dinâmicas altamente
não lineares. O tamanho da inconsistência pode ser relativamente pequeno, caso não existam
erros grosseiros nas medições. Na prática, os dados podem também conter outros tipos de
erro, causados por eventos não aleatórios. Para que se evite esta circunstância, é necessário
conferir a confiabilidade dos dados medidos, do ponto de vista da existência de erros
grosseiros.
Com esse propósito e avaliando apenas o processo em fase estacionária, utilizou-se o

critério de teste estatístico de inconsistência utilizado por MADRON (1977) e já testado por
OLIVEIRA JUNIOR (2004a). Formulou-se uma função teste para detecção de erros
grosseiros:
σ X2
h= 2 (2.6)
σ total
A função h segue uma distribuição Qui-quadradro, χ 2 , com ng graus de liberdade.

Então, para um determinado nível de significância α ,
( )
P h ≥ χ12−α (ng ) = α (2.7)
30
Isto significa que a probabilidade particular de um evento h exceder o valor crítico
χ 2 , com um nível de significância 1 − α e ng graus de liberdade, é α . Isto provê um teste

para determinar inconsistência de um conjunto de dados na presença de erros grosseiros. Faz-
se necessário preestabelecer uma probabilidade de erro permissível, que fornece um valor
crítico de h. A escolha desta probabilidade depende das características do processo Por
exemplo, 0,10 é aceitável em diversos casos (BHAT e SARAF,2004; CROWE,1992; KONG
et al.,2004). A estratégia adotada propõe um algoritmo de eliminação serial que consiste em
descartar o elemento de um conjunto de medidas ao tempo em que checa o valor da função
teste em cada intervalo de tempo desejado.
Diferentes estratégias têm sido propostas, como o uso simultâneo de diversos testes,
visando identificar erros grosseiros. SERTH e HEENAN (1986) apresentaram sete diferentes
algoritmos para identificar erros grosseiros, três baseados em testes estatísticos e quatro em
testes de restrição. CROWE (1988) mostrou que a eliminação das medições mais suspeitas em
cada etapa pode não conduzir à identificação dos verdadeiros erros grosseiros. Não foi escopo
desta tese avaliar os métodos de identificação de erros grosseiros.Testes da potência máxima
(MP), implementados por CROWE (1989) em modelos lineares e baseados na distribuição
normal, são conhecidos pela capacidade de identificar erros grosseiros nas medições e nas
restrições, mas somente para aqueles erros remanescentes após o cálculo das variáveis não
medidas. Essa é a principal limitação do trabalho de CROWE (1989), uma vez que variáveis
não medidas podem absorver erros grosseiros associados a medidas de outras variáveis.
CROWE (1992) utilizou testes diretamente nas restrições originais, estendendo o teste de MP
para casos bilineares. O teste é feito com dois exemplos: a síntese de amônia e o processo de
flotação de metais pesados.
GUPTA e NARASIMHAN (1993) e TERRY e HIMMELBLAU (1993) também

realizaram estudos para a detecção efetiva de erros grosseiros, adotando a hipótese de
distribuição não gaussiana. A propagação dos erros de medição, através das diferentes etapas
do processo, distorce ao longo do mesmo a probabilidade de distribuição do sinal original.
BAGAJEWICZ (1996) incorporou essas distorções na formulação matemática do problema
de reconciliação. Foi admitido que as variáveis medidas diretamente seguem a distribuição
normal. Todavia, transformações não lineares, como a raiz quadrada da queda de pressão em
31
medidores de vazão em uma placa de orifício, distorcem a distribuição de probabilidade,
tornando inadequada a hipótese de distribuição normal
CHEN et al. (1998) apresentaram resultados de uma avaliação teórica e numérica de

algoritmos de otimização em linha usados para escolher a melhor maneira de conduzir a
otimização. O procedimento ótimo consistia em combinar a detecção de erros grosseiros e
reconciliação, para identificar e retificar os erros em uma planta com sistema de controle
distribuído. Foram utilizados erros grosseiros na faixa de 3σ a - 3σ . Uma das aparentes
vantagens dessa proposta é que a aproximação normal não é um pré-requisito para sua
implementação. A estratégia está centrada na hipótese de que um estimador robusto é capaz
de filtrar a influência dos erros grosseiros, minimizando a sua influência sobre o resultado
final da estimação e adotando qualquer uma das distribuições de erros listadas na Figura 2.8.
Se a distribuição dos erros for conhecida, pode-se simplesmente incorporar a distribuição
conhecida no lugar da distribuição normal e depois continuar o processo de reconciliação
normalmente. Pode-se utilizar qualquer uma das distribuições da Figura 2.8.
Figura 2.8. Diferentes distribuições, adaptado de CHEN (1998).
McBRAYER e EDGAR (1995) e CHEN e ROMAGNOLI (1998) desenvolveram um

método para detecção e estimativa de erros grosseiros em processos dinâmicos não lineares. A
técnica usa o modelo de reconciliação de dados dinâmica não linear formulado por
LIEBMAN et al. (1992). BAGAJEWICZ e JIANG (1997) também propuseram um método
para detectar esses tipos de erros no contexto de sistemas dinâmicos não lineares. SANCHEZ
et al. (1999) publicaram uma técnica que detecta simultaneamente erros sistemáticos e pontos
espúrios. Entretanto, esse método somente é aplicado a processos em estado estacionário.
32
A combinação de análise de componentes principais (PCA) e reconciliação de dados
resulta em reconhecido método usado para o monitoramento de dados industriais (TONG e
CROWE, 1995; DUNIA et al., 1996). Nesse caso, o modelo linear resultante do PCA é usado
como modelo do processo. AMAND et al. (2001) usou a combinação dos dois métodos para
reconciliar dados de processos para fins de monitoramento. O método de detecção de falhas
desenvolvido por eles parece promissor, pois reduz o número de variáveis necessárias para
monitorar o processo, diminuindo o esforço computacional. Vale frisar que o método não
exige distribuição de probabilidade de erros das variáveis originais. O método foi usado para
análise do processo de síntese de amônia.
A exclusão simultânea de todos os erros grosseiros identificados pode resultar em

soluções pouco robustas. Os erros grosseiros não devem ser removidos totalmente de uma
única vez. Eles devem ser tratados paralelamente ao processo de reconciliação, de forma a
garantir qualidade do processo de estimação. Seguindo essa idéia, ZHANG et al. (2001)
propuseram um novo método de análise de redundância para identificação e remoção dos
erros grosseiros, utilizando como estudo a síntese do metanol.
A detecção de erros grosseiros não somente melhora a precisão da estimativa dos

procedimentos de reconciliação de dados, como também é útil para identificação de
problemas em instrumentos que demandem uma manutenção especial. A detecção de erros
grosseiros permite reduzir os custos de manutenção e reduzir os problemas relacionados à
operação de unidades industriais.
Não faz parte do escopo do trabalho aqui implementado testar diversos métodos para
identificação e eliminação de erros grosseiros e propor a utilização de uma técnica mais
elaborada para identificar e eliminar os erros grosseiros. Foi feita apenas a escolha do método
proposto por MADRON et al.(1977) e OLIVEIRA JUNIOR et al. (2004a) para verificar a
consistência dos dados industriais utilizados para o processo de reconciliação. A análise de
erros grosseiros limitou-se ao uso do teste proposto e verificação da influência dos mesmos na
reconciliação. A estrutura de classificação de variáveis desenvolvida por OLIVEIRA JUNIOR
et al. (2004b) permite reduzir o problema combinatorial na seleção da medida que contém o
erro grosseiro. Não obstante ter dado pouca ênfase à eliminação dos erros grosseiros, ela é
uma etapa importante do procedimento de reconciliação de dados. Juntamente com a
classificação de variáveis, o uso de rotinas para detecção de erros grosseiros estabelece uma
33
metodologia geral para aplicação da estimação de parâmetros usando a técnica de
reconciliação de dados em um ambiente real de produção.
2.2.3) Erros sistemáticos
O erro sistemático do instrumento pode ser definido como o grau de concordância do

valor médio das medidas com o valor verdadeiro da variável. A Figura 2.9 ilustra o conceito
com um conjunto de medidas da temperatura de ebulição da água. As temperaturas na Figura
2.9 apresentam um erro sistemático de aproximadamente +2oC.
104
Temperatura(oC)
103
102
101
100
1 150
Tempo
Figura 2.9. Erros sistemáticos para temperatura.
Quando o valor verdadeiro da variável é conhecido, o bias ( r ) - erro permanente ou
sistemático- pode ser estimado subtraindo do valor médio de todas as medidas o valor
verdadeiro y :
r= y−y (2.8)
Quando as medidas são maiores que os valores verdadeiros, o bias é positivo e a

leitura é maior que o valor real. Ao contrário, um bias negativo corresponde a uma leitura
baixa. Quando os valores verdadeiros não são conhecidos, outros instrumentos são
necessários para determinar uma boa estimativa desses valores verdadeiros. Esse processo é
denominado de calibração.
34
Os ruídos sistemáticos ocorrem quando as medidas fornecem valores errôneos
consistentes. Neste caso, os erros de medida flutuam em torno de um valor médio diferente de
zero. Os ruídos sistemáticos podem ser provenientes de várias fontes, tais como a calibração
incorreta do instrumento, a degradação do sensor, a danificação de partes eletrônicas, dentre
outras.
ABUL–EL-ZEET et al. (2002) apresentaram técnicas para identificação e detecção de

erros sistemáticos e pontos espúrios em processos dinâmicos. Eles combinaram as técnicas
para fornecer uma estratégia de reconciliação dinâmica global de dados de processo, usando
como exemplo reatores CSTR individualmente e em série. O trabalho foi realizado com dados
fictícios e possuía apenas seis variáveis medidas.
2.3) Reconciliação de dados
A reconciliação de dados consiste em um tratamento matemático que objetiva

melhorar a qualidade dos dados representantes de um processo experimental ou industrial
qualquer, fazendo-os obedecer um modelo pré-concebido do processo. Apesar dos primeiros
trabalhos datarem da década de 1960, a aplicação da técnica é relativamente recente,
notadamente no Brasil quando comparado com outros procedimentos de estimação. Todavia,
a sua importância como ferramenta auxiliar de trabalho do engenheiro é indiscutível para o
monitoramento de um processo industrial, para o levantamento de dados experimentais em
laboratório ou na planta e para a identificação de parâmetros de um modelo. Apesar disso,
existem poucos trabalhos na literatura aberta com aplicação da técnica de reconciliação de
dados a casos reais da indústria.
Para se obter um conjunto de dados mais confiável e com uma melhor qualidade,
aplica-se um tratamento matemático ao conjunto original de dados medidos, de modo a
remover as discrepâncias entre os valores redundantes. Nesse processo, as violações das
equações dos balanços são eliminadas. Conjuntamente com o algoritmo de reconciliação de
dados, empregam-se outros algoritmos para detecção de erros grosseiros, para que sejam
removidos dados espúrios do conjunto de medição, de modo a não prejudicarem a qualidade
final das demais variáveis reconciliadas.
35
A reconciliação de dados pode ser feita em regime permanente ou transiente. Neste
último caso, tem-se a reconciliação dinâmica. O problema de reconciliação pode ser também
linear ou não linear, conforme a natureza das equações empregadas para representar os
balanços dinâmicos do processo e as demais restrições envolvidas. Em particular, no caso da
reconciliação dinâmica, são necessários vários conjuntos de medições obtidos como função
do tempo.Vale frisar que a reconciliação pode ser ainda realizada em linha e em tempo real,
ou fora de linha. A reconciliação dinâmica em linha tem aplicação direta em controle de
processos (BARBOSA JR et al., 2000). O processo de tomada de decisão na malha de
controle freqüentemente é feito com base em valores de entrada que contêm erros,
provocando respostas equivocadas e ações de controle com baixo desempenho. Através da
reconciliação de dados, esses erros podem ser reduzidos, tornando as variáveis mais
confiáveis e o desempenho da malha de controle mais robusto. Uma ferramenta efetiva para a
melhoria da qualidade dos dados de processo de uma planta industrial deve prover benefícios
significativos em diversas áreas, tais como:
Monitoramento de desempenho e otimização de processos, usando informações de

balanço de massa e energia consistentes, precisas e em tempo real (FILLON et al.,
1995);
Comportamento consistente e robusto dos sistemas de controle, alarmes e

segurança;
Colocação de instrumentação simples (barata, rápida e confiável) no lugar de

instrumentação complexa e cara, fazendo uso de medidas inferenciais de apoio
(BAGAJEWICZ, 2002);
Detecção antecipada da queda de desempenho de determinados equipamentos,

permitindo planejar a manutenção previamente.
Com uma ferramenta desse tipo, abre-se a perspectiva real de implementar um sistema
de gerenciamento de plantas químicas que produza melhores resultados, com um maior grau
de confiança. Isto pode ser demonstrado quantitativamente através da redução do tempo de
paradas, do uso de quantidade reduzida de instrumentos e da redução dos custos de
manutenção. A realidade é, no entanto, que todos os dados contêm erros ou incertezas em
maior ou menor grau, independentemente da técnica ou instrumentação utilizada. O que é
requerido de um sistema de monitoramento é que ele seja suficientemente simples e preciso
36
para uso pelos operadores da planta e engenheiros de operação, permitindo ajustar a correção
das medidas, detectar erros grosseiros e caracterizar o grau de confiança desejado nas
medições.
Desde a década de 60, diversas tentativas têm sido feitas para desenvolver sistemas de
monitoramento que permitam trabalhar com dados de processo de forma consistente e
confiável. Inicialmente, essas técnicas eram baseadas em princípios estatísticos simples
(ROMAGNOLI e STEPHANOPOULOS, 1981; CROWE, 1986; MAH e TAHMANE, 1982),
embora hoje façam uso de técnicas estatísticas avançadas (AMAND et al., 2001). Todavia, a
maior parte desses trabalhos possui características meramente acadêmicas, com um vazio
evidente na comunicação de aplicações industriais reais.
2.3.1) Formulação e base estatística
Os testes estatísticos são uma ferramenta importante para o julgamento da validade das
medidas do processo e para reconciliação de dados e estão em constante desenvolvimento. O
tratamento dos dados das unidades industriais envolve uma série de tarefas que permite o
processamento dos dados provenientes das diferentes fontes (sistema de aquisição em linha,
laboratório, anotações dos operadores, etc.), transformando-os em informações de processos
confiáveis. A confiabilidade dos dados é de suma importância, pois eles são utilizados para
identificação e/ou controle de processos (RAMAMURTHI et al., 1993). A aplicação de
técnicas estatísticas estabelecidas para a estimação de dados em engenharia química vem
sendo amplamente utilizada, como pode ser visto desde HLAVÁCEK (1977) e MADRON et
al. (1977) até AL-ARFAJ (2006).
As informações podem ser usadas pela empresas com diferentes propósitos (como
pode ser visto na Figura 2.10):
- Planejamento gerencial;
- Otimização
- Modelagem;
- Manutenção da instrumentação da unidade industrial;
- Análise de desempenho dos equipamentos, etc..
37
FONTE DE DADOS RECONCILIAÇÃO APLICAÇÕES
RETIFICAÇÃO
Planejamento
Produção
Dados dos manuais Paradas de planta
Desempenho de equipamentos
Dados em linha
Modelagem
Projetos de instrumentação
Dados de laboratórios
Otimização
Manutenção
Figura 2.10. Aplicação dos procedimentos de reconciliação e retificação de dados industriais

(retirado de Simulation Sciences, Inc.,1989).
38
Uma relação entre os erros nas medidas e os valores medidos está descrita na Equação
(2.3). As seguintes hipóteses são usualmente feitas:
a. O valor esperado de ε é um vetor nulo, isto é, E (ε ) = 0
( )
b. Os vetores sucessivos das medidas são independentes; isto é, E ε i ε Tj = 0
c. A matriz de covariância dos erros das medidas é conhecida e positiva; isto é,

(
Cov (ε ) = Ψ = E ε , ε Tj )
Intuitivamente, pode-se considerar a condição nas quais as diferenças entre os valores
medidos (y) e estimados x ( também chamados de ajustes), devam ser os menores possíveis.
Como primeira escolha, pode-se representar esse objetivo como:
Min ∑ ( y i − xi ) (2.9)
x i i =1
A Equação (2.9) representa o critério de mínimos quadrados, amplamente usado para

regressão. O critério de mínimos quadrados é aceitável se todas as medidas são igualmente
precisas. Na prática, no entanto, algumas medidas são mais precisas que outras, dependendo
do instrumento que está sendo usado do ambiente de processo e das condições operacionais.
Para levar em consideração as diferentes precisões das medidas, pode-se usar como função
objetivo a função de mínimos quadrados ponderados dada por :
Min ∑ w i ( y i − x i ) (2.10)
xi
i =1
onde os pesos w i são escolhidos para refletir a precisão relativa das respectivas medidas. A
função objetivo da Equação (2.10), pode ser representada de forma mais geral como :
Min ∑ ( y − x ) W ( y − x ) (2.11)
x
i =1
A matriz W (n × n) é geralmente uma matriz diagonal. Contudo, W pode também

conter elementos diferentes de zero fora da diagonal. Admitindo-se que o modelo do processo
tem que satisfazer a restrições lineares, a solução analítica da Equação (2.11) pode ser obtida
usando o método dos multiplicadores de Lagrange (KUEHN e DAVIDSON, 1961).
39
xˆ = y − W −1 A T ( AW −1 A T ) −1 Ay (2.12)
Na prática, deve haver limites nas variáveis. Desde que eles não sejam incluídos no
problema da reconciliação, as estimativas obtidas utilizando a Equação (2.12) podem não
satisfazer esses limites. Em alguns casos, por exemplo, valores negativos para as estimativas
podem ser obtidos, embora valores negativos sejam fisicamente sem significado. A única
maneira de obter resultados com significado físico, nesses casos, é impor limites às variáveis
como restrições adicionais, o que pode eliminar a existência de soluções analíticas.
Foi demonstrado por EDGARD et al. (2001) que o método de multiplicadores de

Lagrange não é adequado para resolver problemas com restrições não lineares. Vários
pesquisadores (TJOA e BIEGLER, 1992, ROBERTSON et al., 1996) têm demonstrado as
vantagens de usar técnicas de programação não linear (NLP) para resolver o problema da
Equação (2.11) quando comparados aos métodos tradicionais de reconciliação. Isto motivou
LIEBMAN e EDGAR (1988) a resolver o problema de reconciliação usando técnicas de
programação não linear e programação linear sucessiva. Os autores aplicaram ambos os
métodos para diferentes sistemas, recomendando a programação não linear. Isso se deveu à
possibilidade de explicitar os limites das variáveis e de usar algoritmos eficientes de procura,
melhorando a confiabilidade do método. A técnica de programação dinâmica apresentada por
EDGAR et al. (2001) tem sido muito usada em problemas de controle ótimo. Diversos
trabalhos usam esta abordagem para a solução do problema (LUUS, 1993; LUUS e
OKONGWU, 1999; MEKARAPIRUK e LUUS, 2000; WANG e SHIEH, 1997).
NARASIMHAN e MAH (1987) desenvolveram uma nova solução do problema de

reconciliação incorporando os limites das variáveis à função objetivo. Os limites das variáveis
de processo foram incorporados como restrições de desigualdade no problema de
reconciliação de dados. Todavia, tal procedimento complica a solução significativamente e a
solução analítica já não pode ser obtida. A reconciliação de dados e a detecção de erros
grosseiros podem ser melhoradas quando são considerados os limites das variáveis de
processo.
A reconciliação de dados também pode ser explicada usando uma base teórica
estatística. Essa abordagem ajuda o entendimento do assunto e provê informações
40
quantitativas úteis sobre as propriedades estatísticas das estimativas. A base estatística da
reconciliação de dados está centrada nas propriedades assumidas para os erros aleatórios
presentes nas medidas. Geralmente, é admitido que os erros aleatórios seguem uma
distribuição normal com média zero (Figura 2.6) e com uma matriz de covariância Ψ
conhecida.
A matriz Ψ contém informações sobre a precisão das medidas e a correlação entre as

mesmas. O elemento diagonal da matriz Ψ , σ i2 , é a variância da variável medida i, e o
elemento não diagonal σ ij2 é a covariância dos erros das variáveis i e j. Se os valores medidos
são dados pelo valor y , então a estimativa baseada na máxima verossimilhança é equivalente
ao seguinte problema de otimização :
Min( y − x ) T Ψ −1 ( y − x ) (2.13)
x
Comparando-se as Equações (2.11) e (2.12) pode-se notar que a formulação do

problema de reconciliação de dados do ponto de vista estatístico somente requer que a matriz
de ponderação W seja escolhida como a inversa da matriz de covariância Ψ . No caso em que
a matriz Ψ é diagonal, a Equação (2.12) fica na forma:
n
( yi − xi )
2
Min ∑ (2.14)
xi
i =1 σ i2
onde σ i é o desvio padrão do erro na medida i. A Equação (2.14) mostra que o fator peso de
cada medida é inversamente proporcional à variância do erro. Como um alto valor do desvio
padrão indica o baixo grau de precisão da medida i, a ponderação fornece altos pesos para
medidas mais precisas. Outra vantagem do uso da Equação (2.14) é que ela é adimensional, já
que o desvio padrão do erro da medida possui as mesmas unidades da medida. Para o caso
anterior, a estimativa x da Equação (2.12) pode ser obtida substituindo-se W por Ψ −1 .
Também é possível derivar as propriedades estatísticas das estimativas obtidas através

da reconciliação de dados. Por exemplo, considere o caso em que todas as variáveis são
medidas. A estimativa é dada por:
41
[
xˆ = I − ΨA T ( AΨA T ) A y = By] (2.15)
A Equação (2.15) mostra que as estimativas são obtidas através da transformação

linear das medidas. As estimativas, portanto, também são normalmente distribuídas com valor
esperado e matriz de covariância dados por :
E [ x ] = B[E ( y )] = Bx (2.16)
[
Cov [ x ] = E ( By )(By )
T
] = B ΨB T
(2.17)
A Equação (2.16) significa que as estimativas podem ser consideradas como medidas
sem ruídos, que é uma propriedade fundamental do método de máxima verossimilhança para
sistemas lineares. A Equação (2.17) fornece o grau de precisão das medidas estimadas. Ë
possível mostrar que a covariância das medidas estimadas é sempre menor que a covariância
das medidas cruas.
2.3.2) Reconciliação de dados industriais
Não existem muitos exemplos práticos industriais para avaliar o desempenho dos
métodos de reconciliação de dados. Os poucos casos disponíveis na literatura aberta estudam
sistemas e subsistemas de processos industriais com dados reais (WEISS et al., 1996;
SANCHEZ et al., 1999; ÖZYURT e PIKE, 2004; SUNDE e BERG, 2003, BHAT e SARAF,
2004; AL-ARFAJ, 2006). Poucas aplicações foram desenvolvidas para unidades industriais de
polimerização (SIROHI e CHOI, 1996; VIEIRA et al. ,2003; PRATA, 2005).
HLAVÁCEK (1977) analisou o comportamento de plantas em estado estacionário e

em estado dinâmico, focando na análise e síntese de algoritmos computacionais. Foi
apresentado um artigo compacto, com a formulação e solução de problemas relacionados à
reconciliação de dados de processo. Para o ajuste de balanços de massa multicomponente,
HLAVÁCEK (1977) analisou cinco soluções possíveis, utilizando como exemplo dados
simulados de uma planta de ácido sulfúrico:
42
a) Substituição algébrica direta das variáveis cujas restrições estejam na função
objetivo – Para uma dada planta com distribuição de parâmetros medidos e não
medidos, o algoritmo calcula as dependências explícitas das variáveis medidas
sobre as variáveis não medidas;
b) Minimização via multiplicadores de Lagrange;
c) Solução direta por programação não linear;
d) Minimização através de programação linear;
e) Critério minimax de Chebyshev.
Apesar do desenvolvimento matemático das cinco estratégias, HLAVÁCEK (1977)

não apresentou uma análise comparativa entre os métodos, focando o trabalho no
desenvolvimento teórico dos métodos.
No passado, avanços na reconciliação de dados e controle de processos seguiam

diferentes caminhos, e poucas tentativas foram feitas para ilustrar a importância da
reconciliação no controle de processos. A tecnologia de reconciliação de dados está sendo
cada vez mais utilizada pela indústria de processos, seja ela química, petroquímica ou de
transformação (SODERSTROM et al., 2000). Para processos industriais, podem ser
identificados três grandes tipos de aplicações:
1. Reconciliação das unidades de processos e detecção de erros grosseiros;
2. Inventário de unidades industriais e reconciliação do sistema de utilidades;
3. Reconciliação de dados com estimação de parâmetros.
A reconciliação das unidades de processo isoladas (balanços de massa e energia) foi o

primeiro tipo de aplicação de reconciliação de dados. O real interesse na aplicação dos
métodos de reconciliação a dados industriais começou no inicio da década de 1990, quando o
gerenciamento de unidades industriais integradas passou a ser importante (SANCHEZ et al.,
1992).
43
Anteriormente, os manuais de operação para reconciliação de dados eram
desenvolvidos pelos engenheiros de produção (planta) para fins de inventário. Dados brutos e
mal condicionados eram usados para modelagem, otimização e controle de processo
(VACHHANI et al., 2001) . Alguns processos de filtragem dos dados eram usados para fins
de controle (KIM et al., 1990). O desempenho desses sistemas era pobre e ineficiente, já que
dados incorretos eram comumente usados como entrada. ISLAM (1994) desenvolveu um
pacote de reconciliação de dados para um reator de pirólise industrial para fins de controle.
Esse pacote computacional é baseado em balanços simplificados de massa e energia do
processo.
BUSSANI et al. (1995) desenvolveram um pacote computacional para condução da

reconciliação de dados e otimização em linha em uma planta de hidrogênio de refinaria.
Sistemas não lineares em estado estacionário foram também estudados por ISLAM (1994)
com um estudo de caso de um reator de pirólise industrial.
Nos dias de hoje, sistemas integrados para simulação de processo, otimização e

controle normalmente incluem um pacote de reconciliação de dados embutido
(NARASIMHAN E JORDACHE, 2000; YIP e MARLIN, 2002). Algumas implementações
de softwares de reconciliação de dados existem em plantas petroquímicas e refinarias, com
aplicações simples para unidades isoladas. Para processos com otimização em tempo real, é
mais apropriado realizar a reconciliação de dados para um sistema único, contendo todas as
etapas do processo. Na produção química, os seguintes exemplos foram reportados: unidades
industriais de amônia, metanol e gás de síntese (PLÁCIDO e LOUREIRO, 1998;
CHRISTIANSEN et al., 1997) e uma unidade de extração (DEMPF e LIST, 1998).
Um processo simulado de flotação foi estudado usando uma rede neuronal por
GUANG-YANG et al. (1997). Outra estratégia utilizando rede neuronal para sistemas
dinâmicos foi estudada por MEERT (1998). Para sistemas dinâmicos, o trabalho de
LIEBMAN et al. (1992) mostra um estudo de caso de um reator CSTR.
Uma aplicação industrial da reconciliação dinâmica de dados não lineares foi mostrada
para um processo da Exxon Chemicals (McBRAYER et al., 1998). Colocação ortogonal em
elementos finitos foi usada para converter as restrições de equações diferenciais em equações
algébricas. Rotinas de programação não linear foram usadas para resolver o problema de
44
reconciliação dinâmica de dados não lineares. Não houve comparação entre os dados
observados no modelo e os dados industriais.
O inventário de unidades industriais usando reconciliação constitui uma importante

ferramenta para avaliação de desempenho em uma unidade industrial, principalmente no setor
de utilidades, onde é monitorada toda a energia consumida pelo processo. MAH et al. (1976)
estudaram como as informações inerentes às restrições do processo podem ser utilizadas para
melhorar o fluxo e inventário de dados de uma unidade industrial produtiva usando teoria dos
grafos. Na sua implementação, eles se restringiram a situações onde não havia interação
estatística entre os valores medidos. Em outras palavras, o programa só funciona para
matrizes de covariância diagonais.
Algumas refinarias já economizaram uma grande quantidade de dinheiro usando a

contagem da produção através de sistemas de reconciliação (GROSDIDIER, 1998). O sistema
de inventário de uma unidade industrial interage com diversas áreas de uma planta química e
petroquímica. A área operacional provê as informações de entrada e coleta os valores
reconciliados. Tal inventário pode se realizado diariamente, semanalmente ou mensalmente.
A reconciliação dinâmica de dados com modelos lineares é tratada por

BAGAJEWICZ e JIANG (2000). Eles apresentam uma comparação entre os algoritmos para a
reconciliação de dados dinâmica e em estado estacionário. É mostrado que, na ausência de
ruídos e vazamentos, o desempenho das diversas estratégias é similar. A reconciliação dos
dados da rede de processos multicomponentes foi resolvida com auxílio da topologia do
processo.
A reconciliação dinâmica de dados com modelos lineares foi tratada por

BAGAJEWICZ e JIANG (1997) usando a técnica da aproximação integral. Os processos
multicomponentes foram resolvidos usando-se algoritmos baseados na topologia da planta
(MEYER et al., 1993b).
CHUAPRASERT et al. (1999) realizaram um estudo de reconciliação de dados em

uma planta piloto, com um evaporador de película fina agitado, utilizado na concentração de
xarope de açúcar, usando o simulador AspenPlus®. O AspenPlus® é um simulador modular
seqüencial fechado, onde as operações unitárias são resolvidas como unidades de processo a
45
cada intervalo de tempo. O processo de otimização foi conduzido usando programação
sequencial quadrática como rotina de otimização. Pode ser observado que, apesar do
AspenPlus® ser usado neste trabalho, outros simuladores com capacidades similares podem
ser usados, como o Pro-Vision®, Hysis® e SpeedUp®.
PRATA (2005) realizou estudo de monitoramento em tempo real da qualidade do

produto e da produtividade do processo de polimerização de polipropileno em massa, em um
reator tanque continuamente agitado com correntes de reciclo e purga. A estratégia de
monitoramento foi baseada no procedimento de reconciliação de dados dinâmica e não linear,
com simultânea estimação de parâmetros. O autor utilizou um modelo simplificado do processo
com a função objetivo baseada no critério de máxima verossimilhança. Foram usados dados
industriais, e a estratégia se mostrou satisfatória para a estimação, em tempo real, dos parâmetros
escolhidos.
AL-ARFAJ (2006), dando continuidade aos trabalhos de reconciliação em estado

estacionário, desenvolveu procedimento simplificado para a reconciliação de dados de
concentração e vazão. O procedimento é simples e os resultados aproximaram-se das soluções
obtidas por métodos rigorosos.
A formulação matemática da estratégia de solução de um típico problema de

otimização conduz a programas não lineares, onde as restrições de desigualdade devem ser
maximizadas com relação às incertezas dos parâmetros. GROSSMAN e SARGENT (1978)
apresentaram um método de solução para o problema e aplicaram a estratégia a exemplos
comuns na engenharia química, onde a incerteza estava presente em parâmetros tais como:
eficiência de bombas, constantes cinéticas de reação e coeficientes de transferência de calor.
A otimização em linha aparece como esperança para melhoria do desempenho

econômico de uma grande faixa de processos industriais. Em alguns casos, todavia, somente
modelos simples em estado estacionário estão disponíveis. A reconciliação é uma importante
etapa para otimização em linha em tempo real no ambiente industrial. Ela ajusta os dados de
processo e satisfaz às restrições do modelo do sistema. A estratégia de otimização simultânea
de reconciliação de dados dinâmicos e detecção de falhas é importante para o desempenho e
controle de processos em linha (TJOA e BIEGLER, 1991b; DOVI e SOLISIO, 2001).
46
Tabela 2.2. Informações de referência para reconciliação de dados.
Ano Autor Técnicas/ Princípio utilizado Tipo de problema
Sistema dinâmico e
LIEBMAN et al. Programação não linear
1992 não linear
Álgebra de matrizes e algoritmos de Estado estacionário
MEYER et al.
1993 classificação Sistema bilinear
NARASIMHAN.
Programação quadrática Linear com restrições
1993 e HARIKUMAR.
Programação não linear, redução de Sistema não linear
PIERUCCI et al.
1994 dados e teoria da restrição Dinâmico
Programação quadrática, linearização
Sistema não linear
ISLAM et al. sucessiva, teste global e análise da
1994 Estado estacionário
eliminação serial
ALBUQUERQUE Análise de regressão e algoritmo de Sistema não linear
1996 e BIEGLER otimização Sistema dinâmico
CROWE Revisão geral

1996a
SANCHEZ e Fatorização ortogonal, decomposição Estado estacionário
1996 ROMAGNOLI matemática Sistema bilinear
BAGAJEWICZ e Álgebra de matrizes e aproximação Sistema linear
1997 JIANG polinomial Sistema dinâmico
GUANG-YANG- Redes neuronais e algoritmos de Sistema não linear
1997 et al. aprendizagem Estado estacionário
Redes neuronais e programação não Sistema não linear
MEERT
1998 linear Sistema dinâmico
Sistema Linear
AMAND et al. Análise por componentes principais
Sistema dinâmico e
ALICI e EDGAR Programação não linear
2002 não linear
Sistema não linear
WONGRAT et al. Algoritmo genético
Sistema não linear
PRATA Máxima verossimilhança
2005 Sistema dinâmico
Sistema linear
AL-ARJAF Programação quadrática
Os pacotes computacionais de otimização existentes para aplicação em tempo real

possuem procedimentos com reconciliação de dados embutida (EDGARD et al.,2001).
Alguns programas típicos usados para reconciliação de dados estão citados abaixo:
47
a) DATACONTM(Simulation Sciences Inc.)
b) DATREC (Elf Chemical Research)
c) RECON (parte do RECONSET OF Chemical Plant Technology)
d) RAGE (Engineers India Limited)
Algumas das estratégias apresentadas na literatura aberta, a partir da década de 90,

estão sumarizadas na Tabela 2.2. Não se trata de um sumário exaustivo da literatura de
reconciliação de dados, mas fornece ao leitor uma idéia sobre os vários tipos de problema e
suas correspondentes estratégias de solução. A maioria dos casos, contudo, não trata a não
linearidade explicitamente no problema de reconciliação de dados. Além disso, a tecnologia
comercial disponível atualmente é baseada na reconciliação de dados em estado estacionário.
Em outras áreas, como mineração e nuclear, trabalhos de reconciliação também são

desenvolvidos. Um exemplo foi testado em uma planta nuclear, em que estavam disponíveis
39 diferentes temperaturas, pressões e vazões durante o ciclo de uma turbina (SUND e BERG,
2003). Os resultados calculados mostraram boa concordância com as medidas. Um índice de
falha global complementou o estudo da distribuição de probabilidade de falhas no processo. A
reconciliação de dados também pode ser utilizada em áreas como sistemas de informação,
para emparelhar registros através de diferentes bancos de dados. Para grandes conjuntos de
dados, a complexidade da solução pode aumentar significativamente (COCHINWALA et al.,
2001, EMBURY et al., 2001). A principal contribuição desses trabalhos foi a incorporação de
técnicas estatísticas para reduzir a complexidade dos algoritmos de cruzamento de banco de
dados via identificação e eliminação de parâmetros redundantes ou inúteis. Para identificar
um conjunto de soluções ótimas de Pareto em um problema de otimização multi-objetivo é
usado um algoritmo genético que propicia um espectro de soluções ótimas com diferentes
alvos, como baixo custo e alta rentabilidade (BUSACCA e MARSEGUERRA, 2001).
2.4) Estimação de parâmetros
Os modelos, em geral, contêm parâmetros que devem ser identificados através de um

conjunto de variáveis medidas, obtidas experimentalmente em bancada de laboratório e,
raramente, na própria indústria. Nesse caso, surgem duas opções para a estimação de
parâmetros:
48
a. Empregar dados “crus” ou reconciliados em procedimento efetuado a parte em
etapa anterior
b. Efetuar reconciliação e identificação de parâmetros simultaneamente.
A primeira abordagem, clássica, considera que as entradas do modelo a serem

identificadas não contêm erros, sendo o ajuste efetuado através da minimização da soma
ponderada da diferença entre os valores calculados e os valores medidos das variáveis
dependentes. Na segunda abordagem, não só as saídas (variáveis dependentes) mas também
as entradas (variáveis independentes) podem conter erro, sendo o ajuste dos parâmetros feito,
então, simultaneamente com o ajuste (reconciliação) das variáveis medidas, dependentes e
independentes.
Para qualquer modelo do processo, o subconjunto de parâmetros deve ser conhecido,

disponibilizado na literatura ou estimado através de experimentos realizados em bancada de
laboratório ou planta piloto. A estimação de parâmetros é comumente uma etapa chave na
verificação e subseqüente uso de um modelo matemático em muitos campos da ciência e
engenharia. Freqüentemente, nos problemas de engenharia química é necessário estimar
parâmetros em modelos diferenciais algébricos lineares, onde todas as variáveis são sujeitas a
erros (FABER et al., 2004). Nesses problemas, não há diferença estatística entre variáveis
dependentes e independentes. Logo, a melhor estimativa de parâmetros pode ser obtida
através de métodos formais, que tratam os erros associados com todas as observações
experimentais.
Reatores contínuos de polimerização são usados para produzir grandes quantidades de

commoditties de polímeros e algumas especialidades. A crescente demanda por polímeros de
alta qualidade faz com que haja uma forte necessidade de otimizar as condições de processo.
Restrições econômicas robustas também forçam os fabricantes de polímeros a reduzir a
quantidade de produtos produzidos fora de especificação durante a operação normal do
processo,partida e transição de grades (HAMMOURI et al., 1999).
Para processos com elevado tempo de residência, é particularmente importante

otimizar o tempo de transição de operação. Para operação normal, em estado estacionário, é
também importante controlar os efeitos das perturbações do processo para que grades de
49
polímeros com qualidades consistentes possam ser produzidas. Recentemente, alguns autores
têm trabalhado com controle ótimo de transição de grade (RAY e VILLA, 2000), otimizando
a programação de produção, minimizando a transição de produtos e maximizando a
rentabilidade do processo.
Existem diversos catalisadores que podem ser usados na produção de diferentes

grades poliméricos. Para o projeto e controle das condições operacionais, precisa-se de um
modelo de processo. Cada modelo contém parâmetros cinéticos e específicos do reator para
serem estimados. Geralmente, é muito dispendioso caracterizar a cinética de polimerização de
um determinado sistema catalítico (MATOS et al., 2001). Um grande número de catalisadores
de alta atividade é usado para produzir diferentes grades de polímeros em reatores de
polimerização de poliolefinas (KHARE et al., 2002). A transição de um grade para outro
pode ser seguida de mudanças nas condições operacionais do reator, ou do catalisador. Os
principais parâmetros cinéticos são raramente conhecidos para diferentes tipos de
catalisadores. A composição do catalisador pode mudar suavemente, mas isso é suficiente
para resultar em diferenças significativas nas propriedades dos polímeros produzidos. Em
geral, exaustivos testes em plantas piloto e industriais são necessários para projetar condições
operacionais do reator para um dado sistema catalítico, de modo a produzir polímeros com
propriedades desejadas.
No processo de polimerização de poliolefinas, freqüentemente os catalisadores são

caracterizados por composições similares com o mesmo metal base de transição, exibindo
diferentes desempenhos de polimerização. O detalhe passa a ser como poder usar a
informação de certo sistema catalítico (catalisador base), que é relativamente bem entendido e
estudado, para quantificar a cinética de polimerização para catalisadores similares, usando um
modelo de processo aproximado com técnicas de estimação de parâmetros em linha (POLIC
et al., 2004).
É muito oneroso e desgastante conduzir testes em unidades industriais para identificar

cinética de polimerização de um sistema catalítico. Podem-se estimar parâmetros de duas
formas (GAGNON e MacGREGOR, 1991):
- Filtro de Kalman;
- Estimação dinâmica não linear de parâmetros.
50
O filtro de Kalman é usado em diversos trabalhos na área de polímeros. Um
significativo número de modelos existentes em polimerizações é constituído por sistemas de
equações algébrico-diferenciais (EAD), e um trabalho pioneiro sobre a aplicação do filtro de
Kalman a reatores de polimerização é apresentado por JO e BANKOFF (1976). Resultados
experimentais mostraram boa eficiência do estimador usado para a polimerização do acetato
de vinila. Algumas técnicas de estimação em linha de variáveis de estado podem ser usadas,
sendo que o filtro de Kalman ainda é o mais utilizado (SOROUSH, 1998). É importante
ressaltar que um estudo prévio sobre observabilidade do sistema faz-se necessário, para que se
garanta que a técnica de estimação adotada possa ser implementada. O trabalho apresentado
por SOROUSH (1997) aborda o uso de observadores de estados que podem ser aplicados a
sistemas não lineares. Resultados teóricos comprovaram a eficácia do método, quando
aplicado a reatores de polimerização. Todavia, seu uso não é recomendado para processos
cujas medidas apresentam muito ruído, como os processos industriais reais (RAY, 1981).
LIEBMAN et al. (1992) apontaram a desvantagem do filtro de Kalman na

reconciliação de dados em regiões não lineares de sistemas dinâmicos. Eles mostraram que o
filtro de Kalman pode ser impreciso na presença de restrições de desigualdade (BIEGLER,
1986). Os autores desenvolveram uma nova abordagem capaz de reconciliar e estimar
parâmetros para sistemas dinâmicos e não lineares, com restrições de desigualdade e limites
nas variáveis. A função objetivo utilizada foi de mínimos quadrados ponderados e a estratégia
numérica de solução utilizou uma janela móvel. O modelo foi discretizado pelo método de
colocação ortogonal em elementos finitos. As equações resultantes da discretização foram
incorporadas ao problema de otimização, sendo resolvidas através de programação quadrática
sucessiva (SQP). Dentre as principais desvantagens desta abordagem, pode-se destacar o
atraso inerente nas respostas frente a mudanças nas variáveis de entrada, o grande número de
variáveis e funções de restrição resultantes da discretização e associadas ao problema de
otimização. Para processos maiores, a estratégia utilizada pode conduzir a centenas de
equações, dificultando a implementação dessa abordagem em tempo real. O filtro estendido
de Kalman tem sido usado na literatura com freqüência para resolver problemas dinâmicos de
reconciliação de dados (MUSKE e EDGARD, 1998).
Para estimação de parâmetros e estados em linha JANG et al. (1986) encontraram uma
aproximação baseada em programação não linear superior ao filtro Kalman. As aplicações de
51
programação não-linear são computacionalmente intensas e têm sido usadas para o projeto de
controladores preditivos não lineares (RAMAMURTHI et al., 1993).
Para modelos descritos por equações algébricas ou diferenciais, onde todas as

variáveis são sujeitas a erros, o método de erro nas variáveis (EVM) para estimação de
parâmetros tem se mostrado superior a técnicas padrões de mínimos quadrados (KIM et al.,
1990). Muitos processos industriais operam em regiões altamente não lineares, onde
aproximações lineares podem ser imprecisas. Como os filtros de Kalman usam versões
linearizadas do problema de estimação, eles são particularmente sensíveis aos ruídos de
processo em sistemas de polimerização. KIM et al. (1990) apresentaram novos algoritmos
usando técnicas de programação não linear. Os algoritmos propostos foram comparados com
o método de mínimos quadrados para processos não lineares em estado estacionário
(equilíbrio líquido-vapor, CSTR).
Como pode ser observado na revisão realizada, os problemas de estimação resultam da

tentativa de ajustar um modelo de forma conhecida com dados experimentais através de uma
determinação ótima de parâmetros desconhecidos. A natureza exata do problema de
estimação de parâmetros depende do modelo matemático. Uma importante distinção deve ser
feita nesse ponto. Um modelo pode conter tanto variáveis de estado (concentrações, pressões,
temperaturas) como parâmetros (energias de ativação, taxas de reação). Uma subdivisão ainda
pode ser feita decompondo as variáveis de estado em dois grupos: as variáveis dependentes e
as variáveis independentes. Quando a variável independente for sujeita a erros, como em
modelos implícitos, a distinção entre variáveis dependentes e independentes não é tão clara,
necessitando que se minimize os erros de todas as variáveis (SCHWETLICK e TILLER,
1985).
ALBUQUERQUE e BIEGLER (1996) exploraram vários aspectos do problema de

reconciliação de dados dinâmica, incluindo detecção de erros grosseiros e classificação de
variáveis. Também desenvolverem métodos algébricos lineares esparsos para o problema de
reconciliação e introduziram um conceito de redundância coletiva. Este conceito aplica-se,
especialmente, a sistemas dinâmicos e a situações mais gerais, onde vários conjuntos de dados
são analisados conjuntamente. O método de otimização desenvolvido para reconciliação de
dados e estimação de parâmetros, em sistemas descritos por equações diferenciais algébricas,
52
foi baseado na programação quadrática sucessiva (SQP). O problema foi colocado de forma a
minimizar a função objetivo, associada à distribuição dos erros de medição à qual está sujeito
o modelo do processo. A função objetivo usada foi a de mínimos quadrados, admitindo-se que
os erros de medidas são independentes do tempo e normalmente distribuídos.
Atenção considerável é dada hoje em dia às vantagens do processo de estimação de

parâmetros, especialmente no contexto de otimização em linha, que requer os valores desses
parâmetros em tempo real para ajustar o modelo (FEVOTTE et al., 1996). Um dos primeiros
artigos (BRITT e LUECKE, 1973) a tratar do problema propôs o princípio da máxima
verossimilhança para obter parâmetros em modelos implícitos. REILY e PATINO-LEAL
(1981) iniciaram uma linha de trabalho que baseia a estimação de parâmetros na linearização.
Essa formulação do problema necessita que todas as variáveis de estado e suas derivadas
sejam medidas diretamente, fazendo com que o problema de estimação se reduza a equações
algébricas. Por outro lado, caso as derivadas não estejam disponíveis, é necessário usar as
formas integradas ao invés das equações algébricas. A primeira estratégia foi baseada no filtro
de Kalman estendido a sistemas não lineares. A segunda foi baseada na aplicação de métodos
de otimização não lineares, de forma a minimizar a função erro na estimação. A aplicação
filtro de Kalman mostrou-se sensível a diversos fatores: chute inicial das variáveis de estado,
estatística dos dados de entrada e ruídos nas medições e natureza da não linearidade das
equações descritas. Já a segunda estratégia, apesar de computacionalmente mais intensa,
mostrou ser superior em termos de robustez na presença de erros na modelagem dos sistemas
e em termos de facilidade no manuseio das não linearidades do sistema.
2.4.1) O problema de estimação e reconciliação simultânea
Um problema associado com a reconciliação de dados é a estimação de vários

parâmetros do modelo. A reconciliação de dados e os algoritmos de detecção de erros
grosseiros fazem uso dos modelos de planta, que contêm inúmeros parâmetros desconhecidos,
ou parâmetros que estão mudando durante a operação da planta. Muitos desses parâmetros,
como eficiências de colunas de destilação, fatores de fuligem e constantes cinéticas,
permanecem fixos durante o processo de otimização; daí, a necessidade da alta exatidão nos
valores estimados. Uma estratégia para o problema de estimação é resolvê-lo
53
simultaneamente com o problema de reconciliação. Os parâmetros do modelo podem ser
tratados como variáveis desconhecidas. Segundo FABER et al. (2004), o maior problema
dessa estratégia é que, na presença de erros grosseiros, os parâmetros são ajustados para
valores incorretos ou algumas medidas podem ser erroneamente classificadas como erros
grosseiros, devido a erros nos parâmetros do modelo (MORAD et al., 2005).
Pacotes de simulação em estado estacionário equipados com rotinas de otimização

podem ser usados efetivamente em Engenharia Química para reconciliação de dados e
estimação de parâmetros, usando modelos preexistentes que automaticamente satisfazem as
restrições dos balanços de massa e energia. O tempo necessário para conduzir estudos de
reconciliação usando esses simuladores pode ser reduzido, apesar da aparente perda de
qualidade dos resultados obtidos (RAGHUNATHAN et al.,2003; ARORA e BIEGLER,
2001).
As estratégias atuais de controle de processos lineares e não lineares que estão sendo
desenvolvidas requerem informações de estado do processo. Uma hipótese importante para
implementação dessas estratégias é que os estados e parâmetros do processo sejam
conhecidos e precisos.
MAQUIN et al. (2000) propuseram uma técnica de reconciliação de dados capaz de

explorar os conhecimentos sobre as incertezas de modelo, à medida que a reconciliação era
feita. O trabalho conduz a uma solução de um problema de otimização quadrática clássica,
sujeito a restrições. A originalidade da proposta está no fato de usar funções penalidades para
resolver o problema, ponderando cada restrição com as suas incertezas. No entanto, apesar do
caráter inovador, é limitada a modelos lineares.
Existem questões importantes que precisam ser respondidas no desenvolvimento de

uma estimação de parâmetros em linha em uma unidade industrial. Em primeiro lugar, quais
as incertezas dos parâmetros do modelo que mais contribuem para a falha nos modelos
industriais. Em segundo lugar, que o conjunto de dados disponíveis na planta fornece o
melhor conjunto de dados em relação à estimação dos parâmetros (PAGES et al., 1996).
54
Outra possibilidade importante na área de otimização para estimação de parâmetros
com reconciliação de dados diz respeito à escolha dos métodos de resolução das equações,
pois são raros os casos em que os modelos apresentam solução analítica. Adicionalmente, a
maioria dos modelos se apresenta sob a forma de um sistema de equações algébrico-
diferenciais (LENZI, 2002). Apesar da inicialização desses sistemas não ser uma tarefa
simples, as vantagens do uso dessa forma original do modelo são claras, tais como (VIEIRA e
BISCAIA, 2001):
a) não há necessidade de manipulações algébricas que consumam tempo e

introduzam erros;
b) as equações constitutivas podem ser facilmente adicionadas, removidas ou

alteradas no modelo.
2.4.2) Formulação do problema
Estimação de parâmetros consiste no ajuste de modelos que possuem vários

parâmetros desconhecidos a dados experimentais através do ajuste desses parâmetros. A
formulação do modelo deve ser suficientemente precisa para representar os fenômenos físicos
e químicos. O problema de estimação proposto nesse trabalho será formulado, principalmente,
para estimar parâmetros cinéticos industriais com dados reais de unidades de polimerização.
Depois que o modelo foi proposto e as técnicas de resolução do modelo foram

escolhidas, uma função objetivo que determine o melhor ajuste deve ser selecionada.
Algumas formas de função objetivo podem ser escolhidas, dependendo das hipóteses
admitidas e da estrutura dos erros do conjunto de dados disponíveis. A forma da função
objetivo pode variar desde uma simples função de mínimos quadrados até uma função não
linear complexa, que incorpora a matriz de covariância desconhecida das medidas e erros
heterocedásticos (BARD, 1974).
Uma generalização do problema pode ser feita admitindo-se que todas as variáveis são
medidas e que o problema geral da estimativa de parâmetros e reconciliação de dados pode
ser escrito como:
55
min F ⎡⎣ z%t , zˆ ( t ) , σ ⎤⎦ (2.18)
zˆ ,θ
ˆ
sujeito a:
⎛ dzˆ ⎞
f ⎜ , zˆ , θˆ ⎟ = 0,
⎝ dt ⎠
( )
g zˆ, θˆ ≥ 0, (2.19)
h ( zˆ,θˆ ) = 0
onde :
θˆ é uma estimativa dos parâmetros verdadeiros, θ ;

zˆ ( t ) é um vetor de funções de estimação contínuas;
z% t é um vetor de medidas discretas no tempo t;
σ é um vetor de desvios padrões;
f é um vetor de restrições de equações diferenciais;
h é um vetor de restrições de igualdades algébricas;
g é um vetor de restrições de desigualdades algébricas.
( y, u )
T
O vetor z pode ser particionado em , onde y é um vetor de variáveis de
estado e u é um vetor de variáveis que não são de estado. O problema acima pode ser
adicionalmente generalizado para permitir variáveis não medidas. Dependendo das variáveis
escolhidas para serem estimadas no problema de otimização acima, problemas diferentes
podem ser resolvidos, como mostrado na Tabela 2.3.
O enfoque mais detalhado estima todas as variáveis (sejam ou não de estado). Se

nenhuma estimativa de parâmetros é necessária, uma formulação de reconciliação de dados
pode ser utilizada na qual somente ẑ é estimada. JANG et al. (1986) investigaram o problema
da identificação do modelo, onde os parâmetros θ e os valores das variáveis de estado y são
estimados, enquanto que as medições das variáveis y são consideradas isentas de erro. Caso
não seja necessária nenhuma estimativa de parâmetros, uma formulação mais simples de
56
estimativa de estado pode ser usada. A formulação mais simples é a da estimativa de
parâmetros onde somente θ é estimado.
Tabela 2.3. Formulações do problema

Variáveis a serem
Objetivo Nome da formulação
estimadas
Apenas θ F ⎡⎣ yt , yˆ ( t ) , σ ⎤⎦ Estimativa de parâmetros
Apenas y F ⎡⎣ yt , yˆ ( t ) , σ ⎤⎦ Estimativa de estado
y eθ F ⎡⎣ yt , yˆ ( t ) , σ ⎤⎦ Identificação do modelo
Apenas z F ⎡⎣ zt , zˆ ( t ) , σ ⎤⎦ Reconciliação de dados
z eθ F ⎡⎣ zt , zˆ ( t ) , σ ⎤⎦ Reconciliação de dados e
estimação de parâmetros
O trabalho proposto pretende situar-se na formulação da reconciliação de dados com

estimação de parâmetros simultânea, diferentemente da estimativa de parâmetros usando a
estratégia seqüencial, que pode não satisfazer os limites dos valores dos parâmetros. A
estratégia simultânea de reconciliação e estimação está intimamente ligada a aplicações em
otimização e controle avançado de processos. A estratégia computacional utilizada foi o
método de Gauss-Newton para minimizar a função objetivo (NORONHA, et al., 1993). A
função foi definida na forma da máxima verossimilhança. As derivadas foram calculadas
numericamente, usando diferenças finitas. A matriz hessiana foi obtida através de
aproximação de Gauss, que usa as derivadas primeiras das respostas do modelo com relação
aos parâmetros e às variáveis independentes. Desta forma, o problema geral da estimativa de
parâmetros e reconciliação de dados de modelos dinâmicos pode ser escrito pela Equação
(2.20) utilizando a estratégia de janela móvel com deslocamento constante desde a medida
inicial (to) até o instante de tempo t (PRATA, 2005). A função objetivo está sujeita às
hipóteses da Equação (2.19).
tc tc
Fobj = ∑ ˆ ˆ θˆ) − y(t)M )T Ψ Y-1 ( y(t,u

( y(t,u, ˆ ˆ , θˆ) − y(t)M ) + ∑ ˆ − u(t)M )T Ψ u-1 ( u(t)
( u(t) ˆ − u(t)M ) (2.20)
t = tc − H t = tc − H
onde,
57
u(t)M = Vetor das variáveis independentes medidas a cada tempo
u(t)
ˆ = Vetor das variáveis independentes reconciliadas a cada tempo
y(t)M = Vetor das variáveis dependentes medidas a cada tempo
ˆ ˆ θˆ) = Vetor das variáveis dependentes reconciliadas a cada tempo
y(t,u,
θˆ = Vetor dos parâmetros do modelo (geralmente inclui condições iniciais)
ΨY = Matriz de covariância dos erros de medição das variáveis dependentes
Ψu = Matriz de covariância dos erros de medição das variáveis independentes
H = Tamanho da janela móvel de operação
tc = Tempo atual
O sistema não foi discretizado, optando-se por resolver o conjunto de equações

algébrico-diferencial por integração numérica através do código DASSL (PETZOLD, 1989).
Os parâmetros foram estimados simultaneamente com a resolução do modelo, uma vez
estabelecido os valores das variáveis independentes e condições iniciais de cada equação do
modelo. O procedimento é efetivado até que seja alcançado o critério de convergência
estabelecido.
No tocante à formulação do problema, a otimização evolutiva tem se tornado mais

popular nos últimos anos. Trata-se de uma técnica de otimização heurística que não requer a
informação das derivadas da função objetivo (gradiente ou hessiana), mas sempre procura o
ótimo global usando a população dos pontos de procura, baseado no princípio Darwiniano de
seleção natural (WONGRATA et al., 2005). Não foi objetivo deste trabalho avaliar técnicas
de otimização. Todavia, o grupo de modelagem e simulação e controle de processos do PEQ
já realiza estudos nessa área, com alguns trabalhos já publicados (SILVA, 2003; SCHWAAB,
2005).
58
Capítulo III
Classificação de Variáveis em Unidades Industriais
Com a complexidade crescente dos processos integrados e a grande quantidade de

dados disponíveis em plantas altamente automatizadas, os algoritmos de classificação vêm
sendo usados cada vez mais nos dias de hoje. A classificação de variáveis é utilizada para
reduzir o conjunto de restrições, caracterizando todas as variáveis envolvidas no processo. A
redução do sistema de restrições permite uma resolução matemática mais rápida e eficiente do
problema. A estratégia e o algoritmo implementado para classificação de variáveis para
modelos dinâmicos diferem dos métodos existentes (OLIVEIRA JUNIOR et al., 2004b) e
será apresentada nesta tese.
A classificação permite:
1) Estabelecer um conjunto mínimo de medidores/sensores;
2) Identificar se o fluxograma já possui um conjunto mínimo de medidores/sensores;
3) Aumentar a redundância com a compra de instrumentos adicionais, caso seja

necessário;
4) Verificar se o problema é reconciliável com os dados disponíveis;
3.1) Sistemática proposta para a classificação de variáveis
De forma a classificar as variáveis do processo, deve-se primeiro estabelecer qual

informação da equação deve ser fornecida;, ou seja, estabelecer a seqüência de cálculo das
equações utilizando as informações disponíveis, sejam elas obtidas em escala piloto, escala de
bancada ou escala industrial. A obtenção do máximo possível de informações nas unidades
industriais é de fundamental importância para a classificação de variáveis, posterior
59
reconciliação e, finalmente, estimação de parâmetros, utilizando os dados provenientes do
ambiente industrial.
A sistemática da estratégia de classificação consiste de dez etapas, como descrito a

seguir:
1ª etapa: Formulação do modelo
Formular o modelo matemático adequado e escrever todas as equações do mesmo.
2ª etapa: Identificação das Variáveis
Identificar cuidadosamente todas as variáveis do processo. Essas variáveis devem ser

subdivididas em : variáveis medidas e variáveis não medidas. Tal segmentação segue o
ordenamento pré-estabelecido na Figura 2.1. De posse dessa informação, a classificação
completa das variáveis será feita de acordo com a Figura 2.1 a partir da 5ª etapa.
3ª etapa: Construção da matriz de ocorrência
Verificar se o modelo proposto é composto apenas por equações algébricas ou

diferenciais. Se o modelo for composto por equações algébrico-diferenciais, adotar-se-á um
modelo híbrido, respeitando a formulação de cada equação.
No caso de um modelo algébrico, a topologia das equações do modelo na sistemática

proposta será representada por uma matriz de ocorrência A, onde:
- As linhas da matriz de ocorrência correspondem às equações e as colunas

correspondem às variáveis de processo, tanto medidas quanto não medidas;
- Os elementos da matriz A podem assumir os valores 1 ou 0, na forma:
⎧1, se a variável j aparece na equação i

a ij = ⎨ (3.1)
⎩ 0, qualquer outra possibilid ade
Para uma melhor visualização, a Figura 3.1 ilustra um processo onde importam apenas
os fluxos mássicos. Nesse exemplo, as correntes 1, 2 e 4 são medidas.
60
2 4 6
1
1 3
2 5
3 7
Fluxos não medidos
Fluxos medidos
Figura 3.1. Fluxograma serial simples de um processo
Os balanços de massa correspondentes da Figura 3.1 podem ser escritos por :
m1 + m2 = m3
m3 + m4 = m5 (3.2)
m5 + m6 = m7
A matriz de ocorrência para o conjunto da Equação 3.2 pode ser representada por:
⎛1 1 1 0 0 0 0⎞
⎜ ⎟
A = ⎜ 0 0 1 1 1 0 0⎟ (3.3)
⎜0 0 0 0 1 1 1⎟
⎝ ⎠
No caso de modelos compostos por equações algébrico-diferenciais, a topologia para a

construção da matriz de ocorrência segue a mesma formulação das equações algébricas.
Todavia, há uma diferença no tocante à construção do modelo para implementação do código.
Por exemplo, considere-se um modelo simples, representado pela Equação (3.4), que possui
. .
duas equações e quatro variáveis: t , M , m1 , m2 .
dM .
= − m1
dt (3.4)
. .
m1 = m2
Para implementação da estratégia, faz-se necessário acrescentar equações referentes ao

estado inicial, bem como o acréscimo de variáveis referentes aos instantes de tempo
61
. .
estudados, uma vez que M , m1 , m2 variam no tempo. Para o exemplo da Equação (3.4), faz-se
necessário o acréscimo da Equação (3.5) para as vazões mássicas no instante inicial t0, uma
vez que as restrições algébricas devem ser satisfeitas em qualquer instante de tempo.
. .
m1 ( 0 ) = m2 ( 0 ) (3.5)
A Equação (3.5) representa a condição inicial do modelo no instante de tempo inicial

t0 que foi adotado como zero ao longo da estratégia desenvolvida. Assim, o modelo a ser
implementado é representado pela Equação (3.6).
dM .
= − m1
dt
. .
m1 = m2 (3.6)
. .
m1 ( 0 ) = m2 ( 0 )
. .
Pode-se observar o acréscimo das variáveis M 0 , m1( t ) , m2( t ) para a construção do
0 0
modelo a ser utilizado para a classificação. O modelo passa agora a contar com três equações
e sete variáveis. Desta forma, a matriz de ocorrência passa a ser representada pela Equação
(3.7).
t M m m M m m
(0) 1 2 1(0) 2(0)
⎛1 1 1 0 1 1 0⎞
⎜ ⎟ (3.7)
A = ⎜0 0 1 1 0 0 0⎟
⎜0 0 0 0 0 1 1⎟
⎝ ⎠
Note-se que, para o caso de equações diferenciais, utiliza-se apenas uma equação, já
que o intervalo de tempo está contemplado. Já para o caso de equações algébricas, uma
mesma equação é escrita duas vezes, uma para cada instante de tempo. Adotou-se intervalo de
tempo entre t0 e t.A representação diferencial pode ser equiparada a uma discretização de
Euler implícita, onde o estado inicial e final aparecem na equação discretizada do modelo.
62
Os parâmetros considerados constantes no modelo devem aparecer somente uma única
vez por equação, independentemente do instante de tempo considerado ou do tipo de equação
utilizada, já que ele se mantém constante para o conjunto de dados considerado.
Vale ressaltar que se pode aumentar a redundância do modelo com o acréscimo de

equações diferenciais e algébricas em diferentes instantes de tempo. Em vez dos tempos t e t0,
poder-se-ia utilizar os tempos t0 , t e tn, que representam respectivamente o tempo inicial, o
tempo presente e os instantes de tempo futuro (ou intermediários) que se desejam. Isso
equivale a usar discretizações de maior ordem ou mais pontos amostrados. Nesse trabalho,
usam-se apenas discretizações de ordem um.
4ª etapa: Validação da matriz de ocorrência
Após construção da matriz de ocorrência, devem-se ratificar cuidadosamente todas as

equações e variáveis envolvidas na formulação do modelo, para evitar uma classificação
errônea do processo estudado. Apesar de ser um procedimento simples, esta etapa merece a
maior atenção, pois a matriz de ocorrência é a “matéria–prima” do algoritmo de classificação,
fazendo parte do arquivo de dados de entrada do código desenvolvido.
5ª etapa: Determinação de ordem preliminar de precedência
Com a matriz de ocorrência original já validada e as variáveis medidas e não medidas

especificadas, busca-se uma linha na matriz de ocorrência que tenha apenas uma entrada (o
número 1). Essa entrada representa um subconjunto removível. Remove-se o subconjunto
eliminando a linha e a coluna onde ele ocorre. Indica-se para o usuário que essa coluna
(variável) é para ser resolvida com a respectiva linha (equação). A variável eliminada é
portanto observável através da equação eliminada.
Repete-se esta etapa até que não haja mais linhas com apenas uma ocorrência. Caso
todas as variáveis possam ser calculadas com as equações disponíveis, o sistema fica
totalmente determinável com a ordem pré-estabelecida. Caso contrário, faz-se necessária a
continuação da determinação da ordem de precedência do modelo construído. As equações
não eliminadas constituem a redundância do modelo estudado.
63
6ª etapa: Classificação de variáveis
Nesta etapa é feita a classificação das variáveis entre variáveis medidas não
redundantes e redundantes e variáveis não medidas observáveis e indetermináveis.
Primeiramente, procura-se especificar as variáveis não medidas. As variáveis não

medidas que podem ser calculadas através das equações do modelo, são classificadas em
variáveis não medidas observáveis. Aquelas que não podem ser determinadas através das
equações restantes são consideradas indetermináveis, sendo necessário medir aquela variável
para tornar o sistema totalmente determinável.
Depois de especificadas todas as variáveis não medidas, procura-se classificar

completamente as variáveis. As variáveis redundantes são aquelas que podem ser calculadas
através de outras equações mesmo quando não são informadas. No código desenvolvido,
mesmo a variável sendo conhecida, admite-se que a mesma passa a ser não mensurável,
modificando o conjunto completo das variáveis. Se a variável que passou a ser não medida,
continuar sendo estimável (calculada) através das equações existentes, então o código
classifica essa variável como redundante. Se essa variável não puder ser calculada, a mesma
será considerada como variável não redundante. Essa variável torna-se, então, imprescindível
para a completa determinação do modelo proposto.
7ª etapa: Determinação do grau de sobredeterminação
Caso existam equações que não foram usadas para estimar variáveis ou não servem
para estimar variáveis, procura-se determinar o grau de sobredeterminação do sistema. O grau
de sobredeterminação é dado pela soma do número de equações que não foram utilizadas.
8ª etapa: Escolha da variável de corte (iteração)
Após a determinação da ordem de precedência preliminar, é verificado se o sistema

está totalmente determinável. Caso contrário, o código proposto define uma variável de corte.
A variável de corte é a coluna com maior número de ocorrências; ou seja, a variável que
aparece em um maior número de equações. Esta escolha deve-se ao maior número de
combinações possíveis para a obtenção de um sistema totalmente determinável. No código
64
desenvolvido, todas as ocorrências encontradas são substituídas pelo número 2 (dois). Esse
número serve como flag para indicar que não se dispõe daquela variável.
De forma a contribuir com a aplicação em ambiente industrial, o código oferece a

alternativa para que o próprio usuário identifique que variável (coluna) definir como variável
de iteração devido a sua facilidade de medição, importância operacional/gerencial ou
simplesmente disponibilidade de instrumentos. Essa facilidade permite ao usuário ter uma
maior flexibilidade na escolha das variáveis medidas, apesar de, não necessariamente,
propiciar a melhor ordem de precedência ou a completa classificação das variáveis.
Depois da definição da variável de corte, o código repete a quinta etapa até que não
haja mais linhas com apenas uma ocorrência de valor 1.
9ª etapa: Eliminação da variável de iteração
A variável de iteração foi criada para propiciar uma tomada de decisão no código
implementado. Apesar de a variável ser não medida, ela é considerada medida e é atribuído
valor dois na matriz. Após a completa varredura em toda a matriz de ocorrência, retorna-se
para verificar se aquela variável de corte considerada pode ser calculada através de alguma
equação que ainda não foi utilizada. Caso isso seja possível, a variável torna-se não medida
observável. Caso contrário, ela será considerada uma variável indeterminada no algoritmo
desenvolvido. Tal informação será bastante útil para os engenheiros de processo, pois a
medição dessa variável de iteração pode tornar o sistema totalmente determinável.
10ª etapa: Classificação final do modelo
Uma vez que o sistema está totalmente determinável, o código retorna com a
classificação completa do sistema, e inclui o grau de sobredeterminação e a matriz de
ocorrência final após todas as etapas concluídas.
O código foi desenvolvido em linguagem Fortran e foi denominado de classificação.

Para a sua solução, utilizou-se a seguinte estrutura de fluxo de programação apresentada na
Figura 3.2.
Os dados de entrada para o código estão no arquivo ENTRADA.DAT e possui as

seguintes informações:
65
• Número de equações do modelo;
• Número de variáveis do modelo;
• Variáveis medidas no processo;
• Matriz de ocorrência.
CLASSIFICA.F90
ENTRADA.DAT ALOCDINAMICA.F90
SAIDA.DAT
Figura 3.2. Estrutura do código de classificação implementado
Baseado na estratégia introduzida nesta seção, o código apresenta os resultados em um

arquivo denominado SAIDA.DAT:
• Variáveis medidas;
• Variáveis não medidas;
• Informação se existe alguma variável que possa ser calculada através de
determinada equação;
• Variáveis não medidas observáveis e indetermináveis;
• Variáveis medidas redundantes;
• Matriz de ocorrência do processo após classificação;
• Informação se o sistema é totalmente determinável.
O módulo ALOCDINAMICA.F90 foi criado para flexibilizar o código implementado.

Através desse código, permite-se trabalhar com as dimensões máximas de vetores e matrizes
permitidas pelo software COMPAQ VISUAL FORTRAN PROFESSIONAL®. Assim, não se
faz necessário mudar a dimensão da matriz de ocorrência e dos vetores das variáveis para todo
exemplo.
66
O programa CLASSIFICA.F90 é o código principal e onde se encontra toda a lógica
da sistemática de classificação implementada.
3.2) Algoritmo de classificação dinâmica de variáveis
Para um melhor entendimento, apresenta-se o algoritmo que serviu de base para

implementação do código computacional que permite a classificação de variáveis em sistemas
dinâmicos, caracterizando a originalidade da sistemática proposta na Seção 3.1. Com o
objetivo de demonstrar a inovadora abordagem de classificação, as etapas do algoritmo serão
acompanhadas de um exemplo simples de uma polimerização via radicais livres, com as
etapas usuais de iniciação, propagação e terminação. O subsistema possui 20 variáveis e 10
equações. Associa-se a isso, o fato de nove variáveis serem mensuradas. São elas: 1, 2, 3, 4, 6,
8, 10, 12, 14, 19.
As etapas do algoritmo utilizado são:
a) Construção de uma matriz de ocorrência para o modelo desenvolvido resolvido

preenchendo as posições i,j, com 1 se a variável j aparece na equação i, ou zero em
qualquer outro caso.
⎡1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎤
⎢1 1 1 1 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 1⎥⎥
⎢
⎢0 0 1 1 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0⎥
⎢ ⎥
⎢1 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0⎥
⎢1 1 1 0 0 0 0 1 0 1 0 0 0 0 0 1 0 0 0 1⎥
A= ⎢ ⎥
⎢0 0 1 0 0 0 0 1 0 0 1 0 0 0 0 1 0 0 0 0⎥
⎢1 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0⎥
⎢ ⎥
⎢1 1 1 0 0 0 0 0 0 0 0 1 0 1 0 1 0 0 0 1⎥
⎢0 0 1 0 0 0 0 0 0 0 0 1 0 0 1 1 0 0 0 0⎥
⎢ ⎥
⎢⎣0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1⎥⎦
b) Com a informação de variáveis medidas já definida, a matriz de ocorrência passa a ser

dada por:
67
⎡0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎤
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1⎥⎥
⎢
⎢0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0⎥
⎢ ⎥
⎢0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1⎥
A=⎢ ⎥
⎢0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0⎥
⎢ ⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0⎥
⎢ ⎥
⎢⎣0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1⎥⎦
c) Encontrar uma linha na matriz de ocorrência que tenha apenas uma entrada
(ocorrência). Encontra-se tal fato nas linhas 1, 4 e 7, como pode ser visualizado
abaixo:
⎡0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎤
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1⎥⎥
⎢
⎢0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0⎥
⎢ ⎥
⎢0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1⎥
A= ⎢ ⎥
⎢0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0⎥
⎢ ⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0⎥
⎢ ⎥
⎢⎣0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1⎥⎦
d) A linha e a coluna que foi encontrada a ocorrência representa um subconjunto

removível, ou seja, coloca-se zero em toda a sua extensão, como pode ser visto a
seguir:
⎡0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎤
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1⎥⎥
⎢
⎢0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0⎥
⎢ ⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1⎥
A=⎢ ⎥
⎢0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥
⎢ ⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0⎥
⎢ ⎥
⎢⎣0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1⎥⎦
68
e) Indica-se que essa coluna (variável) é para ser resolvida com a respectiva linha
(equação) para o usuário. Logo, é realizada a indicação que a variável 5 pode ser
calculada através da equação 1; a variável 9 pode ser calculada através da equação 4 e
a variável 13 pode ser calculada através da equação 7.
f) Repete-se a etapa c até que não haja mais linhas com apenas uma ocorrência,
eliminando sempre qualquer linha que não tenha ocorrência.
g) Na ausência de linhas com apenas uma ocorrência, busca-se a coluna com maior
número de ocorrências. Substituem-se os valores onde foi encontrada alguma
ocorrência por 2. Define-se essa variável como variável de corte(iteração). No
exemplo em tela, a variável de corte é a que está na coluna 16.
⎡0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎤
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1⎥⎥
⎢
⎢0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0⎥
⎢ ⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1⎥
A=⎢ ⎥
⎢0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥
⎢ ⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0⎥
⎢ ⎥
⎣⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1⎥⎦
Dessa forma, todas as ocorrências passarão a ser representadas pelo algarismo 2.
⎡0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎤
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 1⎥⎥
⎢
⎢0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 2 0 0 0 0⎥
⎢ ⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 1⎥
A= ⎢ ⎥
⎢0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 2 0 0 0 0⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥
⎢ ⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 1⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 2 0 0 0 0⎥
⎢ ⎥
⎢⎣0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 1 1 1 1⎥⎦
69
h) Uma vez estabelecida a variável de corte, repete-se a etapa c até que não haja mais
linhas com apenas uma ocorrência de valor 1. Este passo é realizado interativamente
até que se chegue em uma situação que não exista mais nenhuma linha (equação) que
possa ser utilizada, necessitando do estabelecimento de uma nova variável de corte.
Na matriz estudada, percebe-se que as linhas 2, 3, 6 e 9 apresentam apenas uma

ocorrência 1. Tal fato propiciará que as variáveis 20, 15, 11 e 7 possam ser estimadas através
das equações 2, 9, 6 e 3 respectivamente. Até o momento, têm-se sete equações utilizadas.
⎡0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎤
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 1⎥⎥
⎢
⎢0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 2 0 0 0 0⎥
⎢ ⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 1⎥
A= ⎢ ⎥
⎢0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 2 0 0 0 0⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥
⎢ ⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 1⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 2 0 0 0 0⎥
⎢ ⎥
⎢⎣0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 1 1 1 1⎥⎦
i) Repete-se a etapa g até que não possa ser mais especificada nenhuma variável de
iteração.
A matriz de ocorrência após a especificação de todas as variáveis de corte possíveis,

apresenta-se da forma abaixo. Observa-se que a variável 19 pode ser calculada através da
última equação (10).
⎡0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎤
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0⎥⎥
⎢
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0⎥
⎢ ⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0⎥
A= ⎢ ⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥
⎢ ⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0⎥
⎢ ⎥
⎢⎣0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 2 2 1 0⎥⎦
70
j) Após todas as etapas apresentadas acima, deve-se preparar para verificar se existe
alguma equação que não foi utilizada para estimar as variáveis de iteração. O
procedimento consiste em verificar se existe alguma ocorrência 2 nas linhas
(equações) que ainda não foram utilizadas. O algoritmo retorna para a etapa c até que
não haja mais ocorrências 2 em equações (linhas) não utilizadas
Após o final da primeira iteração, observa-se que: o grau de sobredeterminação inicial

do modelo estudado é 2; uma vez que as equações 5 e 8 não foram utilizadas e que as
variáveis 16, 17 e 18 necessitam ser informadas obrigatoriamente para o conhecimento
completo do sistema. Devido ao grau de sobredeterminação existente do processo, permite-se
prosseguir com as iterações até que a variável 16(antiga variável de iteração) possa ser
calculada através da equação 5.
⎡0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎤
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥⎥
⎢
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥
⎢ ⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥
A= ⎢ ⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥
⎢ ⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥
⎢ ⎥
⎣⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 2 0 0⎦⎥
Mesmo reduzindo-se o grau de sobredeterminação do processo para 1, as variáveis 17

e 18 continuam indetermináveis, pois não existe nenhuma variável que possa ser calculada
através da equação 8. Assim, a matriz final é dada por:
⎡0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎤
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥⎥
⎢
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥
⎢ ⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥
A= ⎢ ⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥
⎢ ⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥
⎢0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0⎥
⎢ ⎥
⎢⎣0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 2 0 0⎥⎦
71
k) Verificar se todas as variáveis foram estimadas e se todas as equações foram
utilizadas. Uma vez que não exista nenhuma equação que possa ser utilizada para
determinar variáveis, parte-se para a finalização da identificação estrutural
propriamente dita. Todas as variáveis não medidas, que foram calculadas a partir do
algoritmo proposto, passam a ser classificadas como variáveis não medidas
observáveis. As variáveis que não puderam ser estimadas passam a ser classificadas
em variáveis não medidas indetermináveis. Caso todas as variáveis tenham sido
estimadas, define-se que o sistema é totalmente determinável. O grau de
sobredeterminação passa a ser o número de equações não utilizadas para a completa
classificação do modelo estudado.
l) Impressão dos resultados.
3.3) Classificação de variáveis do sistema de utilidades da Fábrica de

Fertilizantes do Nordeste (FAFEN-SE)
A exploração do ramo de produção de fertilizantes e amônia é realizada pela FAFEN-

SE- Fábrica de Fertilizantes Nitrogenados (Figura 3.3), empresa incorporada à Petrobrás. Essa
planta produz atualmente cerca de 1.250 t/d de amônia e 1800 t/d de uréia. Do total da amônia
produzida pela FAFEN, 60% são utilizados na própria empresa para a fabricação de uréia e de
ácido nítrico. A parte restante (40%) é fornecida às indústrias do Pólo Petroquímico de
Camaçari e da Região Sudeste e, ainda, destinada à exportação. Informações gerais sobre
história, características e processo de produção de amônia podem ser encontradas no
Apêndice I.
Atualmente muito tem sido debatido sobre a necessidade do uso racional da água.
Uma visualização do nível de perda de água no processo da FAFEN-SE pode ser feita no
Tabela 3.1. Segundo últimos levantamentos realizados na empresa durante operação normal, a
perda total diária está em torno de 150 m3/dia. Uma das contribuições para otimização do uso
da água é a aplicação da reconciliação de dados em balanços hídricos para algoritmos de
máximo reuso (BAGAJEWICZ, 2000b). Apesar de não ser escopo desse trabalho o reuso de
água, essa seção servirá para ilustrar o uso e a importância do algoritmo de classificação em
uma unidade industrial.
72
Figura 3.3 Vista Geral da Planta de Amônia da FAFEN em Laranjeiras, SE.
Tabela 3.1. Perda de água durante meses específicos do processo produtivo da FAFEN.
Perda de água Total das perdas com Perdas totais Perda horária
(m3/dia) enxágüe (m3/dia) 3
(m /dia) (m3/hora)
57 79 136 5,7
76 83 159 6,6
878 92 970 40,4
314 79 393 16,4
92 77 169 7,0
73 39 112 4,7
82 126 208 8,7
Fonte: FAFEN-SE (2005)
A classificação de variáveis pode indicar a necessidade de medição de novas variáveis,

a identificação da observabilidade do circuito e a necessidade de instrumentação adicional à
planta, para completa caracterização do fluxograma hídrico. O objetivo dessa seção é
propiciar o uso da classificação de variáveis como ferramenta para monitoramento
operacional em instalações com baixo nível de informação, como nos sistemas hídricos.
Fluxogramas típicos de sistemas hídricos encontram-se apresentadas no Apêndice II. O
exemplo inicial é um balanço hídrico de uma planta de fertilizantes. O fluxograma hídrico
simplificado está representado pela Figura 3.4.
Os circuitos pertencentes aos sistemas hídricos possuem baixo índice de

instrumentação. Tal fato é atribuído normalmente à pouca importância do circuito de água
quando comparados às correntes principais do processo de produção. É comum em unidades
73
industriais que exista uma pequena e insuficiente quantidade de medidores nos sistemas
hídricos. Essa característica pode tornar impeditiva a determinação de balanços confiáveis. A
água está presente no tratamento de água para produção de água clarificada e de água
desmineralizada, em sistemas de resfriamento, em forma de vapor de alta, média e baixa
pressão, como força motriz em máquinas térmicas, na utilização como componente de reação,
em sistemas de condensados, e em rejeitos. O complexo industrial da FAFEN-SE é abastecido
por um sistema de utilidades com produção de água clarificada e de água desmineralizada
para geração de vapor em níveis de pressão de 39 kg/cm2 g e 105 kg/cm2g. A reconciliação é
útil para os estudos de avaliação técnica e econômica, buscando uma maior segurança no
processo decisório.
Tanque Rede de
Rede de Incêndio Op 03
Incêndio
Op 01
Tanque
Produção
Eflu Atmosfera Eflu

Eflu Eflu Eflu
Op 02
Refrigeração Vapor 105 kg/cm2

Processos
Eflu Produtivos
Eflu
Atmosfera
Vapor 38 kg/cm2
Atmosfera
Vapor V 38
Atmosfera
p/ Processo
2
Vapor 14 kg/cm
6
Atmosfera 5
4
Vapor 6 kg/cm2 3
2
1
Atmosfera
Vapor 4 kg/cm2
Eflu
Figura 3.4. Fluxograma hídrico da planta de produção de amônia e uréia.
Faz-se necessária a identificação dos sistemas que fazem parte do fluxograma em

análise. No caso em tela, onde o interesse está voltado para o balanço hídrico, é preciso
identificar todas as correntes em que a água entra com percentuais acima de 99%. Podem ser
detectados os seguintes sistemas:
74
1) Sistemas de Produção de Águas Diversas
2) Sistema de Produção de Água para Resfriamento
3) Sistemas de Geração de Vapor
4) Sistema de Condensados
5) Sistema de Águas Não Contaminadas
6) Sistema de Águas com Contaminação Orgânica
7) Sistema de Águas com Outras Contaminações
8) Sistema de Águas de Esgoto Sanitário.
Foi adotada a premissa de que não se estudará o balanço do Sistema de Águas de

Esgoto Sanitário, dado o interesse em atividades industriais. Com a identificação de cada
sistema, foi possível estabelecer as operações e as equações que descrevem os balanços de
massa e energia do processo. Foi colhido na planta o fluxograma inteiro do processo, dividido
em 5 partes, de acordo com a lógica do processo produtivo. Nesta seção é dada ênfase apenas
à segunda parte do fluxograma. Mesmo assim, a parte 2 foi subdividida em dois outros
subsistemas. O subsistema Parte 2A ficou definido como nossa matéria prima para o estudo
desse trabalho.
As operações de coleta de condensado da unidade de produção de uréia estão

representadas na Figura 3.5. A corrente c1 é o condensado oriundo do uso de vapor de 14
kg/cm2g, dentro da unidade de uréia, identificado como Operação 32. A corrente c2 é o
condensado oriundo do uso de vapor de 6 kg/cm2g, também dentro da unidade de uréia,
identificado como Operação 38. A Operação 18 recolhe essas correntes e envia uma pequena
parte, corrente c3, para uso interno e a maior quantidade para fora da unidade, visando o seu
aproveitamento em outras partes da planta.
A corrente c4 divide-se na corrente c6 e corrente c5 no Divisor 05. O objetivo do

Divisor 05 é fornecer um excedente de condensado para a planta de amônia, caso os
consumidores da corrente c6 reduzam seu consumo de condensado. A corrente c7
complementa a necessidade de água no Misturador 05 gerando a corrente c8, para as
operações seguintes de produção de vapor de 38 kg/cm2g.
75
Fluxograma Representativo do Processo - Parte 2 A Mix
04
c17
Oper 20
Div c14 Dessup V38
c22
07 GV 09A
AMB c15 c16
Oper 32 c1 c12
V14 para c5 c7 Operação 21
c10 Prod V38 GV´s 09A
P. Uréia
c18
Oper 18 Oper 19 Div Efluentes
c4 Div c6 Mix c8 Desaer
c11
Cond 06
05 05 V 38
Ureia c19 Operação 22
Oper 38
V6 para c2 c9 Prod V38 GV´s 09B
Vem da
c13 c23
P. Ureia c21
c3 Ope 48 Efluentes
Div c20 Oper 23
Dessup V38
08 GV 09B c22
Figura 3.5 : Projeto do sistema em análise.

A Operação 19 consiste de um desaerador, que remove oxigênio dissolvido da
corrente c8, utilizando vapor de 4 kg/cm2g, proveniente da c9 e descarregando para a
atmosfera, a corrente c10. Dessa forma, a corrente c11 está preparada para ser utilizada nos
geradores de vapor GV-09A na Operação 21 e V-09B na Operação 22, através das correntes
c15 e c19 respectivamente. Na saída de cada gerador de vapor, o mesmo é dessuperaquecido,
para evitar elevadas temperaturas no material da tubulação de vapor, especificado para um
máximo de 400 oC, através das Operações 20 e 23. As correntes c17 e c22 são direcionadas
para o header de vapor de 38 kg/cm2g, representado pelo Misturador 04, para serem utilizadas
como força motriz em turbinas, como vapor para o processo de produção e ainda para ser, se
necessário, rebaixado para níveis de pressão inferiores.
O modelo foi desenvolvido por MARQUES (2006) com base na Figura 3.5. O sistema
apresenta um total de quinze equações e trinta e nove variáveis, sendo vinte variáveis medidas
e dezenove variáveis não medidas. Essas variáveis podem ser observadas no Quadro 3.1.
Foram admitidas as seguintes hipóteses no desenvolvimento do modelo:

• Não ocorre variação de temperaturas nos divisores 5, 6, 7 e 8;
• Ocorre variação de temperatura no Misturador 5. A água desmineralizada da
corrente 7 é mais fria que o condensado da corrente 6;
• Não ocorre variação de temperatura nos divisores 21 e 22;
76
Quadro 3.1. Identificação estrutural do balanço hídrico.
Corrente Denominação da Corrente Variável de Identificação Caract.
Interesse Var.-Sigla
C1 V14 para Planta de Uréia Fluxo Massa 1- m1 M
C3 Perdas de CND-UR Fluxo Massa 3-m3 NM
C4 CND-UR para GV’s 09 A/B Fluxo Massa 4- m4 M
C5 Excedente CND-UR para Amônia Fluxo Massa 5- m5 NM
C6 CND-UR para Desaerador 2008 U Fluxo Massa 6- m6 NM
Temperatura 7- t6 NM
C7 AGD Complementar 2008 U Fluxo Massa 8- m7 NM
C8 CND-UR+AGD para 2008 U Fluxo Massa 10- m8 NM
C9 Vapor de desaeração 2008 U Fluxo Massa 12- m9 NM
Temperatura 13- t9 M
C10 Vapor 2008 U para atmosfera Fluxo Massa 14- m10 NM
C11 BFW para GV’s-09 A/B Fluxo Massa 16- m11 NM
C12 BFW para V38 GV-09A Fluxo Massa 18- m12 M
C13 BFW para V38 GV 09 B Fluxo Massa 20- m13 M
C14 BFW para Dessuper GV 09 A Fluxo Massa 22- m14 NM
C15 BFW para V38 GV 09 A Fluxo Massa 24- m15 NM
C16 Vapor Gerado GV-09 A Fluxo Massa 26- m16 NM
C17 Vapor V38 GV 09 A para o Header Fluxo Massa 28- m17 M
C18 Descarga Superfície GV 09A Fluxo Massa 30- m18 NM
C19 BFW para V38 GV 09 B Fluxo Massa 31- m19 NM
C20 BFW para Dessuper GV 09 B Fluxo Massa 33- m20 NM
C21 Vapor Gerado GV-09 B Fluxo Massa 35- m21 NM
C22 Vapor V38 GV 09 B para o Header Fluxo Massa 37- m22 M
C23 Descarga Superfície GV 09 B Fluxo Massa 39- m23 NM
NM – Variável não medida; M- Variável medida
O arquivo de entrada de dados apresentou a configuração descrita no Quadro 3.2.
77
Quadro 3.2 Arquivo de entrada de dados do balanço hídrico estudado.
Numero de Variáveis Medidas: 20
Variáveis Medidas:1 2 4 13 15 17 18 19 20 21 23 25 27 28 29 32 34 36 37 38
Numero de Equações: 15
Número de Variáveis: 39
Matriz de Ocorrência
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39
eq 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
eq 2 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
eq 3 0 0 0 0 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
eq 4 0 0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
eq 5 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
eq 6 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
eq 7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
eq 8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
eq 9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0
eq 10 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0
eq 11 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 1 1 1 0 0 0 0 0 0 0 0 0 0
eq 12 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0
eq 13 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1
eq 14 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 1 0 0
eq 15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 0
O modelo pode ser descrito pelas Equações (3.8-3.22).

Balanço de Massa da Operação 18
m3 + m4 = m1 + m2 (3.8)
Balanço de Massa do Divisor 5
m4 = m5 + m6 (3.9)
Balanço de de massa e de energia no Misturador 5
m8 = m6 + m7 (3.10)
m8*Cp8*∆t8 = m6*Cp6*∆t6+m7*Cp7* ∆t7 (3.11)
Balanço de Massa e energia da Operação 19(Desaerador)
m8 + m9 = m10 + m11 (3.12)
m8*Cp8*∆t8 + m9*Cp9*∆t9 = m10*Cp10*∆t10+m11*Cp11* ∆t11 (3.13)
m11 = m12 + m13 (3.14)
m12 = m14 + m15 (3.15)
m13 = m19 + m20 (3.16)
Balanço de Massa e energia da Operação 20(Dessuperaquecedor)
m17 = m14 + m16 (3.17)
m17*Cp17*∆t17 = m14*Cp14*∆t14 + m16*Cp16*∆t16 (3.18)
m15 = m16 + m18 (3.19)
m19 = m21 + m23 (3.20)
78
Balanço de Massa e energia da Operação 23 (Dessuperaquecedor)
m22 = m20 + m21 (3.21)
m22*Cp22*∆t22 = m20*Cp20*∆t20 + m21*Cp21* ∆t21 (3.22)
O código implementado mostrou-se robusto e o resultado está apresentado no Quadro

3.3. Verifica-se pelo resultado que é necessária a instalação de sensores para as variáveis m6,
m8, t8 e m9 para que o sistema fique totalmente observável. Essa análise foi ratificada por
diversas simulações realizadas. Com a instalação desses sensores, o sistema fica totalmente
determinável. Todavia, não se tem grau de sobredeterminação que possibilite a existência de
redundâncias visando uma reconciliação de dados desse sistema.
Quadro 3.3 Classificação de variáveis do modelo composto pelas equações (3.8-3.22).

Variáveis medidas:
1 2 4 13 15 17 18 19 20 21 23 25 27 28 29 32 34 36 37 38
3 5 6 7 8 9 10 11 12 14 16 22 24 26 30 31 33 35 39
Variáveis não medidas observáveis
3 5 7 8 9 14 16 22 24 26 30 31 33 35 39
Variáveis nao medidas indetermináveis
6 10 11 12
Grau de sobredeterminação: 0
Todas as equações foram usadas
Variáveis medidas redundantes
15 17 18 19 20 21 23 25 27 28 29 32 34 36 37 38
Variáveis medidas não redundantes
1 2 4 13
Para plantas em operação, a análise de processo é focada em uma situação de

produção normal; ou seja, espera-se que as plantas não estejam em parada total, em condições
de manutenção, ou em processos de partida. O fluxograma apresentado na Figura 3.5 foi então
adequado para uma condição de operacionabilidade considerada normal, como pode ser visto
na Figura 3.6. Esse subconjunto da unidade industrial possui, na maior parte do tempo, um
fator operacional maior que 80 %. Baseado nessa condição, o valor da vazão da corrente c7 é
nula. Nesse cenário, o Misturador 05 perde sua função o que elimina também a corrente c8.
Todas as demais correntes permanecem inalteradas como pode ser visto na Figura 3.6.
79
Neste novo cenário, o modelo é constituído de 13 equações e 35 variáveis, sendo 20
delas medidas. Para uma melhor compreensão da construção da matriz de ocorrência, optou-
se, apesar da redundância, por discriminar o modelo (Equações 3.23-3.35) e as variáveis
(Quadro 3.4) com alto fator operacional, que é a condição de operação que está em uso na
maior parte do tempo de produção da planta.

m3 + m4 = m1 + m2 (3.23)

m4 = m5 + m6 (3.24)
Balanço de Massa e energia da Operação 19(Desaerador)

m10 + m11 = m6 + m9 (3.25)
m10*Cp10*∆t10 + m11*Cp11*∆t11 = m6*Cp6*∆t6+m9*Cp9* ∆t9 (3.26)

m11 = m12 + m13 (3.27)

m12 = m14 + m15 (3.28)

m13 = m19 + m20 (3.29)
Balanço de Massa e energia da Operação 20(Dessuperaquecedor)

m17 = m16 + m14 (3.30)
m17*Cp17*∆t17 = m16*Cp16*∆t16 + m14*Cp14*∆t14 (3.31)

m15 = m18 + m16 (3.32)

m19 = m23 + m21 (3.33)
Balanço de Massa e energia da Operação 23 (Dessuperaquecedor)

m22 = m20 + m21 (3.34)
m22*Cp22*∆t22 = m20*Cp20*∆t20 + m21*Cp21* ∆t21 (3.35)
80
Quadro 3.4. Identificação estrutural do balanço hídrico com alto fator operacional.
Corrente Denominação da Corrente Variável de Identificação Caract.
Interesse Var.-Sigla
C3 Outros Consumos Condensado Fluxo Massa 3-m3 NM
Uréia
C4 Condensado para GV’s 09 A/B Fluxo Massa 4- m4 M
C5 Excedente CND para Amônia Fluxo Massa 5- m5 NM
C6 CND para Desaerador V38 Fluxo Massa 6- m6 NM
C9 Vapor de desaeração p/ 2008 U Fluxo Massa 8- m9 NM
Temperatura 9- t9 M
C10 Vapor 2008 U para atmosfera Fluxo Massa 10- m10 NM
C11 BFW para GV’s-09 A/B Fluxo Massa 12- m11 NM
C12 BFW p/ V38 GV-09A / DessuA Fluxo Massa 14- m12 M
C13 BFW p/ V38 GV 09 B / DessuB Fluxo Massa 16- m13 M
C14 BFW para Dessuper GV 09 A Fluxo Massa 18- m14 NM
C15 BFW para V38 GV 09 A Fluxo Massa 20- m15 NM
C16 Vapor Gerado GV-09 A Fluxo Massa 22- m16 NM
C17 Vapor V38 GV 09 A para o Header Fluxo Massa 24- m17 M
C18 Descarga Superfície GV 09A Fluxo Massa 26- m18 NM
C19 BFW para V38 GV 09 B Fluxo Massa 27- m19 NM
C20 BFW para Dessuper GV 09 B Fluxo Massa 29- m20 NM
C21 Vapor Gerado GV-09 B Fluxo Massa 31- m21 NM
C22 Vapor V38 GV 09 B para o Header Fluxo Massa 33- m22 M
C23 Descarga Superfície GV 09 B Fluxo Massa 35- m23 NM
NM – Variável não medida; M- Variável medida
O arquivo de entrada de dados apresentou a configuração descrita no Quadro 3.5.
81
Fluxograma Representativo do Processo - Parte 2 A
Fluxograma Alto Fator Operacional Mix
04
c17
Oper 20
Div c14 Dessup V38 c22
07 GV 09A
Oper 32 c1 AMB c16

c15
V14 para c12
P. Uréia c5 c10 Operação 21
Prod V38 GV´s 09A
Oper 18 c4 c6 Oper 19 c11 c18
Cond
Div Div
Desaer Efluentes
Ureia 05 V 38 06
c9
Vem da c19 Operação 22
Oper 38 c2 c3
V6 para Ope 48 Prod V38 GV´s 09B
c13
P. Ureia c21 c23
Efluentes
Div c20 Oper 23
Dessup V38
08 GV 09B c22
Figura 3.6 Fluxograma de operacionabilidade normal da planta.
Com a matriz de ocorrência do Quadro 3.5 , o código de classificação demonstrou que

as vazões mássicas de condensado para o desaerador de vapor de 38 kg/cm2g e o vapor de
desaeração da corrente C6 são indetermináveis após estabelecimento da ordem de precedência
otimizada. Verificou-se também que as vazões mássicas de vapor de entrada párea a planta de
uréia de 14 kg/cm2g e 6 kg/cm2g devem obrigatoriamente ser informadas. A vazão de
condensado para geração de vapor na operação 09A/B também deve ser informada. Apesar da
indeterminação, o sistema não apresenta nenhum grau de sobredeterminação, pois todas as
equações foram utilizadas com a sistemática utilizada. O resultado completo desse sistema
pode ser visto no Quadro 3.6. A utilização de sensores nas variáveis 6 e 8 tornaria o sistema
totalmente determinável.
Quadro 3.5 Arquivo de entrada de dados do balanço hídrico com alto fator operacional.
Numero de Variáveis Medidas: 20
Variáveis Medidas:1 2 4 9 11 13 14 15 16 17 19 21 23 24 25 28 30 32 33 34
Numero de Equações: 13
Número de Variáveis: 35
Matriz de Ocorrência
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35
eq 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
eq 2 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
eq 3 0 0 0 0 0 1 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
eq 4 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
eq 5 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
eq 6 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
eq 7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0
eq 8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0
eq 9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 1 1 1 0 0 0 0 0 0 0 0 0 0
eq 10 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0
eq 11 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1
eq 12 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 1 0 0
eq 13 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 0
82
Quadro 3.6 Classificação de variáveis do balanço hídrico com alto fator operacional.
Variáveis medidas:
1 2 4 9 11 13 14 15 16 17 19 21 23 24 25 28 30 32 33 34
3 5 6 7 8 10 12 18 20 22 26 27 29 31 35
3 5 7 10 12 18 20 22 26 27 29 31 35
Variáveis nao medidas indetermináveis
6 8
9 11 13 14 15 16 17 19 21 23 24 25 28 30 32 33 34
124
As simulações realizadas com a variável 6 (condensado para Desaerador V38) sendo

medida ou com a variável 8 (vapor de desaeração p/ 2008 U) mostraram o mesmo resultado
com a alternância das variáveis indetermináveis. Quando a variável 6 é medida, a variável 8
torna-se indeterminável e vice-versa. Em ambos os casos, o grau de sobredeterminação
permanece nulo.
Após diversas simulações realizadas visando tornar o problema reconciliável

constatou-se que, caso a variável 22 (vapor gerado GV-09 A) fosse medida, as variáveis 6 e 8
continuariam sendo indetermináveis, porém o grau de sobredeterminação passaria a ser de
um, pois a Equação (3.31) que representa o balanço de energia do dessuperaquecedor não
seria utilizada. Se a variável medida fosse a 31 (vapor gerado GV-09 B), a Equação (3.35) do
balanço de energia do dessuperaquecedor da Operação 23 é que não seria utilizada, mantendo
o grau de sobredeterminação constante. Desta forma, para aumentar a redundância do
processo, sugere-se adquirir instrumentos para medição das vazões mássicas para geração de
vapor, caso isso seja viável economicamente e fisicamente.
A análise aqui apresentada está em conformidade com a análise apresentada por

MARQUES (2006), usando procedimentos de classificação distintos, o que parece validar o
algoritmo proposto. Para resolver o problema de reconciliação, MARQUES (2006) admitiu
83
que certas medidas do processo estavam disponíveis e eram iguais aos valores de referência
do projeto. Dessa forma, foi possível resolver o problema de reconciliação e identificar perdas
sistemáticas na planta.
Apesar da busca contínua por tornar o sistema reconciliável, este exemplo do balanço
hídrico da FAFEN foi utilizado apenas para classificação das variáveis envolvidas. O
processo de reconciliação foi realizado por MARQUES (2006). Para o processo completo de
estimação de parâmetros em um modelo dinâmico conjuntamente com classificação, detecção
de erros grosseiros e reconciliação foi utilizado o processo de polimerização de propeno em
escala industrial.
3.4) Classificação de variáveis de um modelo dinâmico de produção de

polipropileno
O modelo escolhido para validação foi o modelo de polimerização de propeno da
Unidade Duque de Caxias (RJ) do grupo Suzano, que produz polipropileno homopolímero e
copolímero em diversos graus (Figura 3.7). O processo de fabricação de polipropileno em
estudo é baseado na tecnologia de polimerização do propeno utilizando propileno líquido
(LIPP♣) e pode ser representado simplificadamente pela Figura 3.8.
Figura 3.7. Visão geral de uma planta de polimerização.
Os processos de polimerização são interessantes devido a características tipicamente

não lineares, com fortes interações e comportamento multivariável. É freqüentemente difícil
relacionar as medidas de qualidade de produto com as medidas de processo (LATADO et al.,
2001). Essas características fazem da engenharia de reatores de polimerização uma área
desafiadora para monitoramento e controle (RAY e VILLA, 2000; MATTOS NETO et al.,
2005). Além disso, são industrialmente importantes porque o mercado de polímeros possui
margem e volume elevados.
♣
LIquid Pool Polymerization
84
nitrogênio óleo mineral
catalisador
Área 22
TEA
Manuseio de
PEEB
catalisadores
Fornecedores
PEEB TEA catalisador
propileno nitrogênio hidrogênio
Área 24
Área 44 Área 21 lama PP +
propileno propileno Área 23 Remoção de
Estocagem Purificação de propileno
Polimerização propileno e secagem
de propileno nitrogênio e propileno
do polímero
água
propileno
i l d
aditivos pó de PP
Área 26
grânulos de PP Área 25
Clientes Silagem e
ensaque Extrusão
condensado de
baixa pressão
Figura 3.8 . Diagrama de blocos resumido da unidade de polimerização de propeno de Duque de Caxias.
85
As empresas produtoras de polímeros representam, em geral, tecnologias
sedimentadas, originárias de diversas fontes, que têm seus ciclos completamente dominados.
A indústria se caracteriza pelo controle de seu processo produtivo e pelo desenvolvimento de
grades específicos, a partir de desenvolvimentos endógenos e desengargalamentos da
produção. Não foi diferente com o polipropileno (PP). Um resumo sobre o polipropileno
encontra-se no Apêndice III.
A Unidade Duque de Caxias apresenta as seguintes unidades:
Tabela 3.2. Áreas de processo da Unidade de Duque de Caxias

Numeração da área Áreas de Processo
Área 21 Purificação de Nitrogênio e de Propeno
Área 22 Manuseio de Catalisadores
Área 23 Polimerização
Área 24 Remoção de Propeno / Secagem do Polímero
Área 25 Extrusão
Área 26 Ensacamento
Área 44 Estocagem de Propeno
Os principais fornecedores de propeno são REDUC (Refinaria Duque de Caxias) e

Braskem. Pode-se utilizar etileno para produção do copolímero. Inicialmente o propeno passa
por uma área de secagem e purificação, composta por dois leitos de peneiras moleculares,
dois leitos catalíticos compostos por óxido de cobre suportado em óxido de zinco para
remoção de contaminantes, principalmente COS (sulfeto de carbonila), e um leito de alumina
ativada para remoção de AsH3 (arsina). Após essa etapa, o propileno segue para a área de
polimerização.
A polimerização é realizada em um reator com agitação contínua que opera a alta

pressão (aproximadamente 30 kgf/cm²), permitindo que o propeno líquido seja usado como
meio de suspensão para as partículas de polímero. O fluxograma simplificado para esse
processo de polimerização está apresentado na Figura 3.9.
O sistema catalítico usado no processo LIPP consiste nos seguintes componentes:
- Catalisador: Composto de cloreto de titânio suportado em cloreto de magnésio
86
- Co-catalisadores: Dietil cloreto de alumínio (DEAC), Trietil alumínio (TEA) e para-
etoxi etil benzoato (PEEB). Como os organometálicos são pirofóricos, todo o sistema de
armazenamento, manuseio e transporte dos co-catalisadores é mantido inertizado com o uso
de nitrogênio.
Condensadores (a , b)
mw, Twe Tws
a b
meA meB
TeA TeB
me, Tee mrec, Terec
mpurga
mcat
REATOR
mTEA
mPEEB [ PH2, T ] mlama
FILTRO
mpol
Figura 3.9. Processo de polimerização simplificado
Os componentes do sistema catalítico são de alta reatividade. Por este motivo, o

propileno líquido alimentado ao reator, assim como nitrogênio, hidrogênio, e eventualmente o
etileno, que entram em contato com o meio reacional, devem estar isentos de componentes
oxigenados ou polares, tais como água, oxigênio, dióxido de carbono, monóxido de carbono,
compostos de enxofre e álcoois.
O reator de polimerização opera com a temperatura controlada (em torno de 68 °C) e o

peso molecular do polímero, medido pelo índice de fluidez (MI), é controlado pela
87
concentração de hidrogênio presente no reator. O propeno contido na lama é removido por
evaporação em um secador tubular.
O pó de polipropileno e o vapor de propileno provenientes do secador são separados

através de filtração. O polímero é descarregado para a seção de baixa pressão através de uma
tubulação especial chamada tubo despressurizador. O pó é estocado em um vaso com purga
de nitrogênio para remoção de vapores de propileno residuais, sendo que qualquer traço de
propileno arrastado pelo nitrogênio é queimado na tocha.
Aditivos pré-selecionados são dosados, de acordo com a aplicação final do produto

que se deseja fabricar, e adicionados ao pó base segundo uma razão de aditivação previamente
determinada. A mistura é enviada à extrusora, na qual se dá a fusão do polímero e a
homogeneização com os aditivos.
O produto, após extrudado e trefilado, é granulado por um conjunto de facas rotatórias

em presença de água. Os grânulos são separados da água em um secador centrífugo, sendo
que a água de corte retorna ao cabeçote da extrusora para resfriamento e arraste dos grãos
para o secador tubular. O produto final é transportado pneumaticamente para os silos de
armazenamento/homogeneização do produto final.
A cinética foi estudada qualitativamente e quantitativamente com base em um modelo

cinético proposto anteriormente por MATOS et al. (2002). O modelo fenomenológico do
processo em estudo é composto por um conjunto de equações algébrico-diferenciais não
lineares (SILVA e PINTO,1999a,b). A consistência do modelo utilizado já foi confirmada por
PRATA (2005). A única diferença com relação ao modelo usado por esse autor é o acréscimo
do balanço de energia global.
Para este trabalho, o modelo matemático utilizado nesta tese, possui um sistema com
seis componentes: propeno, propano, polipropileno, TEA, PEEB e catalisador, com reciclo e
purga. As hipóteses utilizadas na elaboração do modelo foram:
9 As flutuações de processo e de medição são essencialmente as mesmas ao longo do

horizonte de operação;
9 Admite-se aditividade de volume;
9 O nível reacional não é constante;
88
9 As massas de catalisador, TEA e PEEB foram consideradas desprezíveis no reator;
9 Mistura perfeita e ideal (calor de mistura igual a zero);
9 As taxas de reação são de primeira ordem em relação aos reagentes;
9 O mecanismo de polimerização inclui as etapas clássicas de iniciação, propagação,

transferência e terminação;
9 A transferência de cadeia para o hidrogênio controla o peso molecular de resina;
9 As reações ocorrem na fase sólida;
9 O catalisador está incorporado ao polímero;
9 O sistema reacional é constituído das fases sólida, líquida e gasosa, todas em equilíbrio
termodinâmico;
9 Não existem frações de propano e propeno na corrente de polímero produzido (mpol), nem
frações de polímero, PEEB e catalisador na corrente de reciclo (mrec);
9 Não é considerado o efeito da aeração (borbulhamento) durante a medição do nível do

reator;
9 O fluido é incompressível;
9 O trabalho de eixo efetuado pelo sistema de mistura é desprezível;
9 Os termos relativos às energia cinética e potencial são desprezíveis.
Todas as equações utilizadas e as respectivas variáveis utilizadas em cada equação

encontram-se no Apêndice IV. O sistema apresentou um total de 64 equações algébrico-
diferenciais e 105 variáveis o que o caracteriza como um problema de médio a grande porte.
A ordem das equações não é um fator determinante para o algoritmo de classificação
implementado. O modelo pode assim ser descrito, para efeito de implementação do código de
classificação implementado:
Balanço de massa para o Propano:
dPa ⎛ Pa ⎞
= me ⋅ wa − ⎜ ⎟ ⋅ m purga (3.36)
dt ⎝ Pa + Pe ⎠
Balanço de massa para o Propeno:
dPe ⎛ Pe ⎞
= me ⋅ (1 − wa ) − R pol − ⎜ ⎟ ⋅ m purga (3.37)
dt ⎝ Pa + Pe ⎠
89
Balanço de massa para o Polipropileno
dPol
= R pol − m pol (3.38)
dt
Cálculo da taxa de polimerização (produção de polipropileno)
⎛ Cat ⋅ Pe ⎞
R pol = K p ⋅ ⎜ ⎟ (3.39)
⎝ M ⎠
Cálculo da taxa inicial de polimerização
⎛ Cat( 0) ⋅ Pe( 0) ⎞
R pol(0) = K p ⋅ ⎜ ⎟ (3.40)
⎜ M ⎟
⎝ ( 0 ) ⎠
Balanço de massa para o Catalisador:
dCat ⎛ Cat ⎞
= mCat − ⎜ ⎟ ⋅ m pol − K d ⋅ Cat (3.41)
dt ⎝ Pol ⎠
Balanço de massa para o PEEB
dPEEB ⎛ PEEB ⎞
= mPEEB − ⎜ ⎟ ⋅ m pol (3.42)
dt ⎝ Pol ⎠
Balanço de massa para a TEA:
dTEA ⎛ TEA ⎞ ⎛ TEA ⎞
= mTEA − α ⋅ ⎜ ⎟ ⋅ m purga − (1 − α ) ⋅ ⎜ ⎟ ⋅ m pol (3.43)
dt ⎝ Pe + Pa ⎠ ⎝ Pol ⎠
Restrição de Volume
⎛ Pa Pe Pol ⎞
V =⎜ + +
⎜ ρ a ρe ρ pol ⎟⎟ (3.44)
⎝ ⎠
Restrição inicial para o Polímero
⎛ Pa( 0 ) Pe( 0) Pol( 0) ⎞
V( 0) − ⎜ + + ⎟=0 (3.45)
⎜ ρa 0 ρ ρ ⎟
⎝ () e( 0) pol( 0)
⎠
Cálculo de volume e volume inicial
⎧ V = 2.300 ⋅104 + [( L − 16.5%) ⋅1.544 ⋅103 ] para L > 16.5%
V ( L) = ⎨ −2 −4
(3.46)
⎩V = 9.088 ⋅10 ⋅ [1.060 ⋅10 ⋅ ( L) + 2.870 ⋅10 ⋅ ( L) ] L ≤ 16.5%
4 2
para
Cálculo do Volume inicial

( )
V( 0) = V L( 0) (3.47)
Para o cálculo de solúveis em xileno (XS) foi utilizada a correlação desenvolvida em

trabalhos anteriores (OLIVEIRA JR e PINTO, 1999) na própria unidade de Duque de Caxias,
que possibilitou a construção de uma equação empírica dada por :
90
d ( XS ) R pol ⎡ R ⎛ TEA ⎞ ⎤
= ⋅ ⎢ XS + K xs ⋅ ⎜ − 1⎟ − XS ⎥ (3.48)
dt Pol ⎣ ⎝ PEEB ⎠ ⎦
Geralmente utilizam-se algumas propriedades do polímero para caracterizá-lo como,

por exemplo, o peso molecular médio, a polidispersão, a composição, o índice de fluidez, o
teor de solúveis em xileno, etc. A partir dos momentos da distribuição de pesos moleculares
do polímero podem-se obter algumas destas propriedades (BUSCH et al., 2003, MATTOS
NETO et al., 2005). Para o índice de polidispersão, pesos moleculares médios mássicos e
numéricos e número de moles de polímero, as equações constitutivas do modelo nos dois
instantes de tempo podem ser escritas da seguinte forma:
dN R pol m pol
= I − ac (3.49)
dt Mn Mn
1
M nI = PMPe ⋅
( PH 2 )
γ +C⋅ (3.50)
⎛ Pe ⎞
⎜ ⎟
⎝ Pa + Pe ⎠
Pol
M nac = (3.51)
N
M wac = PD ⋅ M nac (3.52)
1
M nI(0) = PMPe ⋅
( PH 2 )( 0)
γ +C⋅ (3.53)
⎛ Pe( 0) ⎞
⎜ ⎟
⎜ Pa( 0) + Pe( 0) ⎟
⎝ ⎠
Pol( 0)
M nac(0) = (3.54)
N( 0)
M wac(0) = PD ⋅ M nac(0) (3.55)
O índice de fluidez (MI) é uma das mais importantes propriedades físicas do

polipropileno. O MI é medido pela massa de polímero fundido a uma determinada
temperatura que escoa através de um capilar quando submetida a uma determinada pressão
91
durante um determinado tempo. A correlação adotada para descrever o índice de fluidez (MI∗)
de resinas poliméricas foi desenvolvida e usada com sucesso por LATADO et al. (2001):
MI = K 0 ⋅ ( M wac )λ (3.56)
MI ( 0) = K 0 ⋅ ( M wac( 0) )λ (3.57)
Com as hipóteses previamente adotadas, o balanço de energia transiente assume a

seguinte forma:
Cálculo da troca térmica nos condensadores
Q2 = meA ⋅ λe + meA ⋅ Cp e ⋅(T − TA ) + meB ⋅ λe + meB ⋅ Cp e ⋅(T − TB ) (3.58)
Cálculo da troca térmica inicial nos condensadores
Q2( 0) = meA( 0) ⋅ λe( 0) + meA( 0) ⋅ Cp e ( 0) ⋅(T( 0) − TA( 0) ) + meB( 0) ⋅ λe( 0) + meB( 0) ⋅ Cp e( 0) ⋅(T( 0) − TB( 0) ) (3.59)
Balanço de energia do reator

dT me ⋅ Cpe ⋅ (Te − T ) + mrec ⋅ Cpe ⋅ (Te − T ) + (−∆H ) ⋅ R pol − Q
e rec
=
dt ( Pa ⋅ Cpa + Pe ⋅ Cpe + Pol ⋅ Cp pol ) (3.60)
O cálculo para a massa total no reator é dado por :

M = Pe + Pa + Pol (3.61)
M ( 0) = Pe( 0) + Pa( 0) + Pol( 0) (3.62)
A equação para cálculo da fração mássica de polímero

Pol
wpol = (3.63)
M
Pol( 0)
wpol(0) = (3.64)
M ( 0)
O balanço de massa global no divisor de corrente, expresso em função de mlama:

mrec + m purga
mlama = (3.65)
1 − wpol
mrec(0) + m purga(0)
mlama(0) = (3.66)
1 − wpol(0)
Para determinar a vazão de polímero e a concentração de propano no tempo t0 e t pode

ser escrito da seguinte forma:
∗
MI – Melt Index
92
Cálculo da corrente de polímero produzido:
m pol = mlama ⋅ wpol (3.67)

m pol(0) = mlama(0) ⋅ wpol(0) (3.68)
Cálculo da concentração de propano:

Pa
Ca = (3.69)
Pa + Pe
Cálculo da concentração inicial de propano:

Pa(0)
Ca(0) = (3.70)
Pa(0) + Pe(0)
A massa de PEEB no instante inicial é dada por:

M ( 0) .mPEEB
PEEB( 0) = (3.71)
mlama
Admite-se, portanto, que o teor inicial do PEEB é aquele obtido em condições
estacionárias.
O calor da reação é removido por condensação e sub-resfriamento do propeno gasoso

presente no gás do topo do reator. Desta forma, a equação para a temperatura da água na saída
dos condensadores é dada por:
Q2 + mw ⋅ Cpw ⋅ Twe
Tws = (3.72)
mw ⋅ Cpw
Q2( 0) + mw( 0) ⋅ Cpw( 0) ⋅ Twe( 0 )
T s
= (3.73)
mw( 0) ⋅ Cpw( 0)
w( 0 )
É importante ressaltar a duplicidade para as equações algébricas (Equações 3.39 e

3.40; 3.44 e 3.45; 3.46 e 3.47; 3.50 a 3.59; 3.51 a 3.70 e 3.72 e 3.73). Isto se deve à
necessidade de dois instantes de tempo: tempo inicial (t0) e tempo final (t). Essa metodologia
será usada para todas as equações algébricas existentes no modelo, como por exemplo - as
propriedades físicas:
93
Cálculo do calor latente
1⋅10-3 ⎛ 1 ⎞
0.37261
⎛ T ⎞
λe = ⋅⎜ ⎟ ⋅ ( 2.6380 ⋅10 ) ⋅ ⎜1-
7
⎟ (3.74)
4.1855 ⎝ PMPe ⎠ ⎝ 364.9 ⎠
Cálculo do calor latente inicial
λe(0) = λe (T( 0) ) (3.75)
Cálculo do calor específico do propeno

1.14927 ⋅10-2
2
⎛ T ⎞ ⎛ T ⎞
C pe = + 0.646454 − 0.846918 ⋅ ⎜ 1- ⎟ + 1.3177 ⋅ ⎜1- ⎟
⎛ T ⎞ ⎝ 364.9 ⎠ ⎝ 364.9 ⎠
⎜ 1- ⎟
⎝ 364.9 ⎠ (3.76)
3 4 5
⎛ T ⎞ ⎛ T ⎞ ⎛ T ⎞
−3.00842 ⋅ ⎜1- ⎟ + 14.0422 ⋅ ⎜ 1- ⎟ − 17.4783 ⋅ ⎜ 1- ⎟
⎝ 364.9 ⎠ ⎝ 364.9 ⎠ ⎝ 364.9 ⎠
Cálculo do calor específico inicial do propeno
C p = C p (T( 0) ) (3.77)
e( 0 ) e
Cálculo do calor específico do propano

2.14927 ⋅10-2
2
⎛ T ⎞ -1 ⎛ T ⎞
C pa = + 0.615654 − 0.43216 ⋅ ⎜ 1- ⎟ + 2.98064 ⋅ 10 ⋅ ⎜ 1- ⎟
⎛ T ⎞ ⎝ 369.83 ⎠ ⎝ 369.83 ⎠
⎜ 1- ⎟
⎝ 369.83 ⎠ (3.78)
3 4 5
⎛ T ⎞ ⎛ T ⎞ -1 ⎛ T ⎞
−7.24132 ⋅10-1 ⋅ ⎜1- ⎟ + 1.49832 ⋅ ⎜1- ⎟ − 8.226722 ⋅10 ⋅ ⎜ 1- ⎟
⎝ 369.83 ⎠ ⎝ 369.83 ⎠ ⎝ 369.83 ⎠
Cálculo do calor específico inicial do propano
C p = C p (T( 0) ) (3.79)
a( 0 ) a
Cálculo do calor específico do polipropileno (polímero)

C p pol =0.3669 + 0.00242 ⋅ ( T-273.15 ) (3.80)
Cálculo do calor específico inicial do polipropileno (polímero)

Cp = C p (T( 0) ) (3.81)
pol( 0 ) pol
Cálculo do calor específico da água

C pw =3.6653 − 0.0277195 ⋅ T+1.07756 ⋅10-4 ⋅ T 2 − 1.87210 ⋅10-7 ⋅ T 3 +1.24269 ⋅10-10 ⋅ T 4 (3.82)
Cálculo do calor específico inicial da água
C p = C p (T( 0) ) (3.83)
w( 0 ) w
Cálculo da densidade do propeno

ρe =1⋅10-3 ⋅ [5.099 ⋅102 + 1.7489 ⋅ T -5.840 ⋅10-3 ⋅ T 2 ] (3.84)
94
Cálculo da densidade inicial do propeno
ρe( 0) = ρe (T( 0) ) (3.85)
Cálculo da densidade do propano
ρ a =1⋅10-3 ⋅ [5.099 ⋅102 + 1.7489 ⋅ T -5.840 ⋅10-3 ⋅ T 2 ] (3.86)
Cálculo da densidade inicial do propano
ρ a ( 0) = ρ a (T( 0) ) (3.87)
Cálculo da densidade do polipropileno (polímero)
ρ pol =1 ⋅10-3 ⋅ [6.802 ⋅102 + 1.8190 ⋅ T -3.575 ⋅10-3 ⋅ T 2 ] (3.88)
Cálculo da densidade inicial do polipropileno (polímero)
ρ pol( 0) = ρ pol (T(0) ) (3.89)
Esse modelo também foi utilizado para a estimação de parâmetros conjuntamente com
a técnica de reconciliação de dados. Apesar dos valores constantes das equações abaixo, as
mesmas foram inseridas na matriz de ocorrência e utilizadas no procedimento de estimação de
parâmetros utilizando a reconciliação de dados.
Variação de entalpia
∆H = 594, 27 (3.90)
Solúvel em xileno de referência
XS R = 4,83 (3.91)
Fração mássica de propano
wa = 0, 004 (3.92)
Constante de iniciação
Kd = 2 (3.93)
Parâmetro da equação do xileno(ganho linear)
K XS = 5,561 (3.94)
Parâmetro da equação do índice de fluidez
K 0 = 2, 262 ⋅1018 (3.95)
Parâmetro da equação do índice de fluidez
λ = −3, 2418 (3.96)
Parâmetro da equação do peso molecular instantâneo
γ = 2 ⋅10−4 (3.97)
Fator de reciclo do TEA
α = 0, 0002 (3.98)
Índice de polidispersão
PD = 3,5 (3.99)
95
De forma a classificar as variáveis do processo, deve-se primeiro estabelecer que
informações (variáveis) devem ser fornecidas ao conjunto de equações de balanço; ou seja,
estabelecer a seqüência de cálculo das equações, utilizando as informações disponíveis,
conforme descrito na sistemática proposta na Seção 3.1. Após a obtenção da classificação de
todas as variáveis, obtém-se uma grande quantidade de informações sobre o processo em
estudo. O algoritmo implementado já havia sido testado para um exemplo teórico de uma
polimerização típica via radicais livres (OLIVEIRA JUNIOR, 2004b) e demonstrou robustez
para os exemplos testados. Faz-se necessária a existência de fluxograma dos dados industriais
e de um modelo fenomenológico para a classificação de variáveis.
A questão, agora, passa a ser como usar as variáveis classificadas e todas as

informações disponíveis do processo após essa classificação. Em um processo industrial
existem os mais diversos tipos de problemas a resolver e os objetivos variam de um processo
para outro. Algumas possibilidades são:
I. Minimização da quantidade de instrumentos existente no processo, visando a

redução de custos. Assim, deseja-se que todas as variáveis não medidas possam ser
determinadas. Desta forma, pode-se selecionar o número mínimo de medidas de modo a fazer
com que as variáveis não medidas estejam inseridas no conjunto de variáveis observáveis.
II. Em geral, deseja-se que todos os parâmetros sejam observáveis. Contudo, o
conhecimento de alguns deles pode ser imprescindível ao bom andamento do processo e à
melhoria dos resultados operacionais da planta industrial. Conseqüentemente, alguns
parâmetros do modelo de processo devem ser inseridos no conjunto de variáveis medidas de
modo a minimizar o esforço computacional e otimizar a estratégia de reconciliação de dados.
III. Checar a precisão de parâmetros necessários ao processo e ajustar quando for
necessário.
O sistema apresenta 55 variáveis medidas e 50 variáveis não medidas. Essas variáveis

podem ser observadas no Quadro 3.7. Todas as variáveis constantes cujos valores já eram
conhecidos foram consideradas como variáveis medidas e, também, fizeram parte da matriz
de ocorrência (Equações 3.90 -3.99).
Após, todas essas considerações, a matriz de ocorrência passou a ser escrita conforme
pode ser vista na Tabela 3.3.
96
Quadro 3.7 Variáveis medidas e variáveis não medidas
Variáveis medidas Variáveis não medidas
Vazões
me , mrec , mcat , mTEA , mPEEB , m pol , m purga , me , meB , mw
A
mlama , mlama(0)
me(0) , mrec(0) , mcat(0) , mTEA(0) , mPEEB(0) , m pol(0) ,
m purga(0) , meA(0) , meB(0) , mw(0)
Tempo
t
Nível
L, L( 0)
Volume
V , V( 0)
Pressão
PH 2 , PH 2(0)
Temperatura
e rec s e
T , T , T , TA , TB , T , T ,
e e w w
Te(e0) , T( 0) , Te(rec0) , TA( 0) , TB( 0) , Tws( 0) , Twe( 0)

Propriedades
MI , MI ( 0) , XS , XS( 0) M nI , M wac , M nac
M nI(0) , M wac(0) , M nac(0)
Concentração
Ca , Ca(0)
Massa
M , Pe, Pa, Cat , Pol , PEEB, TEA
M ( 0) , Pe( 0) , Pe( 0) , Cat( 0) , Pol( 0)
PEEB( 0) , TEA( 0)
Densidade
ρe , ρ a , ρ pol
ρe( 0) , ρ a (0) , ρ pol( 0)
Calor específico e calor latente
λe , C p ,C p , C p , C p
e a pol w
λe( 0) , C pe , C pa , C p pol , C p w
(0) ( 0) (0) ( 0)
Número de moles
N , N (0)
Outras variáveis
Q2 , wpol , Rpol , Q2( 0) , wpol( 0) , Rpol( 0) , K p , C
97
Tabela 3.3. Matriz de Incidência do processo de polimerização de propeno
EQ/VAR t Pa(0) Pe(0) Pol(0) Cat(0) TEA(0) PEEB(0) N(0) M(0) V(0) L(0) PH2(0) Q2(0) Wpol(0) me(0) mrec(0) mpurga(0) mcat(0) mTEA(0) mPEEB(0) mpol(0) mlama(0) meA(0) meB(0) mw(0) T(0) Tee(0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
3.36 1 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0
3.37 1 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0
3.38 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
3.39 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.40 0 0 1 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.41 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0
3.42 1 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0
3.43 1 1 1 1 0 1 0 0 0 0 0 0 0 0 0 0 1 0 1 0 1 0 0 0 0 0 0
3.44 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.45 0 1 1 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.46 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.47 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.48 1 0 0 1 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.49 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
3.50 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.51 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.52 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.53 0 1 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.54 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.55 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.56 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.57 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.58 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.59 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 1 0 1 0
3.60 1 1 1 1 0 0 0 0 0 0 0 0 1 0 1 1 0 0 0 0 0 0 0 0 0 1 1
3.61 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.62 0 1 1 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.63 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.64 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
3.65 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.66 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 0 0 0 0 1 0 0 0 0 0
3.67 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.68 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 1 0 0 0 0 0
3.69 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.70 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.71 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.72 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.73 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0
3.74 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.75 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
3.76 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.77 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
3.78 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.79 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
3.80 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.81 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
3.82 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.83 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
3.84 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.85 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
3.86 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.87 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
3.88 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.89 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
3.90 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.91 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.92 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.93 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.94 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.95 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.96 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.97 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.98 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.99 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
EQ/VAR Terec(0) TeA(0) TeB(0) Twe(0) Tws(0) XS(0) MI(0) MnI(0) MnAC(0) MwAC(0) Ca(0) Le(0) rhoe(0) rhoa(0) rhopol(0) Cpe(0) Cpa(0) Cppol(0) Cpw(0) Pa Pe Pol Cat TEA PEEB N M V L PH2 Q2 DH
28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59
3.36 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0
3.37 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0
3.38 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
3.39 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 1 0 0 0 0 0
3.40 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.41 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0
3.42 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0
3.43 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 1 0 0 0 0 0 0 0 0
3.44 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 1 0 0 0 0
3.45 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.46 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0
3.47 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.48 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 0 0 0 0 0 0 0
3.49 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
3.50 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 1 0 0
3.51 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0
3.52 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.53 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.54 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.55 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.56 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.57 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.58 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
3.59 0 1 1 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.60 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 1 1 1 0 0 0 0 0 0 0 0 1 1
3.61 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 1 0 0 0 0 0
3.62 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.63 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0
3.64 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.65 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.66 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.67 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.68 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.69 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0
3.70 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.71 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0
3.72 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
3.73 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
3.74 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.75 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.76 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.77 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.78 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.79 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.80 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.81 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.82 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.83 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
3.84 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.85 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.86 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.87 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.88 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.89 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.90 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
3.91 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.92 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.93 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.94 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.95 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.96 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.97 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.98 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.99 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
EQ/VAR Rpol Wpol me mrec mpurga mcat mTEA mPEEB mpol mlama meA meB mw T Tee Terec TeA TeB Twe Tws XS XSR MI MnI MnAC MwAC PD wa Ca Le rhoe rhoa rhopol Rpol(0) Cpe Cpa
60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95
3.36 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
3.37 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0
3.38 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0
3.39 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.40 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0
3.41 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.42 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.43 0 0 0 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.44 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0
3.45 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.46 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.47 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.48 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0
3.49 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 1 0 0
3.50 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
3.51 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
3.52 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0
3.53 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.54 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.55 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
3.56 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0
3.57 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.58 0 0 0 0 0 0 0 0 0 0 1 1 0 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0
3.59 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.60 1 0 1 1 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1
3.61 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.62 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.63 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.64 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.65 0 1 0 1 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.66 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.67 0 1 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.68 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.69 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
3.70 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.71 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.72 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.73 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.74 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
3.75 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.76 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
3.77 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.78 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
3.79 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.80 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.81 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.82 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.83 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.84 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0
3.85 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.86 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0
3.87 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.88 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0
3.89 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.90 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.91 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.92 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
3.93 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.94 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.95 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.96 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.97 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.98 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.99 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
EQ/VAR Cppol Cpw Kp Kd Kxs K0 La C G alfa
96 97 98 99 100 101 102 103 104 105 Legenda:
3.36 0 0 0 0 0 0 0 0 0 0
3.37 0 0 0 0 0 0 0 0 0 0 Variáveis medidas
3.38 0 0 0 0 0 0 0 0 0 0
3.39 0 0 1 0 0 0 0 0 0 0 Variáveis não medidas
3.40 0 0 1 0 0 0 0 0 0 0
3.41 0 0 0 1 0 0 0 0 0 0 Número da equação
3.42 0 0 0 0 0 0 0 0 0 0
3.43 0 0 0 0 0 0 0 0 0 1
3.44 0 0 0 0 0 0 0 0 0 0
3.45 0 0 0 0 0 0 0 0 0 0
3.46 0 0 0 0 0 0 0 0 0 0
3.47 0 0 0 0 0 0 0 0 0 0
3.48 0 0 0 0 1 0 0 0 0 0
3.49 0 0 0 0 0 0 0 0 0 0
3.50 0 0 0 0 0 0 0 1 1 0
3.51 0 0 0 0 0 0 0 0 0 0
3.52 0 0 0 0 0 0 0 0 0 0
3.53 0 0 0 0 0 0 0 1 1 0
3.54 0 0 0 0 0 0 0 0 0 0
3.55 0 0 0 0 0 0 0 0 0 0
3.56 0 0 0 0 0 1 1 0 0 0
3.57 0 0 0 0 0 1 1 0 0 0
3.58 0 0 0 0 0 0 0 0 0 0
3.59 0 0 0 0 0 0 0 0 0 0
3.60 1 0 0 0 0 0 0 0 0 0
3.61 0 0 0 0 0 0 0 0 0 0
3.62 0 0 0 0 0 0 0 0 0 0
3.63 0 0 0 0 0 0 0 0 0 0
3.64 0 0 0 0 0 0 0 0 0 0
3.65 0 0 0 0 0 0 0 0 0 0
3.66 0 0 0 0 0 0 0 0 0 0
3.67 0 0 0 0 0 0 0 0 0 0
3.68 0 0 0 0 0 0 0 0 0 0
3.69 0 0 0 0 0 0 0 0 0 0
3.70 0 0 0 0 0 0 0 0 0 0
3.71 0 0 0 0 0 0 0 0 0 0
3.72 0 1 0 0 0 0 0 0 0 0
3.73 0 0 0 0 0 0 0 0 0 0
3.74 0 0 0 0 0 0 0 0 0 0
3.75 0 0 0 0 0 0 0 0 0 0
3.76 0 0 0 0 0 0 0 0 0 0
3.77 0 0 0 0 0 0 0 0 0 0
3.78 0 0 0 0 0 0 0 0 0 0
3.79 0 0 0 0 0 0 0 0 0 0
3.80 1 0 0 0 0 0 0 0 0 0
3.81 0 0 0 0 0 0 0 0 0 0
3.82 0 1 0 0 0 0 0 0 0 0
3.83 0 0 0 0 0 0 0 0 0 0
3.84 0 0 0 0 0 0 0 0 0 0
3.85 0 0 0 0 0 0 0 0 0 0
3.86 0 0 0 0 0 0 0 0 0 0
3.87 0 0 0 0 0 0 0 0 0 0
3.88 0 0 0 0 0 0 0 0 0 0
3.89 0 0 0 0 0 0 0 0 0 0
3.90 0 0 0 0 0 0 0 0 0 0
3.91 0 0 0 0 0 0 0 0 0 0
3.92 0 0 0 0 0 0 0 0 0 0
3.93 0 0 0 1 0 0 0 0 0 0
3.94 0 0 0 0 1 0 0 0 0 0
3.95 0 0 0 0 0 1 0 0 0 0
3.96 0 0 0 0 0 0 1 0 0 0
3.97 0 0 0 0 0 0 0 0 1 0
3.98 0 0 0 0 0 0 0 0 0 1
3.99 0 0 0 0 0 0 0 0 0 0
O processo de classificação apresentou os seguintes resultados conforme Quadro 3.8:
Quadro 3.8 Resultado de Classificação de variáveis
Variáveis medidas:
1 11 12 15 16 17 18 19 20 21 23 24 25 26 27 28 29 30 31 32 33 34 38 56
57 59 62 63 64 65 66 67 68 70 71 72 73 74 75 76 77 78 79 80 81 82 86 87
88 99 100 101 102 104 105
2 3 4 5 6 7 8 9 10 13 14 22 35 36 37 39 40 41 42 43 44 45 46 47 48
49 50 51 52 53 54 55 58 60 61 69 83 84 85 89 90 91 92 93 94 95 96 97 98
103
2 3 4 5 6 7 8 9 10 13 14 22 35 36 37 39 40 41 42 43 44 45 46 47 48 49
50 51 52 53 54 55 58 60 61 69 83 84 85 89 90 91 92 93 94 95 96 97 98 103
SISTEMA TOTALMENTE DETERMINAVEL
1 11 12 15 16 17 18 19 20 23 24 25 27 28 29 30 31 32 33 34 38 56 57 59 62 63 65 66 67
70 71 72 74 75 76 77 78 79 80 81 82 86 87 88 99 100 101 102 104 105
21 26 64 68 73
O algoritmo desenvolvido nesse trabalho apresentou robustez para um sistema de

equações algébrico diferenciais com mais de 100 variáveis em dois instantes de tempo
diferentes. Com o resultado da classificação de variáveis apresentado no Quadro 3.8,
consegue-se conhecer todo o sistema e verificar quais variáveis são imprescindíveis para a
reconciliação dos dados e estimação dos parâmetros. As variáveis medidas não redundantes
são aquelas que obrigatoriamente precisam ser informadas para a resolução do sistema. Foram
elas:
102
21 e 68 – ( m pol(0) e m pol ).As vazões de polímero produzido no instante inicial e no
instante final são necessárias para o ajuste do balanço de massa no reator.

Essas vazões não podem ser calculadas pelo modelo matemático
construído. Elas obrigatoriamente devem ser mensuradas. Esse é um ponto
muito importante, porque essas medidas são disponibilizadas no ambiente
de produção com baixa precisão.
64 – ( m purga ).A vazão de purga é importante para completar o balanço de massa no
reator. Essa vazão não pode ser calculada pelo modelo matemático
construído. Ela serve para controlar a concentração de lama do reator.
Com ela, calcula-se a concentração de lama instantânea, corrige-se o valor
de acordo com o set-point do painel de controle. Além disso, a vazão de
purga auxilia na operacionalidade da planta, podendo indicar obstrução no
tubo despressurizador, sinalizando que o fluxo de gás de arraste do pó não
está adequado.Novamente, esse é um ponto muito importante, porque essa
variável é muito perturbada no ambiente de produção.
26 e 73 – ( T(0) e T ). As temperaturas do reator no instante inicial e no instante final são
necessárias para o ajuste do balanço de energia do sistema. Elas

obrigatoriamente devem ser mensuradas. Essas variáveis são vitais párea o
controle do polipropileno produzido e segurança do processo.
O algoritmo proposto difere dos demais utilizados na literatura aberta pois, após as
exclusões iniciais das ocorrências individuais das linhas e colunas, procuram-se subconjuntos
otimizados através da variável de corte. Isto possibilita superar dificuldades combinatoriais
associadas a grandes sistemas, onde todas as combinações possíveis de linhas e colunas
elegíveis provocariam um consumo de tempo proibitivo. Outro ponto importante é a
construção de um algoritmo de classificação para modelos dinâmicos constituídos de
equações algébricas e diferenciais. Tal algoritmo possibilitou conhecer o sistema de
polimerização estudado. O código permitiu verificar que o sistema está totalmente
determinável e adequado para o processo de reconciliação e estimação.
103
3.4.1)Caracterização da importância da classificação
Pode-se observar em seções anteriores que a classificação é importante para uma

estratégia adequada de solução do modelo. Inicialmente, resolveu-se trabalhar com o modelo
desenvolvido por PRATA (2005), que contemplava apenas os balanços de massa. Tal estudo
foi realizado para ratificar a necessidade da classificação de variáveis antes da reconciliação
propriamente dita.
O modelo é bastante semelhante ao desenvolvido na seção anterior, eliminando os

termos de energia. O sistema possui 76 variáveis e 47 equações, cuja matriz de ocorrência
pode ser representada pela Tabela 3.4. Vale frisar que as Equações 3.58; 3.59; 3.60; 3.71;
3.72; 3.73; 3.74; 3.75; 3.76; 3.77; 3.78; 3.79; 3.80; 3.81; 3.82; 3.83; 3.90 foram excluídas. O
resultado da classificação da Tabela 3.4 pode ser representado pelo Quadro 3.9
Quadro 3.9 Resultado de classificação de variáveis sem os termos de energia.
Variáveis medidas:
1 11 12 14 15 16 17 18 19 20 22 23 27 41 42 45 46 47 48 49 50 51 53 55
61 75 76
2 3 4 5 6 7 8 9 10 13 21 24 25 26 28 29 30 31 32 33 34 35 36 37 38
39 40 43 44 52 54 56 57 58 59 60 62 63 64 65 66 67 68 69 70 71 72 73 74
2 3 4 5 6 8 9 10 13 21 25 26 28 29 30 31 32 33 35 36 37 38 39 40 44
52 54 56 57 58 59 60 62 63 64 65 66 67 68 69 70 71 72 73 74
Variáveis não medidas indetermináveis
7 24 34 43
Não existe variável que possa ser calculada através das equações 29, 30, 31, 32
Grau de sobredeterminação final: 4
1 11 12 14 15 17 18 19 22 23 27 41 42 45 46 48 49 50 53 55 61 76
16 20 47 51 75
104
Tabela 3.4. Matriz de Incidência do processo de polimerização de propeno sem os termos de energia
EQ/VAR t Pa(0) Pe(0) Pol(0) Cat(0) TEA(0) PEEB(0) N(0) M(0) V(0) L(0) PH2(0) Wpol(0) me(0) mrec(0) mpurga(0) mcat(0) mTEA(0) mPEEB(0) mpol(0) mlama(0) XS(0) MI(0) MnI(0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
3.36 1 1 1 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0
3.37 1 1 1 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0
3.38 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0
3.39 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.40 0 0 1 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.41 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0
3.42 1 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0
3.43 1 1 1 1 0 1 0 0 0 0 0 0 0 0 0 1 0 1 0 1 0 0 0 0
3.44 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.45 0 1 1 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.46 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.47 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0
3.48 1 0 0 1 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0
3.49 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1
3.50 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.51 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.52 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.53 0 1 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1
3.54 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.55 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.56 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.57 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
3.61 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.62 0 1 1 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.63 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.64 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
3.65 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.66 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 0 0 0 0 1 0 0 0
3.67 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.68 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 1 0 0 0
3.69 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.70 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.84 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.85 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.86 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.87 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.88 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.89 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.91 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.92 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.93 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.94 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.95 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.96 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.97 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.98 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.99 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
EQ/VAR MnAC(0) MwAC(0) Ca(0) Le(0) rhoe(0) rhoa(0) rhopol(0) Pa Pe Pol Cat TEA PEEB N M V L PH2 Rpol Wpol me mrec mpurga mcat mTEA mPEEB mpol mlama XS
25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53
3.36 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0
3.37 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 1 0 1 0 1 0 0 0 0 0 0
3.38 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0
3.39 0 0 0 0 0 0 0 0 1 0 1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0
3.40 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.41 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0
3.42 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0
3.43 0 0 0 0 0 0 0 1 1 1 0 1 0 0 0 0 0 0 0 0 0 0 1 0 1 0 1 0 0
3.44 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
3.45 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.46 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0
3.47 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.48 0 0 0 0 0 0 0 0 0 1 0 1 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1
3.49 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0
3.50 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
3.51 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.52 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.53 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.54 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.55 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.56 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.57 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.61 0 0 0 0 0 0 0 1 1 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.62 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.63 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0
3.64 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.65 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 0 0 0 0 1 0
3.66 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.67 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 1 0
3.68 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.69 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.70 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.84 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.85 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.86 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.87 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.88 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.89 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.91 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.92 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.93 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.94 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.95 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.96 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.97 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.98 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.99 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
EQ/VAR XSR MI MnI MnAC MwAC PD wa Ca Le rhoe rhoa rhopol Rpol(0) Kp Kd Kxs K0 La C G alfa T(0) T
54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76
3.36 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Legenda:
3.37 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
3.38 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 Variáveis medidas
3.39 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
3.40 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 Variáveis não medidas
3.41 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
3.42 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Número da equação
3.43 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0
3.44 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0
3.45 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.46 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.47 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.48 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0
3.49 0 0 1 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
3.50 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0
3.51 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.52 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.53 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0
3.54 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.55 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.56 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0
3.57 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0
3.61 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.62 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.63 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.64 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.65 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.66 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.67 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.68 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.69 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.70 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.84 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1
3.85 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
3.86 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1
3.87 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
3.88 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1
3.89 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
3.91 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.92 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.93 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
3.94 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
3.95 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
3.96 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0
3.97 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0
3.98 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0
3.99 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
O resultado mostrou que existiam quatro variáveis indetermináveis, foram elas:
• Massa inicial de PEEB no instante zero
• Peso molecular instantâneo no instante zero
• Massa de polímero
• Taxa de polimerização
O resultado é bem interessante pois a massa de PEEB e de polímero são algumas das
variáveis a serem estimadas. Da forma que está escrito o modelo, o sistema era não
reconciliável, sendo necessário um ajuste que foi o acréscimo de uma equação para iniciar a
quantidade de PEEB no processo, já que não havia redundância suficiente para a resolução do
sistema algébrico diferencial. Assim, foi adicionada a equação 3.71.
Vale frisar que o acréscimo desta equação de inicialização do PEEB é bastante

razoável, pois a massa de PEEB é muito menor que as massas de propeno, propano e
polímero. Desta forma, foi acrescentada a Equação 3.71 de forma que a matriz de ocorrência
possuía agora 48 equações e 76 variáveis. Com esse acréscimo, o sistema tornou-se
totalmente determinável como pode ser visto no Quadro 3.10. Ficou verificada a importância
da classificação para o procedimento de reconciliação. A estimação de um estado como
parâmetro torna o sistema reconciliável.
Após uma análise mais criteriosa, percebe-se que na verdade não é que não exista
redundância. O código de classificação informou que o grau de redundância era quatro -
quatro equações não foram usadas no algoritmo e foram assim indicadas:

m pol = mlama ⋅ wpol (3.67)

m pol(0) = mlama(0) ⋅ wpol(0) (3.68)
Cálculo da concentração de propano:

Pa
Ca = (3.69)
Pa + Pe
108
Cálculo da concentração inicial de propano:
Pa(0)
Ca(0) = (3.70)
Pa(0) + Pe(0)
Apesar de essas equações constarem no modelo, elas possuem mais um caráter

operacional do ponto de vista de resolução do modelo. Servem para estimar a concentração de
propano no reciclo e vazão de polímero existente na lama reacional, que são importantíssimos
fatores operacionais. Tanto o mpol (vazão de polímero) como o Ca (fração de propano) são
variáveis medidas no processo de polimerização da unidade de Duque de Caxias. Para
confirmar o resultado obtido, as equações 3.67-3.70 foram retiradas da matriz e foi realizada
nova simulação. O resultado mostrou que as variáveis continuavam indetermináveis e não
havia mais nenhuma equação a ser utilizada.
O balanço de energia muda a característica estrutural do sistema. Torna necessária a

estimação de estados iniciais. Isso pode ser entendido em termos de taxa de polimerização,
uma vez que o balanço de energia permite estimar as taxas de reação, e assim, todas as demais
variáveis.
Quadro 3.10.Resultado de classificação de variáveis sem os termos de energia e com a

equação de inicialização do PEEB.
Variáveis medidas:
1 11 12 14 15 16 17 18 19 20 22 23 27 41 42 45 46 47 48 49 50 51 53 55
61 75 76
2 3 4 5 6 7 8 9 10 13 21 24 25 26 28 29 30 31 32 33 34 35 36 37 38
39 40 43 44 52 54 56 57 58 59 60 62 63 64 65 66 67 68 69 70 71 72 73 74
2 3 4 5 6 7 8 9 10 13 21 24 25 26 28 29 30 31 32 33 34 35 36 37 38 39
40 43 44 52 54 56 57 58 59 60 62 63 64 65 66 67 68 69 70 71 72 73 74
1 11 12 14 15 17 18 19 22 23 27 41 42 45 46 48 49 50 53 55 61 76
16 20 47 51 75
109
Realmente era necessária uma equação para a inicialização da quantidade PEEB. Isso
pode ser feito através da equação, já que a medição apenas da variável não foi suficiente para
tornar o sistema determinável. O modelo continuou com três variáveis indeterminadas (Peso
molecular instantâneo no instante zero, massa de polímero e taxa de polimerização). Outro
ponto a destacar do algoritmo de classificação é a qualidade da informação propiciada ao
usuário (engenheiro/pesquisador), que possibilita a verificação do que é necessário para tornar
o sistema totalmente determinável. As medições das taxas de polimerização e peso molecular
instantâneo seriam impossíveis. A medição da quantidade de polímero seria mais difícil,
devido ao alto volume produzido. Uma opção plausível é a medição da quantidade de PEEB,
que apresenta valores plausíveis de medição.
3.4.2) Caracterização da importância do estado inicial
Uma das inovações desta nova abordagem do código de classificação implementado é

a construção da matriz de ocorrência para equações diferenciais. Como pode ser visto na
Seção 3.1., uma equação diferencial gera variáveis em dois instantes de tempos diferentes.
Assim, faz-se necessário caracterizar a importância dos mesmos, de forma a tornar o sistema
totalmente determinável.
Uma simulação foi realizada sem as medições das condições iniciais. Desta forma, o
sistema passou a possuir o mesmo número total de equações e variável, reduzindo apenas o
número de variáveis medidas, que passou de 55 para 33. O resultado pode ser visto no Quadro
3.11.
Pode-se observar que a equação do fator de reciclo não foi utilizada após a
implementação do código de classificação. Vale frisar que esse fator é um parâmetro que vem
sendo considerado constante ao longo de todas as simulações. Além disso, é verificado que
apesar do grau de sobredeterminação existente, ainda existem 20 variáveis indetermináveis, o
que torna o problema de reconciliação não resolvível. Fica, portanto, caracterizada a enorme
importância da medida de certas variáveis de estado ao longo das amostragens, para se obter
um sistema resolvível.
Outro ponto que merece destaque é que apenas as vazões de polímero produzido,
vazões de purga no instante t, e a temperatura no mesmo instante são imprescindíveis para
110
uma completa classificação da matriz de ocorrência, fato esse que corrobora com o resultado
da classificação completa do sistema de polimerização do propeno.
Quadro 3.11.Resultado de classificação de variáveis sem as variáveis do estado inicial.
Variáveis medidas:
1 56 57 59 62 63 64 65 66 67 68 70 71 72 73 74 75 76 77 78 79 80 81 82
86 87 88 99 100 101 102 104 105
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
51 52 53 54 55 58 60 61 69 83 84 85 89 90 91 92 93 94 95 96 97 98 103
2 7 8 9 10 11 12 14 15 16 18 19 20 22 28 30 32 33 34 37 38 39 40 41
42 43 44 45 46 47 48 50 53 54 55 58 61 69 83 84 85 89 90 91 92 93 94 95
96 97 98 103
3 4 5 6 13 17 21 23 24 25 26 27 29 31 35 36 49 51 52 60
Não existe variável que possa ser calculada através das equações 63
1 56 57 59 62 63 65 66 67 70 71 72 74 75 76 77 78 79 80 81 82 86 87 88
99 100 101 102 104 105
64 68 73
3.4.3)Caracterização da importância das variáveis de qualidade
Foram realizadas diversas simulações com o intuito de avaliar a importância das

variáveis de qualidade para a completa classificação do processo. Nessa etapa, a sistemática
utilizada foi a adoção de parâmetros importantes para a qualidade do polipropileno produzido.
Um dos parâmetros é o índice de fluidez (MI). Nesse cenário, foi admitida que não se possuía
111
a informação sobre o valor do MI, o que resultou em um sistema com 53 variáveis medidas e
mesmo número de equações e variáveis utilizadas na Tabela 3.3.
O resultado está apresentado no Quadro 3.12. Com base nesse quadro, percebe-se que
o sistema não é reconciliável sem a medição do MI. Os pesos moleculares em número
instantâneos e acumulados não conseguem ser estimados através de outras equações, bem
como a taxa de polimerização. Esses resultados são bastante coerentes, tendo em vista a
intrínseca relação existente entre os pesos moleculares e a correlação empírica utilizada para
os cálculos do índice de fluidez. Esse é um resultado surpreendente. Observa-se que as
variáveis de qualidade podem permitir o fechamento dos balanços de massa e energia.
Quadro 3.12.Resultado de classificação de variáveis sem medição do índice de fluidez (MI).

Variáveis medidas:
1 11 12 15 16 17 18 19 20 21 23 24 25 26 27 28 29 30 31 32 33 38 56 57
59 62 63 64 65 66 67 68 70 71 72 73 74 75 76 77 78 79 80 81 86 87 88 99
100 101 102 104 105
2 3 4 5 6 7 8 9 10 13 14 22 34 35 36 37 39 40 41 42 43 44 45 46 47
48 49 50 51 52 53 54 55 58 60 61 69 82 83 84 85 89 90 91 92 93 94 95 96
97 98 103
2 3 4 5 6 7 8 9 10 13 14 22 34 37 39 40 41 42 43 44 45 46 47 48 49
50 51 52 53 54 55 58 61 69 82 83 85 89 90 91 92 93 94 95 96 97 98 103
35 36 60 84
1 11 12 15 16 17 18 19 20 23 24 25 27 28 29 30 31 32 33 38 56 57 59 62 63 65 66 67 70
71 72 74 75 76 77 78 79 80 81 86 87 88 99 100 101 102 104 105
21 26 64 68 73
112
Outro parâmetro importante para avaliação das condições operacionais do processo e
do polímero produzido é o XS. Simulação foi realizada considerando a inexistência dos
valores medidos de solúveis em xileno. O resultado está mostrado no Quadro 3.13.
Quadro 3.13.Resultado de classificação de variáveis sem medição de solúveis em xileno(XS).
Variáveis medidas:
1 11 12 15 16 17 18 19 20 21 23 24 25 26 27 28 29 30 31 32 34 38 56 57
59 62 63 64 65 66 67 68 70 71 72 73 74 75 76 77 78 79 81 82 86 87 88 99
100 101 102 104 105
2 3 4 5 6 7 8 9 10 13 14 22 33 35 36 37 39 40 41 42 43 44 45 46 47
48 49 50 51 52 53 54 55 58 60 61 69 80 83 84 85 89 90 91 92 93 94 95 96
97 98 103
2 3 4 5 7 8 9 10 13 14 22 36 37 39 40 41 42 43 44 45 46 47 48 49 50
51 52 53 54 55 58 61 69 80 83 84 85 89 90 91 92 93 94 95 96 97 98 103
6 33 35 60
1 11 12 15 16 17 18 19 20 23 24 25 27 28 29 30 31 32 34 38 56 57 59 62 63 65 66 67 70
71 72 74 75 76 77 78 79 81 82 86 87 88 99 100 101 102 104 105
21 26 64 68 73
Pode-se observar pelo resultado do Quadro 3.13 a impossibilidade de determinação do

valor de solúveis em xileno no instante inicial e a taxa de polimerização do processo. A
correlação desenvolvida por OLIVEIRA JR e PINTO (1999) na Equação 3.13 demonstram a
relação existente entre o XS e as quantidades de PEEB, TEA, quantidade de polímero
produzida e taxa de polimerização. Com o modelo formulado, faz-se necessário a medição da
quantidade de TEA e do peso molecular instantâneo no instante inicial. É importante salientar
113
que o algoritmo é sensível à ordem das variáveis na matriz de ocorrência. Apesar de a
indeterminação estar localizada no instante inicial de TEA e XS, ela poderia estar no instante
t, desde que essas variáveis estivessem dispostas antes dos instantes iniciais. A exemplo do
que aconteceu com a ausência de medição do índice de fluidez, a ausência da informação do
solúveis em xileno também torna o problema não reconciliável.
Também foi realizada simulação considerando a omissão do índice de fluidez e

solúveis em xileno conjuntamente. Com essa nova abordagem, o sistema passou a contar com
apenas 51 variáveis medidas. O resultado da simulação encontra-se no Quadro 3.14 e,
analogamente aos resultados apresentados nos Quadros 3.12 e 3.13, apresentou um sistema
não passível de reconciliação, com seis variáveis impossibilitadas de estimação.
Quadro 3.14.Resultado de classificação de variáveis sem medição de MI e XS.

Variáveis medidas:
1 11 12 15 16 17 18 19 20 21 23 24 25 26 27 28 29 30 31 32 38 56 57 59
62 63 64 65 66 67 68 70 71 72 73 74 75 76 77 78 79 81 86 87 88 99 100
101 102 104 105
2 3 4 5 6 7 8 9 10 13 14 22 33 34 35 36 37 39 40 41 42 43 44 45 46
47 48 49 50 51 52 53 54 55 58 60 61 69 80 82 83 84 85 89 90 91 92 93 94
95 96 97 98 103
2 3 4 5 7 8 9 10 13 14 22 34 37 39 40 41 42 43 44 45 46 47 48 49 50
51 52 53 54 55 58 61 69 80 82 83 85 89 90 91 92 93 94 95 96 97 98 103
6 33 35 36 60 84
1 11 12 15 16 17 18 19 20 23 24 25 27 28 29 30 31 32 38 56 57 59 62 63 65 66 67 70 71
72 74 75 76 77 78 79 81 86 87 88 99 100 101 102 104 105
21 26 64 68 73
114
3.4.4)Caracterização da importância do acréscimo de mais um instante de
tempo
Com a adoção da estratégia de sistematizar a matriz de ocorrência com dois instantes

de tempo para as equações diferenciais, resta a dúvida do que aconteceria com o sistema se
aumentasse a redundância temporal com mais um instante de tempo. Essa aproximação é
bastante válida, pois em ambientes industriais existe uma grande quantidade de dados em
diversos instantes de tempo.
Quadro 3.15.Resultado de classificação de variáveis em dois instantes de tempo.
Variáveis medidas:
1 11 12 15 16 17 18 19 20 21 23 24 25 26 27 28 29 30 31 32 33 34 38 56
57 59 62 63 64 65 66 67 68 70 71 72 73 74 75 76 77 78 79 80 81 82 86 87
88 99 100 101 102 104 105 106 116 117 120 121 122 123 124 125 126 128 129 130
131 132 133 134 135 136 137 138 139 143
2 3 4 5 6 7 8 9 10 13 14 22 35 36 37 39 40 41 42 43 44 45 46 47 48
49 50 51 52 53 54 55 58 60 61 69 83 84 85 89 90 91 92 93 94 95 96 97 98
103 107 108 109 110 111 112 113 114 115 118 119 127 140 141 142 144 145 146 147
148 149 150 151 152
2 3 4 5 6 7 8 9 10 13 14 22 35 36 37 39 40 41 42 43 44 45 46 47 48
49 50 51 52 53 54 55 58 60 61 69 83 84 85 89 90 91 92 93 94 95 96 97 98
103 107 108 109 110 111 112 113 114 115 118 119 127 140 141 142 144 145 146 147
148 149 150 151 152
1 11 12 15 16 17 18 19 20 23 24 25 27 28 29 30 31 32 33 34 38 56 57 59 62 63 65 66 67
70 71 72 74 75 76 77 78 79 80 81 82 86 87 88 99 100 101 102 104 105 116 117 120 121
123 124 125 128 129 130 132 133 134 135 136 137 138 139 143
21 26 64 68 73 106 122 126 131
115
Com esse novo panorama, construiu-se uma nova matriz de ocorrência que agora
estava composta de 96 equações e 152 variáveis. De forma a evitar uma repetição de equações
e facilitar o entendimento do algoritmo de classificação, optou-se por apresentar as equações
complementares do modelo com dois instantes de tempo e a matriz de ocorrência no
Apêndice V. O resultado encontra-se no Quadro 3.15.
Nota-se no Quadro 3.15 que o circuito é totalmente conhecido e que todas as variáveis
medidas são observáveis. Não houve variáveis indetermináveis. Nota-se também que todas as
equações foram utilizadas. Esperava-se que houvesse um aumento significativo de
redundância com o acréscimo de outro instante de tempo; todavia, percebeu-se que apenas as
variáveis listadas abaixo eram não redundantes, ou seja, as mesmas não podem ser estimadas
através do modelo formulado. As variáveis obrigatoriamente devem ser informadas para
caracterização completa do sistema.
• Vazão de polímero nos diversos instantes de tempo estudados;
• Temperatura do reator nos diversos instantes de tempo estudados;
• Vazão de purga nos diversos instantes de tempo estudados;
Salienta-se que outras diversas simulações foram realizadas para verificar a

confiabilidade do código, desde ausência da medida de nível até ausência de medições de
temperatura no sistema de resfriamento do reator. Apesar do aparente conhecimento de
determinações de ordem de precedência ou classificação de variáveis através de técnicas
grafológicas ou matriciais, a abordagem criada e proposta diferencia-se pelo uso em sistemas
dinâmicos, com a adoção de uma sistemática de fácil entendimento e que possibilita uma
identificação estrutural de modelo fenomenológico ou empírico criado para ambientes
acadêmicos ou industriais desde que o seu índice não seja superior a um.
Apesar do caráter inovador do código e do mesmo ter se mostrado eficiente para a

classificação dos processos, ressalta-se que o mesmo somente foi testado para processos que
não estavam em linha e em tempo real. Todavia, ressalta-se que o mesmo pode ser utilizado
em linha em um ambiente produtivo desde que se faça necessário alguns ajustes, tais como:
melhoria da interface com o usuário, acoplamento da rotina de classificação a rotina de
reconciliação/estimação. A classificação de variáveis deve ser utilizada para fins de controle e
116
monitoramento de processo em linha visando um melhor gerenciamento operacional de toda e
qualquer unidade produtiva, pois propicia um conhecimento adequado das quantidades
mássicas envolvidas no processo, bem como podem prover informações úteis sobre as
variáveis de qualidade, como apresentado para o caso da polimerização de propeno.
117
Capítulo IV
ESTIMAÇÃO DE PARÂMETROS E
RECONCILIAÇÃO DE DADOS
A análise de desempenho de uma planta pode ser descrito por cinco etapas desde o
modelo matemático (BAGAJEWICZ, 2001):
1. Desenvolvimento do modelo teórico

2. Determinação dos dados necessários para medidas na planta
3. Análise dos dados para erros
4. Reconciliação dos dados
5. Interpretação dos dados reconciliados e ajuste do modelo
O desenvolvimento do modelo teórico já é coberto na literatura com diversos trabalhos

de modelagem (KELLY, 1998a, 1998b, WEISS et al., 1996, KRISHNAN et al., 1992,
PAGES et al., 1994). Historicamente, as etapas de 2 a 5 têm sido acompanhadas
individualmente por engenheiros de processo baseados em suas experiências. Isto leva a
concluir que, provavelmente, dois engenheiros podem ter duas diferentes interpretações.
Assim, um método formal para análise e interpretação do desempenho de plantas químicas e
petroquímicas torna-se necessário para minimizar o potencial de conclusões errôneas nas
etapas de projeto, operação, otimização e controle.
Antes de qualquer processo de otimização na planta ser realizado, a função objetivo

deve estar claramente definida. Adicionamente, as restrições operacionais da planta também
devem ser conhecidas. Além disso, um modelo realístico da planta deve estar disponível. Um
dos problemas de otimização industrial é a falta de um modelo da planta industrial para
otimização em linha. Normalmente, isso decorre do fato de que os fenômenos reais são
modelados com uma simplicidade muito grande e/ou de que o processo não é modelado na
sua totalidade (ALBERS, 1997). Por outro lado, existem as incertezas inerentes aos
118
parâmetros do modelo. Parâmetros como energias de ativação e demais parâmetros cinéticos
normalmente apresentam valores em condições industriais que diferem dos valores estimados
em condições laboratoriais. Finalmente, deve-se levar em consideração que os parâmetros
podem variar com o tempo durante a operação de uma unidade industrial.
A reconciliação de dados dinâmica tem sua raiz na estimação de estados de processo

usando o conceito de filtro. Posteriormente, o problema tem sido resolvido utilizando o
conceito de modelo baseado na reconciliação dos dados. Já se pode observar que o método de
ajuste convencional para a reconciliação é o de mínimos quadrados ponderados pela da matriz
de covariância, desde que as restrições sejam satisfeitas conforme mostrado nas Equações
(2.16-2.17). A principal hipótese dessa estratégia é que os erros seguem uma distribuição
gaussiana de acordo com a Figura 2.6. Quando essa hipótese é satisfeita, as estratégias
convencionais permitem boas estimativas do estado da planta sem ruídos.
Consideram-se os três tipos de problemas de estimação que são ilustrados na Figura

4.1. Admite-se que a estimação dos parâmetros do sistema é desejada no tempo t.
Dados usados para estimação t Filtro
Dados usados para estimação t Predição
Dados usados para estimação t Ajuste
Figura 4.1. Tipos de estimação (adaptado de BAGAJEWICZ, 2000)
Quando as medições são apenas anteriores ao tempo de predição t usado, incluindo a

medida no próprio tempo t, a estimação é chamada filtragem. Quando o tempo t não é
incluído, a estimação é chamada predição. Quando existem dados para tempos maiores que o
tempo t desejado, o processo é denominado reconciliação. Finalmente, quando medidas
discretas são utilizadas, os estimadores são chamados de estimadores discretos.
119
Existem várias técnicas de controle disponíveis para aplicação em sistemas de
polimerização. As maiores dificuldades estão associadas à modelagem dos sistemas e à
disponibilidade de instrumentação adequada para uso em linha. EMBIRUÇU et al. (1996) e
VIEIRA et al. (2003) demonstram a imensa distância entre a realidade da prática industrial e
o estado dos trabalhos acadêmicos desenvolvidos na área de polimerização. Segundo LENZI
(2002), o controle de processo dos sistemas de polimerização é dificultado pelos seguintes
fatores:
A inexistência de instrumentação apropriada para medição em tempo real e em

linha de diversas propriedades , tais como o índice de fluidez. Mesmo no caso em que há
instrumentação própria, a coleta e análise de amostras introduzem alguns atrasos e fontes de
erros às medidas (CHIEN e PENLIDIS, 1990).
Não obstante o alto grau de não linearidade (RAY e VILLA, 2000), a natureza
complexa e heterogênea dos processos poliméricos dificulta a sua modelagem, uma vez que
os parâmetros de processo são muitos e desconhecidos (EMBIRUCU et al., 2000;BOKIS et
al., 2002).
A relação entre propriedades finais da resina, sua processabilidade e as

propriedades moleculares e morfológicas, é um dos principais desafios da área de modelagem
e controle de sistemas de polimerização (PENLIDIS, 1994). Os modelos que fazem esta tarefa
são de natureza empírica (KIPARISSIDES, 1996), como pode ser observado em LATADO et
al. (2001).
Diante deste cenário, formulou-se e implementou-se uma rotina de reconciliação de

dados como procedimento para estimação de parâmetros. Pretendeu-se avaliar, em tempo real,
a constante cinética de propagação de cadeia e outros parâmetros a partir dos dados
disponíveis de uma unidade industrial. Esses parâmetros podem ser usados, por exemplo, para
maximizar a produtividade da planta com ajustes nas condições operacionais.
Na unidade em estudo, não existe medição para a vazão de polímero que é produzida
nem para a vazão de lama que deixa o reator. É importante ressaltar que a quantidade de
polímero produzido é determinada pela quantidade de polipropileno que existe nos silos no
final da produção. Assim, o modelo utilizado na Seção 3.3 serviu também para estimar a
120
quantidade de polímero produzido, bem como a vazão de lama e massa reacional existente no
reator. Além disso, verificou-se a consistência da reconciliação com os dados industriais
utilizados na estimação.
Os dados utilizados foram coletados no ano de 2001 em meses distintos e com

programações de produção distintas, como pode ser visto nas Figuras 4.2 a 4.5, onde se ilustra
o MI (índice de fluidez) e o XS (solúveis em xileno), parâmetros de qualidade do
polipropileno produzido pelo Grupo Suzano em Duque de Caxias.
16
14
12
MI
10
6
27 28 29 30 31 32 33 34 35 36
Tempo (h)
Figura 4.2. MI para o conjunto A♦ de dados em um turno de produção (9 horas)
4.5
4
XS
3.5
2.5
2
27 28 29 30 31 32 33 34 35 36
Tempo (h)
Figura 4.3. XS para o conjunto A de dados em um turno de produção (9 horas)
♦
O conjunto de dados A utilizado nesta tese está disponibilizado no Apêndice VI
121
10
8
MI
2
22 23 24 25 26 27 28 29 30 31 32
Tempo (h)
Figura 4.4. MI para o conjunto B♠ de dados em uma produção de 12 horas
4.8
4.6
4.4
4.2
4
22 23 24 25 26 27 28 29 30 31 32
Te m po (h)
Figura 4.5. XS para o conjunto B de dados em uma produção de 12 horas
Vale salientar, que conforme apontado por STANLEY e MAH (1981b), em operações
reais as condições de processo estão continuamente sofrendo mudanças. Rigorosamente
falando, o regime permanente quase nunca é atingido. Assim, variâncias e covariâncias
estimadas dependem das variações dos valores esperados das variáveis medidas. Estimativas
ruins serão obtidas caso as variações sejam compatíveis em magnitude ou excedam os erros
de medição.
Para ilustrar a dinâmica do processo, foi escolhido o conjunto A de dados, onde pode
ser observada a produção de diferentes grades durante o tempo de operação. Durante a
122
polimerização do propeno, o hidrogênio atua como agente de transferência de cadeia e atua-se
na pressão de hidrogênio do reator de polimerização para ajustar o MI do polímero produzido.
Podem-se observar também condições de estado estacionário durante o processo. A Figura 4.6
ilustra o processo.Os grades são determinados através de especificações técnicas da
empresem e seguem a logística de produção programada pela área comercial.
1.9
GRADE C
1.8
GRADE B
1.7
Pressão de hidrogênio
GRADE D
1.6
1.5
1.4
1.3
GRADE E
1.2
GRADE A
1.1
27 28 29 30 31 32 33 34 35 36
Tempo (h)
Figura 4.6. Dinâmica do processo do conjunto A em função da pressão do hidrogênio.
4.1) Estratégia de Simulação
A estratégia de solução para o problema de reconciliação dinâmica não linear de dados

apresentado na Equação (2.20) envolve a otimização de uma função objetivo através do ajuste
das funções algébricas e diferenciais. O conhecimento da forma exata da matriz de
covariância além de ser muito difícil (senão inviável), pode não ser totalmente relevante na
maioria dos casos para a obtenção de um bom conjunto de valores reconciliados. No caso
tradicional da estimação de parâmetros, essa informação é mais importante porque as
variáveis ditas independentes (entradas do modelo) são consideradas isentas de erro, uma
hipótese restritiva responsável por muitos desvios que se observam.
É importante também destacar que a escolha do tamanho da perturbação para o cálculo

das derivadas numéricas do modelo deve ser cuidadosa, conforme apontado por RANGAIAH
♠
O conjunto de dados B utilizado nesta tese está disponibilizado no Apêndice VI
123
(1985), onde são verificadas e comparadas a influência deste fator no desempenho de vários
exemplos de otimização. Devido à alta esparsidade dessas matrizes derivadas, convém
armazenar apenas seus elementos não nulos. Deste modo, não se fez necessário reservar muito
espaço na memória para estas matrizes.
Também foi desenvolvido um código para filtragem dos dados industriais, tendo em
vista a utilização dos dados provenientes do sistema de aquisição de dados sem nenhum
tratamento prévio. Apesar disso, o arquivo de dados fornecidos pelo Grupo Suzano não
apresentou “sujeiras”; ou seja, dados com *, ou #, ou zero (0), ou ainda valores extremos.
Esses valores podem ser definidos como valores absurdos, tais como: 100.000.000 para a
temperatura, ou 64.564 para a pressão de hidrogênio em Kg, ou até mesmo valores negativos
como -999.999 para uma determinada vazão mássica Mesmo assim, vale frisar que o código
foi testado e validado com dados industriais da BRASKEM para produção de PET e PVC. O
código desenvolvido encontra-se no Apêndice VII.
Para um modelo perfeito, um esquema ideal de reconciliação usaria todas as

informações, desde o início do processo até o tempo atual. Uma estratégia desse tipo
resultaria necessariamente em problema de otimização de dimensão muito grande. A
estratégia de janela móvel proposta por JANG (1986), cuja otimização é avaliada somente
para cada comprimento da janela (isto é, somente cada uma das N etapas de tempo, onde H é
o comprimento da janela (Figura 4.7), vem sendo bastante utilizada (LIEBMAN et al., 1992;
RUSSO et al., 1999; RAO e RAWLINGS, 2002). A estratégia utilizada, similar às
aproximações de alguns controles preditivos, foi formulada visando implementação em linha,
permitindo a avaliação da otimização em toda etapa de tempo. Percebe-se a importância do
uso da janela móvel em processos de polimerização onde existem mudanças constantes das
condições operacionais (mudança de grade), ou no caso onde existe uma dinâmica da
atividade catalítica (RUSSO e YOUNG, 1999).
Se as medidas mais recentes de tempo estiverem em um tempo τ, uma janela de

horizonte H∆t, pode ser definida de um tempo tτ - H∆t até tτ, onde ∆t é o tamanho de
determinada janela de tempo. De maneira a obter informação redundante suficiente sobre o
processo, é importante escolher um comprimento de horizonte apropriado para a dinâmica do
processo específico. Se H for muito pequeno, não haverá informação suficiente da dinâmica
124
para estimação, além da possibilidade de não detecção de pontos espúrios (CHEN e
ROMAGNOLI, 1998). Se H for muito grande, a estimação será muito lenta e dos parâmetros
ao processo também será lenta. A janela ainda captura o comportamento mais recente do
processo, permitindo que o modelo se adeque continuamente à dinâmica do processo. Durante
as simulações tal fato pôde ser comprovado, como pode ser visto na Tabela 4.1.
Estimação com
janela móvel
y
__ Janela móvel
__ Estimação
• Medida
Descarte da Nova medida no

medida anterior tempo T+1
Figura 4.7. Estratégia da janela móvel.
Em todas as simulações o tempo de amostragem utilizado foi de 5 minutos, por ser

adequado com a operacionabilidade da planta, que coleta dados de 30 em 30 segundos, e com
o tempo de residência do reator, que é de aproximadamente uma hora. Já foram feitos testes
com tempos de amostragens menores (PRATA, 2005) para esse processo e os resultados não
foram estatisticamente diferentes. Assim, adotou-se a amostragem proposta por (PRATA,
2005). Vale destacar que não foi observado na literatura aberta nenhum procedimento que
estabeleça o tamanho da janela.
Foram realizadas simulações com diferentes tamanhos de janela para diferentes

conjuntos de dados:
•1 hora (H=1)
• 2 horas (H =2)
• 3 horas (H =3)
O tempo médio de processamento e o respectivo desvio padrão podem ser observados

na Tabela 4.2.
125
Tabela 4.1. Tempo de processamento durante o processo de estimação para diferentes janelas.
Tamanho da janela(H) Tempo de CPU (min)
1 hora 30,93
2 horas 136,93
3 horas 309,85
Tabela 4.2. Média e desvio-padrão de tempo de processamento para diferentes janelas.

Tamanho da janela (H) Média (s) Desvio padrão (s)
1 hora 19 6
2 horas 97 24
3 horas 255 69
Verifica-se pela Tabela 4.2 que o tempo médio de reconciliação da janela com
intervalo de 1 hora apresenta tempo médio inferior ao atual controle de processos da unidade,
que coleta os dados com intervalos de 30s. Apesar da janela de 2 horas apresentar um
intervalo de tempo médio entre 73 e 121s, a mesma ainda pode ser usada para implementação
em tempo real, tendo em vista limitações da máquina onde foi realizada a simulação. Vale
frisar ainda que tanto as simulações com as janelas móveis com intervalos de 1h e 2h estão de
acordo com o tempo de amostragem de 5 min (300s). Já o tempo médio com intervalo de 3h
está acima do desejado para uma implementação em linha, apesar de estar com um tempo
médio (4,24 min) inferior ao tempo de amostragem estabelecido. O tempo de processamento
somente é importante para verificação da possibilidade de implementação em tempo real do
procedimento de estimação dos parâmetros do processo utilizando a técnica da reconciliação
de dados.
O tempo de processamento não é um fator decisório por si só, sendo necessário avaliar
a qualidade da estimação. A constante cinética de propagação (Kp) foi utilizada como sendo o
critério de comparação para os diferentes tamanhos de janelas. Tal escolha justifica-se pela
importância dessa etapa de reação, já que a mesma é a etapa preponderante da reação de
polimerização do propeno em polipropileno (Figura 4.8).
126
6.0
5.5
H=1 H=2 H=3
5.0
4.5
4.0
3.5
3.0
2.5
2.0
0 10 20 30 40 50 60 70 80 90 100
J anela
Figura 4.8. Variação do Kp em função dos horizontes da janela para o conjunto A.
Verificou-se que a janela com menor tamanho apresentou uma variância bem maior do
que a janela com maior horizonte, como pode ser visto na Tabela 4.3. Verifica-se uma
suavidade maior na estimação de Kp para o tamanho de janela de 3 horas, diferentemente do
que acontece com a janela de 1 hora, que apresenta alguns picos nas janelas 16, 25 e 47. A
janela de 2 horas apresenta um comportamento intermediário. Como a diferença da janela de
1 hora para a janela de duas horas é de uma ordem de grandeza, realizaram-se todas as
simulações com a janela de 2 horas. As simulações realizadas com o tamanho de janela de 3
horas, apesar da menor variância, foi descartada pois a redução da variância foi pequena.
Tabela 4.3. Variância do Kp para diferentes horizontes de janela no conjunto A de dados.

Tamanho da janela (H) Variância (min2)
1 hora 2.1E-05
2 horas 8.1E-06
3 horas 9.5E-06
4.2) Resultados da reconciliação
A estimação dos parâmetros conjuntamente com a reconciliação só foi realizada após a

classificação das variáveis permitindo um conhecimento estrutural das variáveis do processo e
127
da observabilidade do modelo. O modelo foi resolvido através de integração numérica das
equações apresentadas no Capítulo III.
O objetivo desta seção é demonstrar a importância da eliminação de erros grosseiros

além de demonstrar a qualidade da reconciliação realizada em função das variáveis de entrada
medidas no processo de produção de polipropileno Adotou-se a hipótese durante a simulação
que tanto as variáveis de entrada quanto as variáveis de saída estão sujeitas a erros, evitando
assim a restrição da não existência de erros nas variáveis de entrada.
4.2.1) Eliminação de erros grosseiros
Usualmente admite-se que os erros presentes nas medidas são normalmente

distribuídos com média zero e covariância conhecida. Isto pode ser comprovado com os dados
industriais utilizados, como pode ser visto na Figura 4.9, para a pressão de hidrogênio. A
curva foi construída utilizando a Equação (4.1) tradicional que transforma a variável medida
em uma variável normal padronizada:
y− y
z= (4.1)
σ
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2

z
Figura 4.9. Variação do erro da variável normal padronizada para a pressão de hidrogênio do
Conjunto A de dados.
128
A variável normal padronizada(z) em função de sua freqüência de ocorrência pode ser
vista na Figura 4.9 que ilustra o caráter gaussiano da variável operacional da pressão de
hidrogênio.
-2 -1.5 -1 -0 .5 0 0 .5 1 1.5 2
z
Figura 4.10. Variação do erro da variável normal padronizada para o índice de fluidez do
conjunto A de dados.
A concordância com a Figura 2.6 também acontece para os parâmetros de qualidade,

como pode ser observado na Figura 4.10 , onde o erro do índice de fluidez também apresenta
um comportamento gaussiano.
Foi adotado o critério amplamente utilizado e proposto por MADRON et al.(1977), já

testado por OLIVEIRA JUNIOR et al.(2004) e demonstrado no Capítulo II, somente para
verificar a ocorrência de erros grosseiros nos estados estacionários ou quase-estacionários do
conjunto de dados fornecido pela empresa. Nesse, caso utilizou-se o conjunto A de dados no
período ilustrado pela Figura 4.6. Dessa forma, existem cinco períodos que são considerados
como quase-estacionário e que foram analisados para detectar a possível existência de erros
grosseiros.
Pode-se observar no conjunto de dados A, a existência de erros grosseiros

identificados por um círculo na Figura 4.11. O processo encontra-se em produção do grade B,
em uma condição de estado quase-estacionário. Percebe-se que durante a produção desse
grade houve uma seqüência de pontos que aparentam um provável descontrole de
temperatura. Todavia, faz-se necessário salientar que pode ser apenas a dinâmica do processo,
consistindo assim uma limitação do método de detecção.O gráfico da Figura 4.12 corrobora
129
com a assertiva de existência de erros grosseiros, pois se verifica a existência de pontos na
cauda esquerda que afastam a curva de distribuição de erros de uma curva normal típica.
342
GR A DE C
GR A DE B
341
GR A DE D
340
339
GR A DE E
GR A DE A
338
27 28 29 30 31 32 33 34 35 36
Te m po (h)
Figura 4.11. Identificação de erros grosseiros para a temperatura do conjunto A de dados.
1.4
1.2
1.0
0 .8
0 .6
0 .4
0 .2
0 .0
-6 -5 -4 -3 -2 -1 0 1 2 3
Figura 4.12. Variação do erro da variável normal padronizada da temperatura do conjunto A

de dados.
Caso o aumento dos erros contidos no conjunto de dados reconciliados tivesse sido
excessivo, então a solução para obter um bom conjunto de dados reconciliados seria
desconsiderar esses dados como representantes do sistema em questão, ou verificar a fonte
dos mesmos. Em geral, para uma reconciliação com êxito, onde nenhum erro grosseiro foi
detectado, pode-se afirmar que os dados são tanto melhores quanto menores forem os
130
percentuais usados para a obtenção da matriz de erros. No caso em tela, houve uma redução
da variância do processo para as variáveis operacionais em torno de 32 %. A Figura 4.13
ilustra essa redução.
5.5
Com erro grosseiro
Sem erro grosseiro
5.0
4.5
4.0
Kp
3.5
3.0
2.5
2.0
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.13. Variação da estimação da constante de propagação com e sem os erros grosseiros
do conjunto A de dados.
4.2.2) Variáveis Medidas
As variáveis medidas que foram consideradas variáveis de entrada na resolução do

modelo estão no Quadro 4.1. Ao todo são 15 variáveis de entrada. As Figuras 4.14 a 4.25
possuem a finalidade de mostrar a concordância entre valores medidos e reconciliados. É
importante ressaltar que os valores reconciliados satisfazem o modelo fenomenológico
desenvolvido.
131
Quadro 4.1. Variáveis de entrada medidas no processo.
Número Variável Significado
1 PH2 pressão parcial de hidrogênio no reator
2 me vazão de alimentação de propeno fresco
3 mpurga vazão de purga
4 mrec vazão de reciclo
5 mcat vazão de alimentação de catalisador
6 mTEA vazão de alimentação de TEA
7 mPEEB vazão de alimentação de PEEB
8 meA vazão de propeno no condensador A
9 meB vazão de propeno no condensador B
10 Mw vazão de água na saída dos condensadores
11 TeA temperatura do propeno na entrada do condensador A
12 TeB temperatura do propeno na entrada do condensador B
13 Tee temperatura do propeno na entrada do reator
14 Terec temperatura do propeno no reciclo
15 Twe temperatura de água na entrada dos condensadores
2.0
1.8
Pressão de Hidrogênio (atm)
1.6
1.4
PH2 medido
Valor reconciliado
1.2
1.0
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.14. Reconciliação da pressão de hidrogênio para o conjunto A (H=2h).
132
30000.0
vazão de propeno medida
vazao propeno reconciliado
25000.0
20000.0
Vazão de propeno
15000.0
10000.0
5000.0
0.0
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.15. Reconciliação da vazão de propeno para o conjunto A (H=2h).

30000
28000
26000
24000
vazao d e reciclo med id a
vazao d e reciclo reco nciliad o
22000
20000
0 10 20 30 40 50 60 70 80 90
J anela
Figura 4.16. Reconciliação da vazão de reciclo para o conjunto A (H=2h).
1800
1400
vazao purga medida

Vazão de purga
vazao purga reconciliado
1000
600
200
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.17. Reconciliação da vazão de purga para o conjunto A (H=2h).
133
3.0
2.8
vazao catalisador medida
vazao cat reconciliado
Vazão de catalisador
2.6
2.4
2.2
2.0
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.18. Reconciliação da vazão de catalisador para o conjunto A (H=2h)
4.0
3.6
vazao TEA medida
vazao tea reconciliado
Vazão de TEA
3.2
2.8
2.4
2.0
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.19. Reconciliação da vazão de TEA para o conjunto A (H=2h)
4.5
4.3
vazaoPEEB medida
vazao peeb reconciliado
4.0
Vazão de PEEB
3.8
3.5
3.3
3.0
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.20. Reconciliação da vazão de PEEB para o conjunto A (H=2h).
134
80000
vazao propeno medido para o condensador A

Vazão de propeno para os condensadores vazao reconciliado(A)
70000
vazao propeno medido para o condensador B
vazao reconciliado(B)
60000
50000
40000
30000
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.21. Reconciliação da vazão de propeno para os condensadores com o conjunto A

(H=2h).
600000.0
vazao de agua medida

vazao de agua reconciliada
Vazão de água na entrada dos condensadores
500000.0
400000.0
300000.0
200000.0
100000.0
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.22. Reconciliação da vazão de água na entrada dos condensadores com o conjunto A
(H=2h).
330
320
Temp. medida na entrada do propeno

Temperatura(K)
310
Temp. reconciliada na entrada do propeno
Temperatura medida do propeno no reciclo
300
Temperatura reconciliada do propeno no reciclo
290
280
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.23. Reconciliação da temperatura na entrada e no reciclo do reator com o conjunto A

(H=2h).
135
330
Temperatura medida de entrada de propeno no condensador A
Temperatura reconciliada no condensador A
Temp. medida de entrada de propeno no condensador B
Temp. reconciliada no condensador B
325
320
Temperatura(K)
315
310
305
300
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.24. Reconciliação das temperaturas do propeno na entrada dos condensadores a e b

com o conjunto A (H=2h).
301.0
Temperatura medida da água na entrada dos condensadores

Temperatura reconciliada da água
300.0
Temperatura (K)
299.0
298.0
297.0
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.25. Reconciliação das temperaturas de água para o sistema de refrigeração com o
conjunto A (H=2h).
No processo de polimerização estudado, além do reator principal existem dois

condensadores de topo, que têm a função de condensar e sub-resfriar a corrente de gás
136
evaporada do reator, bem como um compressor, que retorna para o reator os gases não
condensáveis.
O hidrogênio é alimentado no reator e a pressão é controlada com diversas finalidades,

dentre elas o controle do índice de fluidez. Tal fato pode ser comprovado pelo alto índice de
correlação apresentado na Figura 4.26.
1.00
0.75
0.50
Correlação
0.25
0.00
-0.25
0 10 20 30 40 50 60 70 80 90 100
Janela
Figura 4.26. Correlação entre o índice de fluidez e a pressão de hidrogênio com o conjunto A
(H=2h).
O fluxo de propeno líquido fresco para o reator é ajustado através de um controlador

de fluxo ajustado pelo indicador de nível do reator, sendo esta uma variável importante para o
controle da produção de polipropileno. A boa estimativa dos valores reconciliados pode ser
observada nas Figuras 4.14 e 4.25. No modelo desenvolvido, as equações dos controladores
não foram incluídas.
Para o sistema catalítico, o TEA é dosado através de uma bomba e injetado na corrente
de alimentação de propileno líquido para o reator, e o catalisador é misturado e dosado através
de um sistema de dosagem especial. O PEEB, com sua propriedade de inibir a atividade do
catalisador, é dosado em dois pontos no reator, minimizando a possibilidade de bloqueio
durante a injeção do catalisador. As vazões de dosagem permitiram uma excelente
concordância entre os valores reconciliados e medidos (Figuras 4.19-4.20).
O calor de reação de polimerização é removido do reator pela evaporação do

propileno. Os gases do topo do reator passam pelos condensadores, onde o propileno é
condensado e retorna ao reator pela linha de refluxo. A linha de saída de gases de topo do
137
reator é equipada com instrumentação adequada. A indicação do fluxo de gás pode ser usada
como orientação da carga de polímero que está sendo produzida, já que este fluxo está
diretamente relacionado com o calor gerado no reator. A indicação de temperatura neste ponto
é usada para confirmar a temperatura do reator, fornecendo uma redundância importante para
o procedimento de reconciliação. Além disso, o instrumento de medição não está sujeito a
erros por incrustação com polímero, como pode ocorrer com os instrumentos de indicação de
temperatura do reator. A temperatura do reator é controlada regulando o fluxo de água de
refrigeração para os condensadores. Como pode ser observado, a alta complexidade do
sistema de refrigeração conduziu a valores reconciliados com variâncias maiores para a
temperatura e vazão de propeno na entrada dos condensadores A e B (Figuras 4.21;4.24;4.25).
As variáveis medidas que foram consideradas variáveis de saída na resolução do

modelo estão no Quadro 4.2. Ao todo foram sete variáveis de saída. As Figuras 4.27 a 4.33
possuem a finalidade de mostrar a concordância entre valores medidos e reconciliados. É
importante ressaltar que os valores reconciliados satisfizeram o modelo fenomenológico
desenvolvido.
Quadro 4.2. Variáveis de saída medidas no processo.

1 Ca concentração de propano na corrente de reciclo

2 mpol vazão de polipropileno produzido
3 L nível do reator
4 XS solúveis em xileno
5 MI índice de fluidez
6 T temperatura do reator
7 Tws temperatura de água na saída dos condensadores
138
0.10
fração de propano no reciclo

fração de propano reconciliado
0.09
Fração de propano
0.08
0.07
0.06
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.27. Reconciliação da fração de propano no reciclo com o conjunto A (H=2h)

30000
vazão de polimero
vazão de polimero reconciliado
25000
Vazão de polipropileno produzido
20000
15000
10000
5000
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.28. Reconciliação da vazão de polímero produzido com o conjunto A (H=2h)
80.0
nível
nível reconciliado
70.0
Nível
60.0
50.0
40.0
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.29. Reconciliação da medição de nível no reator com o conjunto A (H=2h).
139
4.5
XS
XS reconciliado
4.0
XS
3.5
3.0
2.5
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.30. Reconciliação de solúveis em xileno com o conjunto A (H=2h).

16.0
MI
MI reconciliado
14.0
12.0
MI
10.0
8.0
6.0
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.31. Reconciliação do índice de fluidez com o conjunto A (H=2h).
345.0
Temperatura
Temperatura reconciliada
343.0
Temperatura (K)
341.0
339.0
337.0
335.0
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.32. Reconciliação da temperatura no reator com o conjunto A (H=2h)
140
350.0
Temperatura da agua na saida dos condensadores

Temperatura reconciliada
340.0
Temperatura (K)
330.0
320.0
310.0
300.0
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.33. Reconciliação da temperatura da água na saída dos condensadores com o

conjunto A (H=2h).
A vazão reconciliada de polipropileno produzida seguiu a tendência dos valores

medidos. Contudo, observa-se que sempre que ocorre uma mudança de grade com variação
da pressão de hidrogênio, a estimativa dessa vazão se desvia dos valores medidos. Tal
situação caracteriza a dinamicidade do processo estudado, introduzindo uma diferença muito
grande de vazão de saída de polímero produzido em um curto espaço de tempo. Mesmo
assim, a vazão de polímero produzida apresentou um coeficiente de variação (18,7%) menor
que os valores medidos (19,7%).
A concentração de propano no reciclo apresentou uma boa estimativa dos valores

reconciliados com os valores medidos. O controle adequado de XS e MI, propriedades
significativas das resinas poliméricas produzidas em tempo real, é um dos problemas
operacionais mais relevantes do processo. Nesse sentido, os modelos empíricos desenvolvidos
por OLIVEIRA JUNIOR e PINTO (1999) e LATADO (2001) para XS e MI,
respectivamente, usados nesse trabalho mostraram-se bastante adequados mesmo com a forte
não-linearidade do processo. O nível apresentou uma boa concordância e manteve-se dentro
dos limites operacionais propostos, 50 a 70%, a depender da carga da planta.
Os valores das variáveis reconciliadas são considerados satisfatórios tendo em vista as

estimativas sem oscilações. A robustez da reconciliação fica evidenciada pela estreita faixa de
discordância entre os valores medidos e reconciliados para as variáveis de entrada do modelo.
Não obstante, o procedimento de reconciliação mostrou-se útil para a estimativa de variáveis
de saída medidas. A única estimativa que apresentou uma discrepância com os valores
141
medidos foi a Figura 4.33. Isso se deve a alta vazão de água e imprecisão da medição de
temperatura de água na saída dos condensadores no topo do reator.
4.2.3) Variáveis Não Medidas
Apesar de não serem medidas no processo, as variáveis apresentadas no quadro abaixo

puderam ser estimadas com o modelo desenvolvido neste trabalho. Vale salientar que essas
variáveis foram também consideradas não medidas no processo de classificação das variáveis.
Todavia as mesmas foram consideradas observáveis após o processo de identificação
estrutural realizado no Capítulo II. As estimativas podem ser observadas nas Figuras 4.34 a
4.37.
Quadro 4.3. Variáveis estimadas.

1 Pe massa de propeno no reator
2 Pa massa de propano no reator
3 Pol massa de polímero no reator
4 Cat massa de catalisador no reator
5 TEA massa de TEA no reator
6 PEEB massa de PEEB no reator
3 50 0 0
mas s a d e p ro p eno mas s a d e p o límero
30000
2 50 0 0
20000
150 0 0
10 0 0 0
0 10 20 30 40 50 60 70 80 90
J a ne l a
Figura 4.34. Massa estimada de propeno e polímero no reator com o conjunto A (H=2h)
142
5.5
massa de PEEB massa de TEA
5.0
4.5
4.0
Massa
3.5
3.0
2.5
2.0
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.35. Massa estimada de TEA e PEEB no reator com o conjunto A (H=2h)
1.0 0
0 .9 0
0 .8 0
0 .70
0 .6 0
0 10 20 30 40 50 60 70 80 90
J a ne la
Figura 4.36. Massa estimada de catalisador no reator com o conjunto A (H=2h).
3000
2800
Massa de propano
2600
2400
2200
2000
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.37. Massa estimada de propano no reator com o conjunto A (H=2h).
143
Uma queda acentuada da massa de catalisador adicionada (Figura 4.36) a partir da
janela 18, provocou a queda de produção de polipropileno (Figura 4.34), mesmo com a massa
de propeno sendo mantida praticamente constante. Ainda na Figura 4.34, percebe-se que para
a produção de polímero foram obtidos valores reconciliados satisfatórios, que são mais
confiáveis do que os valores possíveis medidos nos silos de armazenagem.
Os comportamentos da massa de TEA e do PEEB seguiram o comportamento da
massa de catalisador, tendo em vista a redução de polímero formado, como já era esperado
(Figura 4.35). A variação da fração de propano encontra-se na Figura 4.37. O controle de
processos da unidade leva em consideração a defasagem existente entre a análise do
cromatógrafo e o transporte da amostra do ponto de amostragem até o equipamento. Assim,
percebe-se que as variações são amortizadas de forma a gerar um sinal mais estável para a
execução do controle da relação hidrogênio e propano no reator.
Além dessas variáveis estimadas, também foram calculadas a massa reacional

existente, a fração mássica de polímero na lama e vazão de retirada de lama do reator.
A concentração do polímero deve ser mantida entre 32 e 49% em peso, dependendo da
densidade aparente do pó e do produto que se está produzindo. Observa-se que há um
decréscimo da fração de polímero existente no reator devido à redução da quantidade de
catalisador, TEA e PEEB adicionado, como ilustrado nas Figuras 4.35 a 4.36. Percebe-se
também através da Figura 4.38, que a massa reacional é sempre superior a massa de lama
produzida. Apenas no final do horizonte de estimação, a massa de lama permanece
praticamente igual a massa reacional devido a redução da fração de polímero produzido e da
massa de propano na mistura reacional.
60000
Massa de lama produzida
Massa reacional
55000
Massa
50000
45000
40000
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.38. Massa reacional e de lama estimada com o conjunto A (H=2h).
144
0.50
0.45
Fração de polímero
0.40
0.35
0.30
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.39. Fração de polímero estimada com o conjunto A (H=2h).
As propriedades do polímero, índice de fluidez, teor de etileno e solúveis em xileno

devem ser mantidas constantes sempre que possível durante a operação normal. Para isto, o
tempo de residência do reator deve ser constante, mantendo-se estável a relação nível-
concentração de lama para uma determinada carga da planta. Esta observação pode ser
comprovada pela Figura 4.39 onde a razão nível-concentração de lama encontrou-se
basicamente estável durante o processo produtivo.
200
160
Razào nível fração de polímero
120
80
40
0
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.40. Razão estimada entre o nível e a fração de polímero com o conjunto A (H=2h).
145
4.2.4) Parâmetros estimados conjuntamente com a reconciliação
Já pode ser observado pela Figura 4.8 que os valores de Kp para diferentes janelas
apresentam valores semelhantes para o conjunto A de dados. Para o conjunto B de dados pode
ser observado o comportamento de Kp na Figura 4.41.
8.0
H=1
H=2
7.5
Kp
7.0
6.5
6.0
0 15 30 45 60 75 90 105 120
Janela
Figura 4.41. Constante de propagação de cadeia (Kp) estimado com o conjunto B de dados
para diferentes tamanhos de janelas (H=2h).
Dados quantitativos do número de sítios ativos e respectivas reatividades na

propagação da reação são extremamente úteis para a formulação dos mecanismos de reação,
para explicar os efeitos das variáveis de processo na cinética de reação e para interpretação do
aumento da atividade catalítica em catalisadores suportados quando comparados com os
catalisadores tradicionais. O conhecimento do número de sítios ativos permite determinar a
aparente taxa de propagação da reação. Os valores de Kp disponíveis na literatura são médios,
devido à heterogeneidade dos sistemas catalíticos. Valores da constante cinética de
propagação podem ser obtidos na literatura (MOORE JR.,1996). Os valores informados para a
constante cinética de propagação variam entre 90 a 1250 L.mol-1 s-1, sendo o menor valor para
catalisadores mais antigos, e o maior para catalisadores mais recentes. Já os catalisadores
metalocênicos fornecem uma constante de propagação da cadeia na faixa entre 1400-1800
L.mol-1 s-1.
Apesar das unidades da constante cinética terem sido omitidas por questões de
confidencialidade, a importância de uma estimação adequada torna-se evidente na Figura
146
4.42, onde se observam valores diferentes para campanhas de produção de polipropileno.
Mesmo com a diferença entre os valores de Kp na mesma ordem de grandeza, esses valores
poderiam ser ajustados buscando a otimização das condições operacionais e minimizando os
custos de produção. Além disso, o valor de Kp obtido utilizando as técnicas de reconciliação
poderia ser utilizado com fins de controle em tempo real de uma unidade industrial.
8
CONJUNTO A
7
CONJUNTO B
6
Kp
2
0 10 20 30 40 50 60 70 80 90 100
Janela
Figura 4.42. Constante de propagação de cadeia (Kp) estimado para o os conjuntos de dados
A e B (H=2h)
Outro fato que corrobora com a estimação da constante de propagação

simultaneamente à reconciliação foi a baixa variância encontrada para Kp nos conjuntos de
dados utilizados, como pode ser observado nas Figuras 4.42 e 4.43. o desvio padrão encontra-
se em faixas muito próximas a zero, principalmente no conjunto A de dados. Apesar da
diferença, é considerada que as estimações da constante de propagação de cadeia
apresentaram uma boa estimativa.
0 .0 4
0 .0 3
0 .0 2
0 .0 1
0 .0 0
0 20 40 60 80 10 0 12 0
J a ne la
Figura 4.43. Desvio padrão da constante de propagação de cadeia (Kp) para o conjunto de
dados B (H=2h).
147
0.020
0.015
Desvio Padrão
0.010
0.005
0.000
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.44. Desvio padrão da constante de propagação de cadeia (Kp) para o conjunto de
dados A (H=2h).
O parâmetro que relaciona a constante cinética de transferência de cadeia para o

hidrogênio e a constante cinética de propagação também foi estimado com sucesso (Figura
4.45), tendo em vista o ótimo ajuste encontrado para os parâmetros de qualidade do
polipropileno produzido, o XS e o MI. Pode ser observado nas Figuras 4.46 e 4.47 o bom
ajuste encontrado para o valor de solúveis em xileno e índice de fluidez na campanha de
produção B. Os valores reconciliados mostram-se adequados e em concordância com os
valores esperados possibilitando uma morfologia mais regular do polímero produzido (alta
densidade, forma regular e distribuição de tamanho de partícula estreita).
4.6
4.2
3.8
C
3.4
3.0
0 10 20 30 40 50 60 70 80 90 100
Janela
Figura 4.45. Parâmetro C utilizado na equação do peso molecular instantâneo para o conjunto
de dados B (H=2h).
148
5.0
XS
XS reconciliado
4.8
4.6
XS
4.4
4.2
4.0
0 10 20 30 40 50 60 70 80 90 100
Janela
Figura 4.46. Solúveis em xileno para o conjunto de dados B (H=2h).
10
MI MI reconciliado
8
Índice de Fluidez
2
0 10 20 30 40 50 60 70 80 90 100
Janela
Figura 4.47. Índice de fluidez para o conjunto de dados B (H=2h).
Para comprovar a eficiência do procedimento de estimação de parâmetros utilizando

das vantagens da técnica de reconciliação de dados, foi realizada uma análise de sensibilidade
paramétrica. Observou-se que após a minimização da função objetivo ter sido alcançada,
basicamente não há mais influência do parâmetro. Os pontos não nulos após a janela 30
podem ser elencados como erros numéricos do procedimento de estimação (Figuras 4.48 a
4.50).
149
600
400
200
Derivada do parâmetro Kp
-200
-400
-600
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.48. Derivada do parâmetro Kp para o conjunto de dados A (H=2h).

800
400
Derivada do parâmetro C
-400
-800
0 10 20 30 40 50 60 70 80 90 100
Janela
Figura 4.49. Derivada do parâmetro C para o conjunto de dados A (H=2h).
2.50E+06
2.00E+06
Valor da Função Objetivo
1.50E+06
1.00E+06
5.00E+05
0.00E+00
0 10 20 30 40 50 60 70 80 90
Janela
Figura 4.50. Valor da função objetivo encontrado para o conjunto de dados A (H=2h).
150
4.3) Análise Crítica
As críticas habituais à estratégia adotada em trabalhos envolvendo o modelo

fenomenológico aplicado a dados industriais seguem três linhas: a) é difícil e caro
desenvolver modelos matemáticos fenomenológicos; b) é difícil estimar parâmetros de
modelos fenomenológicos baseados somente em dados de planta; c) falta significado físico
para os parâmetros finais de modelos aplicados a processos industriais, já que algumas
variáveis de processo não são controladas independentemente.
A primeira linha é desvirtuada pela hipótese usual de que o modelo empírico é mais
fácil de implementar, fato que não é necessariamente verdade, como discutido previamente.
Além disso, esses modelos são constituídos por um conjunto de equações diferenciais
algébricas, ordinárias ou parciais que, quase sempre, podem ser resolvidas com
procedimentos numéricos padrões disponíveis. Freqüentemente a modelagem teórica engloba
o conjunto de transformações químicas, relações de equilíbrio e topologia de processo,
podendo ser conduzida em plantas industriais com o auxílio de engenheiros de processo e
operadores experientes.
Normalmente o desenvolvimento e implementação do modelo não são etapas

determinantes em unidades industriais. Contudo, as etapas de estimação de parâmetros e
validação de modelo são fundamentais, pois dependem da coleta de dados e da interpretação
detalhada dos dados disponíveis. A segunda crítica admite que existe falta de informação
disponível para estimação de parâmetros e que os dados de processo ajustados ao modelo são
obtidos através de uma rodada simples de estimação de parâmetros. Isto não é
necessariamente verdade, já que o procedimento de estimação de parâmetros pode ser
dividido em subproblemas menores, permitindo o uso de diferentes conjuntos de dados
(alguns dos quais podem ser obtidos em laboratório) para estimação de parâmetros de
processo, aumentando a velocidade de ajuste do modelo. A terceira crítica também é parcial,
tendo em vista que a aproximação empírica não conduz a parâmetros com significado físico e
que os parâmetros, quase sempre, foram estimados através de experimentos independentes,
tendo que ser ajustados para aplicações em processo reais.
151
O uso de uma estratégia aglutinadora do modelo fenomenológico com o uso de dados
industriais fornece um ganho extraordinário de conhecimento e operacionabilidade do
processo. Mesmo quando as hipóteses do modelo não estão completamente adequadas ou
quando existem efeitos exógenos (como contaminação da corrente de alimentação) exercendo
influência nos resultados finais, a estimação de parâmetros pode ser usada para interpretação
física do comportamento do modelo de processo, como descrição dos mecanismos de
processo e suas transformações. O procedimento de estimação de parâmetros proposto para o
desenvolvimento desse trabalho forneceu uma reconciliação de dados de processo automática,
com o modelo fenomenológico satisfazendo as restrições de balanço de massa e energia,
podendo ser usado no futuro para detectar falhas de instrumento e medidas de processo
inconsistentes com dados industriais.
152
Capítulo V
Conclusões e Sugestões
Apesar da importância dos processos de poliolefinas, poucos estudos experimentais

são encontrados na literatura aberta sobre a estimação de parâmetros nesse tipo de processo
com uso de dados industriais. Este trabalho foi realizado com dados industriais provenientes
do processo de polimerização de propeno da unidade de Duque de Caxias (RJ) do grupo
Suzano.
Com o avanço da computação no âmbito de software e hardware, cada vez mais dados
precisos e confiáveis são importantes em aplicações de monitoramento, controle e otimização
em linha. Técnicas de manuseio desses dados devem ser usadas para obter ou estimar o
verdadeiro estado do processo através da história contada pelos dados industriais. E a
reconciliação de dados é uma técnica bastante adequada para isso.
Em um futuro próximo, os dados de planta serão analisados continuamente, a

reconciliação será feita para os balanços de massa e energia usando programação não linear e
as variáveis não medidas serão calculadas simultaneamente à estimação de parâmetros. A
instrumentação digital estará mais segura e precisa e cada vez mais ter-se-ão mais medidas em
linha. Talvez , algumas plantas industriais já incorporarem vários destas idéias, mas não há
nenhum registro ainda de que alguma planta tenha alcançado o nível mais alto de sofisticação
em todo espectro de ação da área de otimização e controle de processos.
Podem-se citar algumas conclusões deste trabalho :
• O algoritmo apresentado para classificação de variáveis em um modelo

dinâmico algébrico-diferencial mostrou-se eficiente, com apresentação direta
das variáveis medidas redundantes, medidas não redundantes, não medidas
153
observáveis e não medidas indetermináveis, além de apresentar o grau de
redundância do sistema;
• O algoritmo está adequado para modelos com índices não superiores a um,
independente da forma, e deve sempre ser aplicado antes da reconciliação de
dados, possibilitando uma análise da observabilidade e redundância do
sistema;
• Enquanto a reconciliação de dados é uma ferramenta comumente usada para

estado estacionário, a aplicação para sistemas dinâmicos ainda está incipiente.
O método apresentado conseguiu representar a verdadeira dinâmica do
sistema, até mesmo durante a transição de grades para um processo de
produção de polipropileno. O código desenvolvido apresentou excelente
capacidade para representar dinâmica do processo, mesmo durante a transição
de grades;
• O trabalho é inovador pois os métodos desenvolvidos tornaram possível a

aplicação da técnica de reconciliação de dados para estimação de parâmetros e
monitoramento do processo, mesmo sendo corrente na literatura a confiança de
que não é possível estimar parâmetros cinéticos em modelos complexos de
polimerização a partir de dados industriais. O uso dessa da técnica permitirá a
implementação mais rápida e eficiente de modelos modelos fenomenológicos
precisos no ambiente industrial, permitindo a transferência e adaptação mais
rápida e eficiente de modelos elaborados de processo para as condições de
chão de fábrica;
• O problema de reconciliação depende muito da estrutura de medição dos

dados.
Pesquisas ainda precisam ser realizadas para melhorar a capacidade do algoritmo de

classificação utilizado e do procedimento de reconciliação como um todo, assim sugere-se:
• Analisar e propor técnicas de identificação e eliminação dos erros grosseiros

robustas para sistemas dinâmicos;
154
• Incorporar o algoritmo de classificação de variáveis ao pacote computacional
ESTIMA;
• Tornar a interface do código de identificação de variáveis mais amigável ao

usuário;
• Estudar a influência da matriz de covariância nos resultados obtidos para se ter

uma idéia mais acurada do erro cometido frente às simplificações e hipóteses
efetuadas;
• Integrar a técnica de reconciliação proposta com uma alternativa de otimização

em tempo real.
Enfim, as características da reconciliação de dados são de grande utilidade para o

engenheiro em geral, interessado em conhecer a observabilidade do sistema e o grau de
precisão do conjunto de dados industriais disponíveis. Espera-se que os parâmetros industriais
possam ser estimados utilizando essa metodologia híbrida de modelo fenomenológico e dados
industrias. Por isto, deseja-se que a reconciliação de dados torne-se procedimento corriqueiro
nas áreas afins, tanto na indústria quanto nos laboratórios e nas universidades em geral. Trata-
se efetivamente de valiosa ferramenta de trabalho para todo processo de monitoramento de
produção industrial e de identificação de parâmetros de modelos.
155
REFERÊNCIAS BIBLIOGRÁFICAS
ABIQUIM, Anuário da Indústria Química Brasileira. São Paulo: Associação Brasileira da

Indústria Química, 2005.
ABUL–EL-ZEET, Z.H., BECERRA, V.M., ROBERTS, P.D., 2002, “Combined Bias And
Outlier Identification In Dynamic Data Reconciliation”, Computers & Chemical
Engineering. v.26, pp. 921-935.
AL-ARJAF, M. A., 2006, “Shortcut Data Reconciliation Technique: Development and

Industrial Application", AIChE Journal, v. 52, pp.414-417.
ALBERS, J. E., 1997, “Online data reconciliation and error detection”, Hydrocarbon
Processing, n. 7, pp. 101-104.
ALBUQUERQUE, J.S., BIEGLER, L.T., 1995, “Decomposition Algorithms For On-Line

Estimation with Nonlinear Models”, Computers & Chemical Engineering. v.19, pp.
1031-1039.
ALBUQUERQUE, J.S., BIEGLER, L.T., 1996, “Data Reconciliation and Gross-Error

Detection for Dynamic Systems”, AIChE Journal, v. 42, pp. 2841-2856.
ALICI, S., EDGAR, T.Y., 2002, “Nonlinear Dynamic Data Reconciliation via Process
Simulation Software and Model Identification Tools”, Industrial Engineering and
Chemistry Research, v. 41, pp. 3984-3992.
ALVAREZ, J., ROMAGNOLI, J.A., STEPHANOPOULOS, G., 1981, “Variable

measurement structures for the control of a tubular reactor”, Chemical Engineering
Science, v. 36, pp. 1695-1712.
AMAND, Th., HEYEN, G., KALITVENTZEFF, B., 2001, “Plant Monitoring and Fault
Detection – Synergy Between Data Reconciliation and Principal Component Analysis”,
Computers & Chemical Engineering. v.25, pp. 501-507.
ARORA, N., BIEGLER; L. T., 2001, “Redescending Estimators for Data Reconciliation and
Parameter Estimation, Computers & Chemical Engineering., v.25, pp. 1585-1599.
BAGAJEWICZ, M. J., 1996, “On the Probability Distribution and Reconciliation of Process
Plant Data”, Computers & Chemical Engineering, v.20, pp. 813-819.
156
BAGAJEWICZ, M. J., 2000, “A Brief Review of Recent Developments in data
Reconciliation and Gross Error Detection/Estimation”, Latin American Applied Research,
v. 30, pp. 335-342.
BAGAJEWICZ, M. J., 2000b, “A Review of Recent Design Procedures for water networks in
Refineries and Process Plants”, Computers & Chemical Engineering, v.24, pp. 2093-
2113.
BAGAJEWICZ, M. J., 2001, Process Plant Instrumentation: Design and Upgrade. Process
System Engineering. Technomic Publishing Company. Pensilvania.
BAGAJEWICZ, M. J., 2002, “A Review of Techniques for Instrumentation Design and

Upgrade in Process Plants”, The Canadian Journal of Chemical Engineering , v. 80, pp.
3-16.
BAGAJEWICZ, M. J., JIANG, Q., 1997, “Integral Approach To Plant Linear Dynamic
Reconciliation", AIChE Journal, v. 43, pp.25462558.
BAGAJEWICZ, M. J., JIANG, Q., 2000, “Comparison of Steady State and Integral Dynamic
Data Reconciliation”, Computers & Chemical Engineering, v.24, pp. 2367-2383.
BARBOSA JÚNIOR, V. P., WOLF, M. R. M., MACIEL FILHO, R., 2000, “Development of
Data Reconciliation for Dynamic Nonlinear System: Application the Polymerization
Reactor”, Computers & Chemical Engineering, v.24, pp. 501-506.
BARD, Y., 1974, Nonlinear Parameter Estimation. New York. Academic Press.
BHAT, S. A., SARAF, D. N., 2004, “Steady-State Identification Gross Error Detection, and
data Reconciliation for Industrial Process Units”, Industrial Engineering and Chemistry
Research, v. 43, pp. 4323-4336.
BIEGLER; L. T., DAMIANO, J. .J., BLAU, G. E., 1986, “Nonlinear Parameter Estimation: a
Case Study Comparison", AIChE Journal, v. 32, pp.29-43.
BOKIS, C.P., RAMATHAN, S., FRANJIONE, S., BUCHELLI, A., CALL, M. L., BROWN,
A. L., 2002, “Physical Proeprties, Reactor Modeling, and Polymerization Kinetics in the
Low- Density Polyethylene Tubular Reactor Process”, Industrial Engineering and
Chemistry Research, v. 41, pp. 1017-1026
BRITT, H.I., LUECKE, R.H., 1973, “The Estimation of Parameters in Nonlinear Implicit
Models”, Technometrics, v. 15, pp. 233-247.
BUSACCA, P. G., MARSEGUERRA, E.Z., 2001, “Multiobjective optimization by genetic

algorithms: application to safety systems”, Reliability Engineering & System Safety, v.72,
pp. 59-74.
157
BUSCH, M. MÜLLER, M., WULKOW, M., 2003, “The use of Simulation Techniques in
Developing Kinetic Models for Polymerization”, Chemical Engineering Technology.
v.26, pp. 1031-1040.
BUSSANI, G. et al, 1995, “Application of data reconciliation and optimization procedure to

hydrogen plant”, Computers & Chemical Engineering, v.19, pp. S299-S304.
CHAN, Z. S. H., NGAN, H. W., FUNG, Y. F., RAD, A. B., 2001, “An advanced evolutionary
algorithm for parameter estimation of the discrete Kalman filter”, Computer Physics
Communications, v. 142, pp. 248-254.
CHEN, J., BANDONI, A., ROMAGNOLI, J.A., 1998, “Outlier Detection in Process Plant
Data”, Computers & Chemical Engineering, v.22, pp. 641-646.
CHEN, J., ROMAGNOLI, J.A., 1998, “A Strategy for Simultaneous Dynamic Data
Reconciliation and Outlier Detection”, Computers & Chemical Engineering, v. 22, pp.
559-562.
CHEN, X., PIKE, R. W., HERTWIG, T.A., HOPPER, J.R., 1998, “Optimal Implementation
of On-Line Optimization”, Computers & Chemical Engineering, v.22, pp. S435-S442.
CHIEN, D.C.H., PENLIDIS, A., 1990, "On-Line Sensor for Polymerization Reactors”.
Journal of Macromolecular Science - Reviews in Macromolecular Chemistry and
Physics, C30 (01), pp. 01-42, 1990.
CHRISTIANSEN, L. J., BRUNICHE-OLSEN, N., CARTENSEN, J. M., SCHOEREDER,

M., 1997, “Performance Evaluation of Catalytic Process”, Computers & Chemical
Engineering, v.21, pp. S1179-S1184.
CHUAPRASERT, S., DOUGLAS, P., NGUYEN, M., 1999, “ Data Reconciliation of an

Agitated Thin Film Evaporator using Aspenplus”, Journal of Food Engineering, v. 39,
pp. 261-267.
COCHINWALA, M., KURIEN, V., LALK, G., SHASHA, D., 2001, “Efficient Data
Reconciliation”, Information Sciences, v. 137, pp. 1-15.
CROWE, C. M., 1986, “Reconciliation of Process Flow Rates by Matrix Projection. Part II:
The Nonlinear Case”, AIChE Journal, v. 32, pp. 616-623.
CROWE, C. M., 1988, “Recursive Identification of Gross Errors in Linear Data

Reconciliation”, AIChE Journal, v. 34, pp. 541-550.
CROWE, C. M., 1989, “Observability and Redundancy of Process Data for Steady State
Reconciliation”, Chemical Engineering Science, v. 44, pp. 2909-2917.
158
CROWE, C. M., 1992, “The Maximum-Power Test for Gross Errors in the Original
Constraints in Data Reconciliation”, Canadian Journal of Chemical Engineering, v. 70,
pp. 1030-1036.
CROWE, C. M., 1996a, “Data Reconciliation - Progress and Challenges”, Journal Process
Control, v. 6, pp. 89-98.
CROWE, C. M., 1996b, “Formulation of Linear Data Reconciliation Using Information

Theory”, Chemical Engineering Science, v. 51, pp. 3359-3366.
CROWE, C. M., GARCIA CAMPOS, Y.A., HRYMAK, A., 1983, “Reconciliation of Process
Flow Rates by Matrix Projection. Part I: Linear Case”, AIChE Journal, v. 29, pp. 881-
888.
DAROUACH, M., ZASADZINSKI, M., 1991, “Data Reconciliation in Generalized Linear

Dynamic Systems”, AIChE Journal, v. 37, pp. 193-201.
DEMPF, D. LIST, T., 1998, “On-line Data Reconciliation in Chemical Plant”, Computers &
Chemical Engineering, v.23, pp. S1023-S1025.
DOVI, V. G., SOLISIO, C., 2001, “Reconciliation of censored measurements in chemical

processes: an alternative approach”, Chemical Engineering Journal, v.2, pp. 123-125.
DUNIA, R., QIN, S.J., EDGAR, T.F., McAVOY, T.J., 1996, “Use Of Principal Component
Analysis For Sensor Fault Identification”, Computers & Chemical Engineering, v. 20, pp.
S713-S718.
EDGAR, T.F., HIMMELBLAU, D.M., LADSON, N., 2001, Optimization of Chemical

Processes. 2 Ed. New York. McGraw-Hill.
ELIÇABE, G.E. e MEIRA, G.R., 1988, "Estimation and Control in Polymerization Reactors.
A Review.", Polymer Engineering Science, v 28, pp. 121-135.
ELLIS, M.F., TAYLOR, T.W., GONZALEZ, V., JENSEN, K.F., 1988, “Estimation of the
Molecular Weight Distribution in Batch Polymerization", AIChE Journal, 34(08), pp.
1341-1353.
EMBIRUÇU, M., LIMA, E.L, PINTO, J.C., 2000, “Continuous Soluble Ziegler-Natta
Ethylene Polymerizations in Reactor Trains – I. Mathematical Modeling”, Journal of
Applied Polymer Science, v. 77, pp1574-1590.
EMBIRUÇU, M.; LIMA, E.L.; PINTO, J.C., 1996, “A Survey of Advanced Control of
Polymerization Reactors". Polymer Engineering and Science, v. 36(04), pp. 433-447.
EMBURY, S. M., BRANDT, S. M., ROBINSON, J. S., et al, 2001, “Adapting Integrity
Enforcement Techniques for Data Reconciliation”, Information Sciences, v. 26, pp. 657-
689.
159
FABER, R., LI, P., WOZNY, G., 2004, “Sequential Parameter Estimation for Large-Scale
Systems with Multiple Data Sets.2. Application to an Industrial Coke-Oven-Gas
Purification Process”, Industrial Engineering and Chemistry Research, v. 43, pp. 4350-
4362.
FEVOTTE, G., BARUDIO, I., McKENNA, T.F.,1996, “Computer-Aided Parameter

Estimation and On-Line Monitoring of Emulsion and Solution Polymerisation Reactors”.
Computers & Chemical Engineering, v. 20, pp. S581-S586.
FILLON, M., MEYER, M., PINGAUD, H., ENJALBERT, M., 1996, “An Efficient
Formulation for Batch Reactor Data Reconciliation”, Industrial Engineering and
FILLON, M., MEYER, M., PINGAUD, H., JOULIA, X., 1995, “Data Reconciliation Based
on Elemental Balances Applied to Batch Experiments”, Computers & Chemical
Engineering, v. 19, pp. S293-S298.
GAGNON, L., MacGREGOR, J.F., 1991, “State Estimation for Continuous Emulsion
Polymerization”. Canadian Journal of Chemical Engineering, 69, pp. 648-656.
GOMES, J. F. S., 2002, Procedimento para Minimização de Efluentes Aquosos . Dissertação

de Mestrado, EQ/UFRJ, Rio de Janeiro, RJ, Brasil.
GROSDIDIER, P., 1998, “Understand Operation Information Systems”, Hydrocarbon

Processing, pp. 67-78.
GROSSMANN, I.E.; SARGENT, R.W. H., 1978, “Optimum Design of Chemical Plants with
Uncertain Parameters", AIChE Journal, v. 24, pp.1021-1028.
GUANG-YANG, D., THIBAULT, J., HODOUIN, D., 1997, “Data reconciliation for
simulated flotation process”, Artificial Intelligence in Engineering, v. 11, pp. 357-364.
GUPTA, G., NARASIMHAN, S., 1993, “Application of neural networks for gross error
detection”, Industrial Engineering and Chemistry Research, v. 32, pp. 1651-1660.
HAMMOURI, H., McKENNA, T.F., OTHMAN, S., 1999, “Applications of nonlinear

observers and control: improving productivity and control of free radical solution
copolymerization”, Industrial Engineering and Chemistry Research, v. 38, pp. 4815-
4838.
HLAVÁCEK, V., 1977, “Analysis of a Complex plant-Steady state and transient Behavior”,
Computers & Chemical Engineering, v.1, pp. 75-80.
HODOUIN, D., ALLIOT, N., FLAMENT, F., 1991, “A Hierarchical Procedure for
Adjustment and Material Balancing of Mineral Process Data”, International Journal of
Mineral Processing, v.32 pp. 213-221.
160
ISLAM, K. A., 1994, “Non-linear data reconciliation for an industrial pyrolysis reactor”,
Computers & Chemical Engineering, v.18, pp. S217-S221.
JANG, S., JOSEPH, B., MUKAI, H., 1986, “Comparison of Two Approaches to On-line
Parameter and State Estimation of Nonlinear Systems”, Ind. Engineering. Chemistry
Process Development, v. 25, pp. 809-814.
JO, J. H., BANKOFF, S. G., 1976, “Digital Monitoring and Estimation of Polymerization
Reactors”, AIChE Journal, v. 22(02), pp. 361-369.
KELLY, J. D., 1998a, “A Regularization Approach to the Reconciliation of Constrained Data

Sets”, Computers & Chemical Engineering, v. 22, pp.1771-1788.
KELLY, J. D., 1998b, “On Finding the Matrix Projection in the Data Reconciliation
Solution”, Computers & Chemical Engineering, v. 22, pp.1553-1557.
KELLY, J. D., 2004a, “Formulating large-scale quantity-quality bilinear data reconciliation

Problems”, Computers & Chemical Engineering, v. 28, pp.357-362.
KELLY, J. D., 2004b, “Techniques for solving industrial nonlinear data reconciliation
problems”, Computers & Chemical Engineering, v. 28, pp.2837-2843.
KHARE, N.P., LUCAS, B., SEAVEY, K. C., LIU, Y. A., SIROHI, A., RAMANATHAN, S.,
SONG, Y., CHENM C.-C., 2004, “Steady State and Dynamic Modeling of Gas-Phase
Polypropylene Processes Using Stirred-Bed Reactors.” Industrial Engineering and
KHARE, N.P., SEAVEY, K. C., LIU, Y. A., RAMANATHAN, S., LINGARD, S., CHEN,
C.-C. , 2002. “Steady-State and Dynamic Modeling of Commercial Slurry High-Density
Polyethylene (HDPE) Processes”, Industrial Engineering and Chemistry Research, v. 41,
pp. 5601-5612.
KIM, I., LIEBMAN, M. J., EDGARD, T. F., 1990, “Robust Error-in-Variables Estimation
Using Nonlinear Programming Techniques”, AIChE Journal, v. 36, pp. 985-993.
KIPARISSIDES, C., 1996, "Polymerization Reactor Modeling: A review of recent

developments and future directions", Chemical Engineering Science, v. 51(10), pp. 1637-
1659.
KONG, M., CHEN, B., HE, X. HU, S., 2004, “Gross error identification for dynamic
system”, Computers & Chemical Engineering, v.29, pp. 191-197.
KRETSOVALIS, A., MAH, R. S., 1987, “Effect of Redundancy on Estimation Accuracy in

Process Data Reconciliation”, Chemical Engineering Science, v.42, pp. 2115-2121.
161
KRETSOVALIS, A., MAH, R. S., 1988, “Observability and Redundancy Classification in
Generalized Process Networks- I. Theorems”, Computers & Chemical Engineering, v.12,
pp. 671-687.
KRISHNAN, S., BARTON, G. W., PERKINS, J.D., 1992, “Robust PARAMETER

ESTIMATION IN On-line optimization – PART I. Methodology and Simulated Case
Study”, Computers & Chemical Engineering, v.16, pp. 545-562.
KUHEN, D. R., DAVIDSON, H., 1961, “Computer Control. II. Mathematics of Control”,
Chemical Engineering Progress, v. 57, pp. 44-47.
LATADO, A.; EMBIRUÇU, M.; NETO, A.G.M.; PINTO, J.C., 2001, “Modeling of end-use
properties of poly(propylene/ethylene) resins”, Polymer Testing, v. 20, pp.419-439.
LEE, W., RUDD, D. F., 1966, “On the ordering of Recycle Calculations”, AIChE Journal, pp.
1184-1190.
LENZI, M. K., 2002, Controle da curva de distribuição de peso molecular em processos de

polimerização em suspensão em regime semi-batelada. Exame de Qualificação de
Doutorado, COPPE/UFRJ, Rio de Janeiro, RJ, Brasil.
LIEBMAN M.J., EDGAR, T.F.,1988, “Data reconciliation for Nonlinear Processes”, AICHe
Annual Meeting. Washigton DC.
LIEBMAN, M.J., EDGAR, T.F., LASDON, L.S., 1992, “Efficient Data Reconciliation and
Estimation for Dynamic Processes Using Nonlinear Programming Techniques”,
Computers & Chemical Engineering, v. 16, pp. 963-986.
LUUS, R., 1993, “Piecewise Linear Continuous Optimal Control by Iterative Dynamic
Programming”, Industrial Engineering and Chemistry Research, v. 32, pp. 859-865.
LUUS, R.; OKONGWU, O.N., 1999, “Towards Practical Optimal Control of Batch
Reactors”, Chemical Engineering Journal, v. 75, pp. 01-09.
MACDONALD, R. J., HOWAT, C. S., 1988, “Data Reconciliation and Parameter Estimation
in Plant Performance Analysis", AIChE Journal, v. 34, pp.1-8.
MaCGREGOR, J. F., PENLIDIS, A. and HAMIELEC, A. E., 1984, "Control of

Polymerization Reactors: A Review", Polymer, Process. Engineering, v. 2, pp. 179-206.
MADRON, F.; VEVERKA, V., VANECEK, V., 1977, “Statistical Analysis of Material
Balance of a Chemical Reactor", AIChE Journal, v. 23, pp.482-486.
MAH, R. S.H., 1990, Chemical Process Structures and Information Flows, 1 Ed. Stoneham.
Butterworth.
162
MAH, R.S. H.; TAMHANE, A. C., 1982, “Detection of Gross Errors in Process Data", AIChE
Journal, v. 28, pp.828-830.
MAH, R.S.H., STANLEY, G.M., DOWNING, D.M., 1976, “Reconciliation And Retifcation
Of Process Flow And Inventory Data", Industrial Enginnering and Chemical Process
Design Development, v. 15, pp.175-183.
MAQUIN, D., ADROT, O., RAGOT, J., 2000, “Data Reconciliation with Uncertain Models”,
Isa Transactions, v. 39, pp. 35-45.
MARQUES, J. A., 2006. Reconciliação de Dados na Identificação e Caracterização de

Balanços Hídricos em Plantas Industriais. Dissertação de Mestrado, COPPE/UFRJ, Rio
de Janeiro, RJ, Brasil.
MATOS, V., MATTOS NETO, A.G., PINTO, J.C., 2001, “Method for Quantitative
Evaluation of Kinetic Constants in Olefin Polymerizations. 1. Kinetic Study of a
Conventional Ziegler-Natta Catalyst used for Propylene Polymerizations”, Journal of
Applied Polymer Science, v. 79, pp. 2076-2108.
MATOS, V., MATTOS NETO, A.G., PINTO, J.C., 2002, “Method for Quantitative
Evaluation of Kinetic Constants in Olefin Polymerizations. 2. Kinetic Study of a High
Activy Ziegler-Natta Catalyst Used for Bulk Propylene Polymerizations”, Journal of
applied Polymer Science, v. 86, pp. 3226-3245.
MATTOS NETO, A. G. e PINTO, J. C., 2000a, “Modelagem e Simulação de Reatores de

Polimerização de Propeno em Leito de Lama via Catálise Ziegler-Natta”, XIII Congresso
Brasileiro de Engenharia Química, Águas de São Pedro-SP, Brazil.
MATTOS NETO, A.G., PINTO, J.C., 2000b, SIMULPOL 3.0 – A software for steadystate
simulation of slurry and bulk olefin polymerization. Registrado no INPI/Brasil com o N°
00031540.
MATTOS NETO, A. G.., PINTO, J. C., FREITAS, M. F., NELE, M., 2005, “Modeling
Ethylene/1-Butene Copolymerization in Industrial Slurry Reactors”, Industrial
Engineering and Chemistry Research, v. 44, pp. 2697-2715.
MCBRAYER, K.F., EDGAR, T.F., 1995, “Bias Detection And Estimation In Dynamic Data
Reconciliation”, Journal of Process Control, v. 5, pp. 285-289.
MCBRAYER, K.F., SODERSTROM, T.A., EDGAR, T.F., YOUNG, R.E., 1998, “The
Application of Nonlinear Dynamic Data Reconciliation to Plant Data”, Computers &
Chemical Engineering, v. 22, pp. 1907-1911.
MEERT, K., 1998,“. Real-time recurrent learning network structure for data reconciliation”,
Artificial Intelligence in Engineering, v. 12, pp. 213-218.
163
MEKARAPIRUK, W., LUUS, R., 2000, “Optimal Control by Iterative Dynamic
Programming with Deterministic and Random Candidates for Control”. Industrial
MEYER, M., KOEHRET, B. e ENJALBERT, M., 1993b, “Data Reconciliation on

Multicomponent Network Process”. Computers & Chemical Engineering, v. 17, pp. 807-
817.
MEYER, M., PINGAUD, H., ENJALBERT, M., 1993a, “An investigation in food process
simulation using data reconciliation”, Computers & Chemical Engineering, v. 17, pp.
S257-S262.
MINGFANG, K., BINGZHEN, C., BO, L., 2000, “An Integral to Dynamic Data
Rectification”, Computers & Chemical Engineering, v.24, pp. 749-753.
MOORE JR., M. J., 1996, Polypropylene Handbook. Hanser Publications. New York.
MORAD, K., YOUNG, B. R., SVRCEK, W. Y., 2005, “Rectification of plant measurements
using a statistical framework”, Computers & Chemical Engineering.
MUSKE, K., EDGARD, T. F., 1998, Capitulo 6 Nonlinear State Estimation. Prentice Hall
New Jersey
NARASIMHAN, S., HARIKUMAR, P., 1993, “Method to incorporate bounds in data

reconciliation and gross error detection - i. the bounded data reconciliation problem”,
NARASIMHAN, S., JORDACHE, C., 2000, “Data Reconciliation and Gross Error
Detection", Gulf Publishing, Houston,Texas..
NARASIMHAN, S., MAH, R.S.H., 1987, “Generalized Likelihood Ratio Method for Gross
Error Detection", AIChE Journal, v. 33, pp.1514-1521.
NASCIMENTO, C.A.O. e GIUDICI, R., 1998, “Neural Network Based Approach for
Optimization Applied to an Industrial Nylon-6,6 Polymerization Process”, Computers &
Chemical Engineering, v. 22, pp. S595-S600.
NOGITA, S., 1972, “Statistical test and Adjustment of Process Data", Industrial Enginnering
and Chemical Process Design Development, v. 11, pp.197-203.
NORONHA, F.B., PINTO, J.C., MONTEIRO, J.L.; LOBÃO, M.W., SANTOS, T.J., 1993,
Um Pacote Computacional para Estimação de Parâmetros e Projeto de Experimentos,
Relatório Técnico COPPE/UFRJ, Rio de Janeiro.
OLIVEIRA JUNIOR, A. M., PINTO, J.C., LIMA, E. L., 2004a, A Importância da Detecção
de Erros Grosseiros nos Processos Industriais. XV Congresso Brasileiro de Engenharia
Química, Curitiba,Brasil.
164
OLIVEIRA JUNIOR, A. M., PINTO, J.C., LIMA, E. L., 2004b, Uma Proposta de
Classificação de Variáveis no Mundo da Reconciliação de Dados de Processos
Industriais. XV Congresso Brasileiro de Engenharia Química, Curitiba,Brasil.
OLIVEIRA JÚNIOR, A.M., PINTO, J.C., 1999, Analysing the dynamic behavior os XS from
actual data sets obtained in Duque de Caxias, In: Internal Report, Polibrasil Resinas S.A.
ÖZYURT, D. B., PIKE, R. W., 2004, “Theory and Practice of Simultaneous Data
Reconciliation and Gross Error Detection for Chemical Process”, Computers & Chemical
Engineering, v. 28, pp. 381-402.
PAGES, A., PINGAUD, H., MEYER, M., 1994, “A Strategy for Simultaneous Data
Reconciliation and Parameter Estimation on Process Flowsheets”, Computers &
Chemical Engineering, v. 18, pp. S223-S227.
PAGES, A., PINGAUD, H., MEYER, M., JOULIA, X, 1996, “From Process Simulation to
General Estimation ”, Computers & Chemical Engineering, v. 20, pp. 1413-1424.
PENLIDIS, A., 1994, "Polymer Reaction Engineering: From Reaction Kinetics to Polymer Reactor
Control", Canadian Journal of Chemical Engineering, v. 72(06), pp. 385-391.
PENLIDIS, A., PONNUSWAMY, S. R., KIPARISSIDES, C., O’DRISCOLL, K.F., 1992,

“Polymer reaction Engineering: Modeling Considerations for Control Studies”, The
Chemical Engineerinng Journal, v. 50, pp. 95-107.
PIERUCCI, S., FARAVELLI, T., BRANDANI, P., 1994, “Project for on-line reconciliation
and optimization of an olefin plant”, Computers & Chemical Engineering, v. 18, pp.
S241-S246.
PLACIDO, J., LOUREIRO, L.V., 1998, “Industrial Application of Data Reconciliation”,

Computers & Chemical Engineering, v. 22, pp. S1035-S1038.
POLIC, A. L., LONA, L. M. F., DUEVER, T. D., PENLIDIS, A.., 2004, “A Protocol for the
Estimation of Parameters in Process Models: Case Studies with Polymerization
Scenarios,” Macromolecular Theory And Simulation , v. 13, pp. 115-132.
PRATA, D. M., 2005, Reconciliação de dados em um Reator de Polimerização. Dissertação

de Mestrado, COPPE/UFRJ, Rio de Janeiro, RJ, Brasil.
RAGHUNATHAN, A. U., PÉRES-CORREA, J. R., BIEGLER, L. T., 2003, “Data

Reconciliation in Flux Balance Analysis”, Biotechnology & Bioengineering, v.84, pp.
700-709.
RAGOT, J., MAQUIN,D., BLOCH,G.,GOMOLKA,W., 1990,“ Observability and Variables

Classification in Bilinear Process”, Journal of Automatic Control-Journal A, v.31, pp. 17-
23.
165
RAMAMURTHI, Y.; SISTU, P. B., BEQUETTE, P. W., 1993, “Control-Relevant Dynamic
Data Reconciliation and Parameter Estimation”, Computers & Chemical Engineering,
v.17, pp. 41-59.
RAO, C. V., RAWLINGS, J. B., 2002, “Constrained Process Monitoring: Moving-Horizon

Approach", AIChE Journal, v. 48, pp.97-109.
RAY, W. H., 1972, "On the Mathematical Modeling of Polymerization Reactors”, Journal of
Macromolecular Science - Reviews in Macromolecular Chemistry, v. C08(01), pp. 01-56,
1972.
RAY, W.H., 1981, Advanced Process Control. 1 Ed. New York. McGraw-Hill.
RAY, W.H., VILLA, C.M., 2000, "Nonlinear Dyamics Found in Polymerization Processes –
a Review". Chemical Engineering Science, v. 55, pp. 275-290.
REILY, P. M., PATINO-LEAL, H., 1981, “A Bayesian Study of the Error-in-variables

Model”, Technometrics, v. 23, pp. 221-229.
RIPPS, D. L., 1965, “Adjustment of Experimental Data” , Process Control and Apllied
Mathematics, v. 61, pp. 8-13.
ROBERTSON, D.,LEE, J.H., RAWLINGS, J. B.,1996,“A Moving Horizon-based Approach

for Least Square Estimation”, AIChE Journal, v. 41, pp. 1712-1722.
ROMAGNOLI, J.A., GANI, R., 1983, “Studies of Distributed Parameter Systems:

Decoupling the State-Parameter Estimation Problem”, Chemical Engineering Science, v.
38, pp. 1831-1843.
ROMAGNOLI, J.A., SANCHEZ, M.A., 2000, Data processing and Reconciliation for
Chemical Process Operations. Process System Engineering. Vol. 2. Academic Press.
London.
ROMAGNOLI, J.A., STEPHANOPOULOS, G., 1980, “On the Rectification of Measurement

Errors for Complex Chemical Plants – Steady state Analysis”, Chemical Engineering
Science, v. 35, pp. 1067-1081.
ROMAGNOLI, J.A., STEPHANOPOULOS, G., 1981, “Rectification of Process

Measurement data in the Presence of Gross Errors”, Chemical Engineering Science, v.
36, pp. 1849-1863.
RUSSO, L.P., YOUNG, R. E., 1999, “Moving-Horizon State Estimation Applied to an

Industrial Polymerization Process”, Proceedings of the American Control Conference.
San Diego, California.
166
SANCHEZ, M., ROMAGNOLI, J.A., 1996, “Use of Orthogonal Transformations in Data
Classification – Reconciliation”, Computers & Chemical Engineering, v. 20, pp. 483-
493.
SANCHEZ, M.; BANDONI, A., ROMAGNOLI, J.A., 1992, “PLADAT: A Package for
Process Variable Classification and Plant Data Reconciliation”, Computers & Chemical
Engineering, v. 16, pp. S499-S506.
SANCHEZ, M.; ROMAGNOLI, J.A., JIANG, Q., BAGAJEWICZ, M., 1999, “Simultaneous
Estimation of Biases and Leaks in Process Plants”, Computers & Chemical Engineering,
vol. 23, pp. 841-857.
SAYER, C., LIMA, E.L. e PINTO, J.C., 1997, “Dynamic Modeling of SBR Emulsion
Polymerization Reactors Refrigerated by Thermosyphons”, Chemical Engineering
Science, v 52, pp. 341-356.
SCHWAAB, M., 2005, Avaliação de Algoritmos Heurísticos de Otimização em Problemas de

Estimação de Parâmetros. Dissertação de Mestrado, COPPE/UFRJ, Rio de Janeiro, RJ,
Brasil.
SCHWETLICK, H., TILLER, V., 1985, “Numerical Methods for Estimating Parameters in
Nonlinear Models with Errors in the Variable”, Technometrics, v. 27, pp. 17-27.
SEAVEY, K. C., KHARE, N. P., LIU, Y. A., WILLIAMS, T. N., CHEN, C.-C. , 2003,“A
New Phase-Equilibrium Model for Simulating Nylon-6 Polymerization Processes”,
Industrial Engineering and Chemistry Research, v. 2, pp. 3900-3999.
SERTH, R.W., HEENAN, W.A., 1986 “Gross errors detection and data reconciliation in
steam-metering systems”, AIChE Journal, v. 32, pp. 733-742.
SILVA, C. M., 2003, Otimização Multiobjetivo de Processos Químicos por Estratégias

Evolucionárias. Tese de Doutorado, COPPE/UFRJ, Rio de Janeiro, RJ, Brasil.
SILVA, F., PINTO, J.C., 1999a, Modeling XS Dynamics in the LIPP Process. A conjectural
Model, In: Internal Report, Polibrasil Resinas S.A.
SILVA, F., PINTO, J.C., 1999b, Stochastic Simulation of the Liquid Bleed Operation, In:
Internal Report, Polibrasil Resinas S.A.
SIROHI, A., CHOI, K.Y., 1996, “On-Line Parameter Estimation in a Continuous

Polymerization Process”, Industrial Engineering and Chemistry Research, v. 35,
pp.1332-1343.
SODERSTROM, T. A., EDGARD, T. F., RUSSO, L. P., YOUNG, R. E., 2000, “Industrial
Application of a Large-Scale Dynamic Data reconciliation Estrategy”, Industrial
Engineering and Chemistry Research, v. 39, pp.1683-1693.
167
SOROUSH, M., 1997, “Nonlinear State-Observer Design with Application to Reactors”,
Chemical Engineering Science, v. 52(03), pp. 387-404.
SOROUSH, M., 1998, “State and Parameter Estimations and Their Applications in Process
Control”, Computers & Chemical Engineering. v. 23, pp. 229-245.
STADTHERR, M. A., GIFFORD, W. A, SCRIVEN, L. E., 1974, “Efficient Solution of

Sparse Sets of Design Equations”. Chemical Engineering Science, v. 29, pp. 1025-1034.
STANLEY, G.M., MAH, R. S. H., 1977, “Estimation of Flows and temperatures in process
networks”, AIChE Journal, v. 23, pp. 642-650.
STANLEY, G.M., MAH, R. S. H., 1981a, “Observability and Redundancy Classification in

Process Networks”, Chemical Engineering Science, v. 12, pp. 1941-1954.
STANLEY, G.M., MAH, R. S. H., 1981b, “Observability and Redundancy in Process Data
Estimation”, Chemical Engineering Science, v. 36, pp. 259-272.
SUNDE, S., BERG, O, 2003, “Data Reconciliation and Fault Detection by Means of Plant-
wide Mass and Energy Balances”, Progress in Nuclear Energy, v. 43, pp. 97-104.
TAKIYAMA, H., NAKA, Y., O'SHIMA, E., ADRIANI, A., 1991, “Sensor-based data
reconciliation method and application to the pilot plant”, Journal of Chemical
Engineering of Japan, v. 24, pp. 339-346.
TAMHANE, A.C., MAH, R.S., 1985, “Data Reconciliation and Gross error detection in
Chemical Process Networks”, Technometrics, v. 27, pp. 409-422.
TERRY, P. A., HIMMELBLAU, D.M., 1993, ““Data rectification and gross error detection in
a steady state process via artificial neural networks”, Industrial Engineering and
THORNHILL, N. F., CHOUDHURY, M. A. A. S., SHAH, S. L., 2004, “The impact of

Compression on Data-driven Process Analyses”, Journal of Process Control, v. 14, pp.
389-398.
TJOA, I.B., BIEGLER, L.T., 1991a, “Simultaneous Solution and Optimization Strategies for
Parameter Estimation of Differential-Algebraic Equation Systems”, Industrial
TJOA, I.B., BIEGLER, L.T., 1991b, “Simultaneous Strategy for Data Reconciliation and
Gross Error Detection of Nonlinear Systems”, Computers & Chemical Engineering, v.
15, pp. 679-690.
TJOA, I.B., BIEGLER, L.T., 1992, “Reduced Sucessive Quadratic Programming Estrategy
for Errors-in-Variables Estimation”, Computers & Chemical Engineering, v. 16, pp. 523-
533.
168
TONG, H., CROWE, C.M., 1995, “Detection of Gross Errors in Data Reconciliation by
Principal Component Analysis”, AIChE Journal, v. 41, pp. 1712-1722.
TOSUN, G., 1992, “A Mathematical Model of Mixing and Polymerization in a Semibatch

Stirred-Tank Reactor”, AIChE Journal, v 38, pp. 425-437.
VACHHANI, P., RENGASWAMY, R., VENKATASUBRAMANIAN, V., 2001, “A

Framework for Integrating Diagnostic Knowledge with Nonlinear Optimization for Data
Reconciliation and Parameter Estimation in Dynamic Systems”, Chemical Engineering
Science, v. 56, pp. 2133-2148.
VÁCLAVEK, V., 1969, “Studies on System Engineering – III optimal Choice of The Balance
Measurements in Complicated Chemical Engineering Systems”, Chemical Engineering
Science, v. 24, pp. 947-955.
VÁCLAVEK, V., LOUCKA, M., 1976, “Selection of Measurements necessary to Achieve

Multicomponent Mass Balances in Chemical Plant”, Chemical Engineering Science, v.
31, pp. 1109-1205.
VEGA, M.P., LIMA, E.L. e PINTO, J.C., 1997, “Modeling and Control of Tubular Solution
Polymerization Reactors”, Computers & Chemical Engineering, v. 21, pp. 1049-1054.
VIEIRA, R.A.M., EMBIRUÇU, M., SAYER, C., PINTO, J.C., LIMA, E.L., 2003, “Control
Strategies for Complex Chemical Process. Applications in polymerization process”,
VIEIRA, R.C.; BISCAIA Jr., E.C., 2001, “Direct Methods for Consistent Initialization of
DAE Systems”, Computers & Chemical Engineering, v. 25, pp. 1299-1311.
WANG, F.S.; SHIEH, T.L., 1997, “Extension of Iterative Dynamic Programming to

Mutiobjective Optimal Control Problems”. Industrial Engineering and Chemistry
Research, v. 36, pp. 2279-2286.
WEISS, G.H., ROMAGNOLI, J.A., ISLAM, K.A., 1996, “Data Reconciliation – An

Industrial Case Study”, Computers & Chemical Engineering, v. 20, pp.1441-1449.
WONGRATA, W. SRINOPHAKUN, T.,SRINOPHAKUN, P., 2005, “Modified genetic

algorithm for nonlinear data reconciliation”, Computers & Chemical Engineering, v. 29,
pp. 1059-1067.
YANG, Y., TEN, R., JAO, L., 1995, “A Study of Gross Error Detection and Data
Reconciliation in Process Industries”, Computers & Chemical Engineering, v. 19, pp.
S217-S222.
YIP, W.S., MARLIN, T.E., 2002, “Multiple data sets for model updating in real-time
operations optimization”, Computers & Chemical Engineering, v. 26, pp. 1345-1362.
169
ZHANG, P., RONG, G., WANG, Y., 2001, “A New Method of Redundancy Analysis in Data
Reconciliation and its Application”, Computers & Chemical Engineering, v. 25, pp. 941-
949.
170
APÊNDICE I - Síntese de Amônia
Na Agricultura existe a necessidade de fornecer nutrientes ao solo, para manter a

atividade produtiva e evitar o esgotamento. Um dos nutrientes básicos para os vegetais é o
nitrogênio, que é fundamental na produção de proteínas. Algumas plantas conseguem fixar
o nitrogênio para as suas necessidades diretamente do ar. Entretanto, a maioria delas
somente consegue absorver o nitrogênio se ele estiver “fixado”, isto é, quimicamente ligado
a outros átomos inorgânicos. Atualmente, as necessidades do “nitrogênio fixado” são
providas com a amônia e produtos derivados da mesma. A fabricação de Amônia é o ponto
de partida essencial de todos os fertilizantes nitrogenados.
Apesar da importância da amônia na agricultura atualmente, a história da fabricação

da amônia é relativamente recente. Ela foi há cerca de 200 anos identificada como
composto químico constituído de hidrogênio e nitrogênio. A primeira planta comercial
começou a operar em 1914 - uma unidade de 30 t/dia. Da primeira planta a indústria de
amônia evoluiu para a condição atual de um dos produtos químicos mais importantes e
mais produzidos no mundo. A capacidade de produção da planta encontra-se na Tabela I.1.
Tabela I.1 - Capacidade de produção de Camaçari e Laranjeiras

Produtos Capacidade de produção
t/dia t/ano
Camaçari
Amônia 1.500 495.000
Uréia 1.500 495.000
Ácido Nítrico Diluído 110 36.300
Ácido Nítrico Concentrado 110 36.300
Gás Carbônico 1.875 618.750
Laranjeiras
Amônia 1.250 412.500
Uréia 1.800 594.000
Gás Carbônico 1.536 506.880
Fonte: FAFEN-SE
171
A essência do processo de síntese de amônia pode ser visualizada no diagrama da
Figura I.1. As principais matérias-primas para este processo são: gás natural (cujo
componente predominante é o metano), ar atmosférico e vapor de água. Um processo de
reforma catalítica a alta pressão produz o hidrogênio empregado na síntese de amônia
líquida, anidra, juntamente com o nitrogênio do ar atmosférico.
NH3
Pressão
0,5 N2 Temperatura 1,5 H2
Catalisador Reforma
Ar de Processo + Gás Natural

a Vapor
Figura I.1. Diagrama indicativo do processo de síntese de amônia.
A síntese de amônia requer hidrogênio, nitrogênio e um reator para converter esses

gases em amônia. A fonte de nitrogênio é o ar atmosférico, e o hidrogênio provém do gás
natural, com a reforma a vapor. As diferentes etapas e operações que integram o processo
de produção de amônia líquida, anidra, compreendem as seguintes etapas de
processamento:
• Preparação do gás de processo impuro (sistema de reforma a vapor):
o Compressão e dessulfurização do gás de alimentação;
o Reforma primária;
o Reforma secundária;
o conversão de CO a CO2.
• Purificação do gás de processo:
o Remoção do CO2;
172
o Conversão do CO e traços restantes de CO2 (óxidos totais) por metanação
(sistema de reforma a vapor).
• Síntese (produção) da amônia líquida (sistema de síntese de amônia):
o Compressão do gás de síntese;
o Conversão do gás de síntese em amônia;
o Separação de amônia líquida do gás de síntese (condensação);
o Recuperação do gás de purga.
A amônia em estado gasoso possui um odor picante e fortemente penetrante. É

incolor e não apresenta sensibilidade à luz. As suas principais propriedades físico-químicas
são as seguintes:
Fórmula química ............................................................ NH3.
Peso Molecular .............................................................. 17,3.
Ponto de ebulição a 1 atm.............................................. - 33,5oC.
Ponto de Solidificação a 1 atm ...................................... - 77,7oC.
Solubilidade na água a 25oC e 1 atm ............................. 0,456g NH3/g
Limite de explosividade no ar, vol. % ............................ 16 a 25
Temperatura de auto-ignição ......................................... 651oC
A amônia em fase gasosa não é intensamente combustível. O seu limite de

inflamabilidade no ar seco é de 16 a 25 % em volume e a temperatura de ignição é elevada.
Torna-se mais explosiva se a mistura contiver gases combustíveis, como o hidrogênio, ou
então em misturas com concentrações elevadas de oxigênio. A combustão da amônia
produz chamas menores do que para os combustíveis orgânicos e não são muito luminosas,
devida à ausência de carbono. Contudo, queima intensamente em atmosfera de oxigênio. A
reação de amônia líquida com a água é exotérmica, com formação de hidróxido de amônia.
O hidróxido de amônia tem características alcalinas e é o responsável pela corrosão do
cobre, zinco, prata e muitas das suas ligas.
173
APÊNDICE II- Fluxogramas dos circuitos de água
TANQUE 02 FILTROS
CLARIFLO-
AGUA
CULADOR
BRUTA 01
05 03
07
04
06 TANQUE
AGUA LAVAGEM
Figura II.1. Sistema de produção de água clarificada como matéria prima para produção
de água de resfriamento, de água desmineralizada e para atender
serviços.
12 14
16 17 19 20
13
11
15 18 21
13 16 17 19 20
21
ÁGD para
Produção de
Vapor
Figura II.2. Sistema de produção de água desmineralizada para atender à geração de

vapor
174
28
26 ÁGR para a
Planta de
Amonia
27
ÁGC para a ÁGR para a
Torre de Planta de
10 Resfriamento Ureia
25
29
Figura II.3. Sistema de produção de água de resfriamento para atender a planta com
utilidades frias.
101 F
(263,0 t/h)
Vapor 105 kg/cm2
Produção Máquinas
Térmicas + PIC’s-13
(263,0 t/h)
Vapor 38 kg/cm2 PIC-13
Figura II.4. Sistema de produção de vapor para atender a planta com utilidades quentes,
utilização em máquinas e operações do processo
Águas Oleosas Separador

SAO - API
Caixa de Bacia de
Águas Passagem Estabilização
Contaminantes
Inórgânicos
Águas
Contaminantes
Orgânicos Descarte para o Mar
Figura II.5. Sistema de estabilização de efluentes para envio a corpos receptores ou para
estações de tratamento de efluentes
175
APÊNDICE III- O Polipropileno
Os polímeros se distinguem entre si pelo grau de diferenciação, escala de produção

e nível de consumo e, conseqüentemente, valor agregado. Assim, de uma maneira geral, os
materiais poliméricos podem ser subdivididos em três grandes grupos: polímeros para usos
gerais (commodities), polímeros para usos específicos (quasi-commodities) e polímeros de
alto desempenho (especialidades). Polímeros tipo commodities são aqueles produzidos em
grande escala, têm baixo valor agregado e são consumidos em grandes quantidades (Ex:
polipropileno). Os chamados polímeros quasi-commodities são também produzidos em
grande escala, porém em nível mais baixo do que as commodities. Contudo, quasi-
commodities apresentam desempenhos diferenciados e propriedades que os fazem ser ideais
em determinadas aplicações. Já os polímeros de especialidades são aqueles que apresentam
alto desempenho em algum sentido específico e são produzidos em escalas de pequeno
porte, com propriedades bem definidas e com alto valor agregado.
Desde a sua introdução em 1954, o polipropileno (PP) se tornou uma das mais
importantes resinas termoplásticas da atualidade, sendo hoje a resina polimérica que
apresenta o maior crescimento de participação no mercado. Por outro lado, o polipropileno
hoje se coloca ao lado do ABS numa zona de transição entre os plásticos de grande
consumo e os plásticos de engenharia. A produção nacional de polipropileno tem também
uma importância estratégica, por ser um grande consumidor de propeno, gerado nas
centrais petroquímicas que utilizam nafta como insumo básico.
O polipropileno obteve um crescimento fenomenal no mundo, tanto em termos de

produção como de uso, ao longo da segunda metade do século 20. Dos anos sessenta até a
crise de petróleo no inicio dos anos 1970, a taxa de crescimento era próxima de 25%
anualmente. Durante o período de meados da década de 70 até o final da década de 90, a
taxa de consumo aumentou anualmente a uma taxa entre 7% e 12%. Esta taxa alta de
crescimento no consumo de PP requereu uma capacidade de produção que atendesse a
demanda crescente. Apesar da capacidade instalada variar tipicamente entre 85 e 98% em
períodos de pico, a maior parte do tempo havia um equilíbrio entre consumo e demanda.
176
Porém, durante a segunda metade dos anos 90, muitas companhias investiram no aumento
da capacidade da indústria de poliolefinas.
O PP é um polímero extremamente versátil. Possui diversas qualidades, como

excelente resistência química, boas propriedades mecânicas e baixo custo, que faz com que
seja o polímero escolhido para várias aplicações, como pode ser visto na Tabela III.1.
Tabela III.1. Principais aplicações de polipropileno

SetoresdeTransformação
EMBALAGENS TÊXTIL AUTOMOBILÍSTICO CONSUMO

DOMÉSTICO
E OUTROS
Ráfia Ráfia Ráfia Ráfia
Sacaria Base p/ tapetes - Plasticultura
Filmes Filmes Filmes Filmes
Embalagens para:
-ind. alimentícia (convencional e não há não há não há
biorientados)
-confecções (convencional)
-cigarros (biorientados)
Extrusão Extrusão Extrusão Extrusão
Potes e copos p/ind. alimentícia Chapas termoformadas p/ Monofilament
Fitas de arquear não há consoles e painéis os
Tubos e
chapas
Fibras Fibras Fibras Fibras
Embalagens para hortigranjeiros Fibras cortadas e Carpetes e revestimento interno
filamentos de laterais não há
contínuos p/
artigos têxteis
Injeção Injeção Injeção Injeção

Potes e tampas p/ ind. alimentícia, Carretéis e cones Componentes para interiores e Móveis,
farmacêutica e cosméticos para exteriores eletrodoméstic
Caixas p/ embalagens industriais embobinamento Peças técnicas os e utilidades
de fios domésticas
Componentes p/ Eletro-
equipamentos eletrônica
Seringas
Sopro Sopro Sopro Sopro
Potes e frascos p/ ind. alimentícia e Utilidades
farmacêutica não há não há domésticas
Frascos p/ óleo motor
As principais características do polipropileno no tocante a sua alta aceitação e

crescimento significativo são:
- alta rigidez, baixo peso específico (especialmente quando orientado) e resistência
às altas temperaturas (ponto de fusão em torno de 170° C);
177
- propriedades mecânicas adequadas, quando reforçado, e suficientes para competir,
em várias aplicações, com plásticos de engenharia que apresentam um maior custo;
- boas propriedades que possibilitam uma fácil moldagem por injeção; pode ser
estirado e orientado, característica fundamental para produção de fibras e filmes orientados.
As desvantagens do polipropileno são, basicamente, a pouca resistência ao impacto

em baixas temperaturas e a baixa resistência à oxidação. A primeira desvantagem pode ser
minimizada através da mistura com polietileno de alta densidade (PEAD) ou copolímeros
contendo eteno. Já a segunda desvantagem pode ser reduzida com o uso de novas
tecnologias de transformação e formulação. A resina de polipropileno é convertida para os
produtos finais basicamente por moldagem de injeção e pelo processo de extrusão.
O polipropileno é obtido através da polimerização do gás propeno (que é o

monômero), utilizando catalisadores do tipo Ziegler-Natta. A matéria-prima básica
(monômero) é o propeno (ou propileno), que deve ter um alto nível de pureza (superior a
99,5% e isento de água, oxigênio, dióxido de carbono, hidrogênio, enxofre e acetileno, que
podem envenenar os catalisadores empregados). As polimerizações de propeno com
catalisadores Ziegler-Natta são bastante difíceis de serem conduzidas, devido à pureza
requerida das matérias-primas. A atividade e o decaimento do catalisador dependem das
relações molares entre catalisador, co-catalisador, doador de elétrons e concentração de
hidrogênio. Assim, o propeno - grau polímero pode custar de US$ 4 a 5/kg a mais em
relação ao propeno - grau químico (ABIQUIM, 2005). Normalmente é usado um
catalisador de MgCl2/TiCl4 altamente ativo, satisfatório para polimerização. O catalisador
contém benzoato de etila (BE) como doador interno de elétrons e é usado conjuntamente
com o p-etoxibenzoato de etila (PEEB) como doador externo de elétrons, além do
trietilalumínio (TEA) como co-catalisador. Depois de um período na qual o catalisador é
ativado pelo co-catalisador, o catalisador alcança seu máximo de atividade e, depois disso,
segue o comportamento típico de decaimento de um catalisador Ziegler-Natta que se
deteriora após um certo tempo.
A remoção do catalisador do produto e a separação do polímero atático são

requeridas para obtenção de um produto adequado (MOORE, 1996). Com o
desenvolvimento dos catalisadores de alta atividade, os processos foram simplificados. Os
178
principais processos de polimerização são os processos em solução, em suspensão em um
solvente (slurry), em massa (bulk); e em fase gasosa, sendo este o de tecnologia mais
moderna. Antes da década de 80, a polimerização em suspensão era o processo mais usado
na produção de polipropileno. Uma variante importante deste é utilizado no processo
Spheripol (Figura III.1) - o dominante atualmente. Porém, as tecnologias de produção de
polipropileno constituem uma combinação da tecnologia de processo com a tecnologia de
catalisador.
Figura III.1. Processo Spheripol de produção de de polpipropileno
179
APÊNDICE IV- Modelo com uma amostragem
Quadro IV.1. Distribuição das variáveis por equação aplicada no algoritmo de identificação
estrutural
Equação Variáveis
dPa ⎛ Pa ⎞ t , wa , Pa, me , Pe, m purga

= me ⋅ wa − ⎜ ⎟ ⋅ m purga
dt ⎝ Pa + Pe ⎠ Pa( 0) , me( 0) , Pe( 0 ) , m purga ( 0)
dPe ⎛ Pe ⎞ t , wa , Pa, me , Pe, m purga , R pol

= me ⋅ (1 − wa ) − R pol −⎜ ⎟ ⋅ m purga
dt ⎝ Pa + Pe ⎠ Pa( 0) , me( 0) , Pe( 0 ) , R pol(0) , m purga ( 0)
dPol t , Pol , m pol , R pol

= R pol − m pol
dt Pol( 0) , R pol(0) , m pol
( 0)
⎛ Cat ⋅ Pe ⎞ R pol , K p , Cat , Pe, M

R pol = K p ⋅ ⎜ ⎟
⎝ M ⎠
⎛ Cat( 0) ⋅ Pe( 0) ⎞ R pol(0) , K p , Cat( 0) , Pe( 0 ) , M ( 0)

R pol(0) = Kp ⋅⎜ ⎟
⎜ M ⎟
⎝ ( 0 ) ⎠
dCat ⎛ Cat ⎞ t , Cat , Pol , mCat , m pol , K d

= mCat − ⎜ ⎟ ⋅ m pol − K d ⋅ Cat
dt ⎝ Pol ⎠ Cat( 0) , Pol( 0) , mCat(0) , m pol(0)
dPEEB ⎛ PEEB ⎞ t , PEEB, Pol , mPEEB , m pol

= mPEEB − ⎜ ⎟ ⋅ m pol
dt ⎝ Pol ⎠ PEEB( 0) , Pol( 0) , mPEEB(0) , m pol(0)
dTEA ⎛ TEA ⎞ ⎛ TEA ⎞ t , TEA, Pol , α , Pa, mTEA , Pe, m purga , m pol
= mTEA − α ⋅ ⎜ ⎟ ⋅ m purga − (1 − α ) ⋅ ⎜ ⎟ ⋅ m pol
dt ⎝ Pe + Pa ⎠ ⎝ Pol ⎠ Pa( 0) , TEA( 0) , Pol( 0) , mTEA( 0) , Pe( 0) , m purga , m pol
( 0) ( 0)
⎛ Pa Pe Pol ⎞ V , Pa, Pe, Pol , ρ a , ρ e , ρ pol

V =⎜ + + ⎟⎟
⎜ρ
⎝ a ρ e ρ pol ⎠
180
⎛ Pa( 0) Pe( 0) Pol( 0) ⎞ V( 0) , Pa( 0) , Pe( 0) , Pol( 0) , ρ a(0) , ρ e(0) , ρ pol(0)

V( 0) − ⎜ + + ⎟=0
⎜ ρa 0 ρ ρ ⎟
⎝ () e( 0) pol( 0) ⎠
⎧ V = 2.300 ⋅104 + [( L − 16.5%) ⋅1.544 ⋅103 ] V,L

V ( L) = ⎨ −2 −4
⎩V = 9.088 ⋅10 ⋅ [1.060 ⋅10 ⋅ ( L) + 2.870 ⋅10 ⋅ ( L) ]
4 2
( )
V( 0) = V L( 0) V( 0) , L( 0)
d ( XS ) R pol ⎡ R ⎛ TEA ⎞ ⎤ t , XS , Pol , XS R , TEA, R pol , PEEB, K xs

= ⋅ XS + K xs ⋅ ⎜ − 1⎟ − XS ⎥
dt Pol ⎢⎣ ⎝ PEEB ⎠ ⎦ TEA( 0) , XS( 0 ) , Pol( 0) , R pol , PEEB( 0)
( 0)
dN R pol m pol t , N , m pol , R pol , M nI , M nac

= I − ac
dt Mn Mn N ( 0) , R pol(0) , m pol , M nI , M nac
( 0) ( 0) ( 0)
1 M nI , γ, C,Pa, Pe, PH 2
M nI = PMPe ⋅
( PH 2 )
γ +C⋅
⎛ Pe ⎞
⎜ ⎟
⎝ Pa + Pe ⎠
Pol M nac , Pol , N

M nac =
N
M wac = PD ⋅ M nac M wac , PD, M nac
1 M nI(0) , γ, C,Pa( 0) , Pe( 0) , PH 2 ( 0)

M nI(0) = PMPe ⋅
( PH 2 )( 0)
γ +C⋅
⎛ Pe( 0) ⎞
⎜ ⎟
⎜ Pa( 0) + Pe( 0) ⎟
⎝ ⎠
Pol( 0) M nac(0) , Pol( 0 ) , N ( 0)

M nac(0) =
N( 0)
181
M wac(0) = PD ⋅ M nac(0) M wac(0) , PD, M nac(0)
MI = K 0 ⋅ ( M wac ) λ MI , K 0 , M wac , λ
MI ( 0) = K 0 ⋅ ( M wac( 0 ) )λ MI ( 0) , K 0 , M wac( 0 ) , λ
Q2 = meA ⋅ λe + meA ⋅ Cp e ⋅(T − TA ) + meB ⋅ λe + meB ⋅ Cp e ⋅(T − TB ) Q2 , meA , λe , Cp e , T , TA , meB , TB
Q2( 0 ) = meA( 0 ) ⋅ λe( 0 ) + meA( 0 ) ⋅ Cp e ( 0) ⋅(T( 0 ) − TA( 0 ) ) + meB( 0) ⋅ λe( 0) + meB( 0) ⋅ Cp e( 0 ) ⋅(T( 0 ) − TB( 0) ) Q2( 0 ) , meA( 0 ) , λe( 0) , Cp e ( 0 ) , T( 0 ) , TA( 0 ) , meB( 0 ) , TB( 0 )
dT me ⋅ Cpe ⋅ (Te − T ) + mrec ⋅ Cpe ⋅ (Te − T ) + (−∆H ) ⋅ Rpol − Q t , T , Pol , Pa, me , Pe, Cpa , Cpe , Cp pol , Te , Te ,
e rec e rec
=
dt ( Pa ⋅ Cpa + Pe ⋅ Cpe + Pol ⋅ Cp pol ) mrec , ∆H , Rpol , Q, Pa(0 ) , T( 0) , Pol( 0) , me ( 0) , Pe( 0) ,
Cpa , Cp pol , Cpe , Tee , Terec , mrec , Rpol ( 0) , Q( 0)
( 0) (0) (0) (0) ( 0) ( 0)
M = Pe + Pa + Pol M , Pe, Pa, Pol
M ( 0) = Pe( 0) + Pa( 0) + Pol( 0) M ( 0) , Pe( 0) , Pa( 0) , Pol( 0)
Pol w pol , Pol , M

wpol =
M
Pol( 0) wpol(0) , Pol( 0) , M ( 0)

w pol(0) =
M ( 0)
mrec + m purga mlama , mrec , m purga , w pol

mlama =
1 − w pol
mrec(0) + m purga(0) mlama(0) , mrec(0) , m purga(0) , w pol(0)

mlama(0) =
1 − wpol(0)
m pol = mlama ⋅ w pol m pol , mlama , w pol
182
m pol(0) = mlama(0) ⋅ wpol(0) m pol(0) , mlama(0) , wpol(0)
Pa Ca , Pa , Pe
Ca =
Pa + Pe
Pa(0) Ca(0) , Pa(0) , Pe(0)

Ca(0) =
Pa(0) + Pe(0)
M ( 0 ) − mPEEB PEEB( 0) , M ( 0) , mPEEB , mlama

PEEB( 0) =
mlama
Q2 + mw ⋅ Cpw ⋅ Twe Tws , Q2 , mw , Cpw , Twe , mw , Cpw

Tws =
mw ⋅ Cpw
T s
=
( )
Q2( 0) T( 0) + mw( 0) ⋅ Cpw( 0) ⋅ Twe( 0) Tws( 0 ) , Q2( 0) , T( 0) , mw( 0) , Cpw( 0) , Twe( 0 ) , mw( 0) , Cpw( 0)
mw( 0) ⋅ Cpw( 0)
w( 0 )
λe = λe (T ) λe , T
λe( 0) = λe (T( 0) ) λe( 0) , T( 0)
C p = C p (T ) Cp ,T
e e e
Cp = C p (T( 0) ) Cp , T( 0)
e( 0 ) e e( 0 )
a a a
Cp = C p (T( 0) ) Cp , T( 0)
a( 0 ) a a( 0 )
Cp = Cp (T ) Cp ,T
pol pol pol
183
Cp = Cp (T( 0) ) Cp , T( 0)
pol( 0 ) pol pol( 0 )
w w w
Cp = C p (T( 0) ) Cp , T( 0)
w( 0 ) w w( 0 )
ρe = ρe (T ) ρe , T
ρ e( 0) = ρ e (T(0) ) ρ e( 0) , T( 0)
ρ a = ρ a (T ) ρa , T
ρa ( 0) = ρa (T( 0) ) ρ a ( 0) , T( 0)
ρ pol = ρ pol (T ) ρ pol , T
ρ pol( 0) = ρ pol (T( 0) ) ρ pol( 0) , T( 0)
184
APÊNDICE V - Modelo com duas amostragens
Quadro V.1. Equações complementares da distribuição das variáveis por equação aplicada
no algoritmo de identificação estrutural em dois instantes de tempo
Equação∗ Variáveis
3.100 dPa ⎛ Pa ⎞ t , t2 , wa , Pa, me , Pe, m purga

= me ⋅ wa − ⎜ ⎟ ⋅ m purga
dt ⎝ Pa + Pe ⎠ Pa( 2) , me( 2) , Pe( 2) , m purga ( 2)
3.101 dPe ⎛ Pe ⎞ t , t2 , wa , Pa, me , Pe, m purga , R pol

= me ⋅ (1 − wa ) − R pol − ⎜ ⎟ ⋅ m purga
dt ⎝ Pa + Pe ⎠ Pa( 2) , me ( 2) , Pe( 2) , R pol( 2) , m purga ( 2)
3.102 dPol t , t2 , Pol , m pol , R pol

= R pol − m pol
dt Pol( 2) , R pol( 2) , m pol
( 2)
3.103 ⎛ Cat( 2) ⋅ Pe( 2) ⎞ R pol( 2) , K p , Cat( 2) , Pe( 2) , M ( 2)

R pol( 2) = K p ⋅ ⎜ ⎟
⎜ M ⎟
⎝ ( )
2 ⎠
3.104 dCat ⎛ Cat ⎞ t , t2 , Cat , Pol , mCat , m pol , K d

= mCat −⎜ ⎟ ⋅ m pol − K d ⋅ Cat
dt ⎝ Pol ⎠ Cat( 2) , Pol( 2) , mCat( 2) , m pol( 2)
3.105 dPEEB ⎛ PEEB ⎞ t , t2 , PEEB, Pol , mPEEB , m pol

= mPEEB − ⎜ ⎟ ⋅ m pol
dt ⎝ Pol ⎠ PEEB( 2) , Pol( 2) , mPEEB( 2) , m pol( 2)
3.106 dTEA ⎛ TEA ⎞ ⎛ TEA ⎞ t , t2 , TEA, Pol , α , Pa, mTEA , Pe, m purga ,
= mTEA − α ⋅ ⎜ ⎟ ⋅ m purga − (1 − α ) ⋅ ⎜ ⎟ ⋅ m pol
dt ⎝ Pe + Pa ⎠ ⎝ Pol ⎠ m pol , Pa( 2) , TEA( 2) , Pol( 2) , mTEA( 2 ) , Pe( 2) ,
m purga , m pol
( 2) ( 2)
3.107 ⎛ Pa( 2) Pe( 2) Pol( 2) ⎞ V( 2) , Pa( 2) , Pe( 2) , Pol( 2) ,

V( 2) − ⎜ + + ⎟=0
⎜ ρa 2 ρ ρ ⎟ ρ a( ) , ρ e( ) , ρ pol( )
⎝ () e( 2) pol( 2) ⎠ 2 2 2
∗
Adotou-se a seqüência da numeração de equações do Capítulo III para um melhor entendimento
185
3.108 V = V L
( 2) ( 2) ( ) V( 2) , L( 2)
3.109 d ( XS ) R pol ⎡ R ⎛ TEA ⎞ ⎤ t , t2 , XS , Pol , XS R , TEA, R pol ,

= ⋅ ⎢ XS + K xs ⋅ ⎜ − 1⎟ − XS ⎥
dt Pol ⎣ ⎝ PEEB ⎠ ⎦ PEEB, K xs , TEA( 2) , XS( 2) ,
Pol( 2) , R pol , PEEB( 2)
( 2)
3.110 dN R pol m pol t , t2 , N , m pol , R pol , M nI , M nac

= I − ac
dt Mn Mn N ( 2) , R pol( 2) , m pol , M nI , M nac
( 2) ( 2) ( 2)
3.111 1 M nI( 2) , γ, C,Pa( 2) , Pe( 2) , PH 2( 2 )

M nI( 2) = PMPe ⋅
( PH 2 )( 2)
γ +C⋅
⎛ Pe( 2) ⎞
⎜ ⎟
⎜ Pa( 2) + Pe( 2) ⎟
⎝ ⎠
3.112 Pol( 2) M nac( 2) , Pol( 2) , N ( 2)

M ac
n( 2) =
N ( 2)
3.113 M wac = PD ⋅ M nac M wac( 2) , PD, M nac( 2)

( 2) ( 2)
3.114 MI ( 2) = K 0 ⋅ ( M wac )λ MI ( 2) , K 0 , M wac( 2) , λ

(2)
3.115 Q2( ) = meA( ) ⋅ λe( ) + meA( ) ⋅ Cp e ( 2 ) ⋅(T( 2 ) − TA( ) ) +

2 2 2 2 2
Q2( 2) , meA( 2) , λe( 2) , Cp e ( 2) , T( 2) ,
meB( 2) ⋅ λe( 2) + meB( 2) ⋅ Cp e( 2) ⋅(T( 2) − TB( 2) ) TA( 2) , meB( 2) , TB( 2)
dT me ⋅ Cpe ⋅ (Te − T ) + mrec ⋅ Cpe ⋅ (Te − T ) + (−∆H ) ⋅ Rpol − Q2

e rec
3.116 t , t2 , T , Pol , Pa, me , Pe, Cpa , Cpe , Cp pol ,
=
dt ( Pa ⋅ Cpa + Pe ⋅ Cpe + Pol ⋅ Cp pol ) Tee , Terec , mrec , ∆H , R pol , Q2 , Pa( 2) , T( 2) ,
Pol( 2 ) , me ( 2) , Pe( 2 ) , Cpa , Cp pol , Cpe ,
( 2) ( 2) ( 2)
e rec
Te
,T
e
, mrec , R pol ( 2 ) , Q2 ( 2 )
(2) ( 2) ( 2)
3.117 M ( 2) = Pe( 2) + Pa( 2) + Pol( 2) M ( 2) , Pe( 2) , Pa( 2) , Pol( 2)
186
3.118 Pol( 2) wpol( 2) , Pol( 2) , M ( 2)

w pol( 2) =
M ( 2)
3.119 mrec( 2) + m purga( 2) mlama( 2) , mrec( 2) , m purga( 2) , wpol( 2)

mlama( 2) =
1 − wpol( 2)
3.120 m pol = mlama ⋅ wpol m pol( 2) , mlama( 2) , wpol( 2)

( 2) ( 2) ( 2)
3.121 Pa( 2) Ca( 2) , Pa( 2) , Pe( 2)

Ca( 2) =
Pa( 2) + Pe( 2)
M ( 2) − mPEEB( 2)
3.122 PEEB( 2) = PEEB( 2) , M ( 2) , mPEEB( 2) , mlama( 2)
mlama( 2)
3.123 Q2( 2) + mw( 2 ) ⋅ Cpw( 2) ⋅ Twe( 2) Tws( 2) , Q2( 2) , mw( 2) , Cpw( 2) , Twe( 2)
T s
=
mw( 2) ⋅ Cpw( 2)
w( 2 )
3.124 λe = λe (T 2 ) λe( 2 ) , T( 2)
2 ( ) ( )
3.125 C p = C p (T( 2) ) Cp , T( 2 )
e( 2 ) e e( 2 )
3.126 C p = C p (T( 2) ) Cp , T( 2)
a( 2 ) a a( 2 )
3.127 C p = Cp (T( 2 ) ) Cp , T( 2)
pol( 2 ) pol pol( 2 )
3.128 C p = C p (T( 2) ) Cp , T( 2)
w( 2 ) w w( 2 )
3.129 ρ e = ρ e (T 2 ) ρ e( 2) , T( 2 )
2 ( ) ( )
3.130 ρ a = ρ a (T ) ρ a ( 2) , T( 2)
( 2) ( 2)
3.131 ρ pol = ρ pol (T 2 ) ρ pol( 2 ) , T( 2)

2 ( ) ( )
187
Tabela V.I. Matriz de Incidência do processo de polimerização de propeno com dois instantes de tempo
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37
EQ/VAR t Pa(0) Pe(0) Pol(0) Cat(0) TEA(0) PEEB(0) N(0) M(0) V(0) L(0) PH2(0) Q2(0) Wpol(0) me(0) mrec(0) mpurga(0) mcat(0) mTEA(0) mPEEB(0) mpol(0) mlama(0) meA(0) meB(0) mw(0) T(0) Tee(0) Terec(0) TeA(0) TeB(0) Twe(0) Tws(0) XS(0) MI(0) MnI(0) MnAC(0) MwAC(0)
3.36 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.37 2 1 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.38 3 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.39 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.40 5 0 0 1 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.41 6 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.42 7 1 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.43 8 1 1 1 1 0 1 0 0 0 0 0 0 0 0 0 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.44 9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.45 10 0 1 1 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.46 11 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.47 12 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.48 13 1 0 0 1 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0
3.49 14 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0
3.50 15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.51 16 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.52 17 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.53 18 0 1 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0
3.54 19 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
3.55 20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1
3.56 21 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.57 22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1
3.58 23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.59 24 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 1 0 1 0 0 1 1 0 0 0 0 0 0 0
3.60 25 1 1 1 1 0 0 0 0 0 0 0 0 1 0 1 1 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0
3.61 26 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.62 27 0 1 1 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.63 28 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.64 29 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.65 30 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.66 31 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.67 32 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.68 33 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.69 34 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.70 35 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.71 36 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.72 37 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.73 38 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 1 0 0 0 0 0
3.74 39 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.75 40 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
3.76 41 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.77 42 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
3.78 43 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.79 44 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
3.80 45 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.81 46 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
3.82 47 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.83 48 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
3.84 49 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.85 50 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
3.86 51 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.87 52 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
3.88 53 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.89 54 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
3.90 55 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.91 56 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.92 57 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.93 58 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.94 59 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.95 60 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.96 61 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.97 62 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.98 63 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.99 64 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.100 65 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.101 66 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.102 67 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.103 68 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.104 69 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.105 70 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.106 71 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.107 72 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.108 73 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.109 74 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.110 75 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.111 76 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.112 77 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.113 78 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.114 79 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.115 80 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.116 81 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.117 82 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.118 83 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.119 84 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.120 85 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.121 86 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.122 87 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.123 88 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.124 89 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.125 90 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.126 91 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.127 92 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.128 93 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.129 94 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.130 95 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.131 96 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82
EQ/VAR Ca(0) Le(0) rhoe(0) rhoa(0) rhopol(0) Cpe(0) Cpa(0) Cppol(0) Cpw(0) Pa Pe Pol Cat TEA PEEB N M V L PH2 Q2 DH Rpol Wpol me mrec mpurga mcat mTEA mPEEB mpol mlama meA meB mw T Tee Terec TeA TeB Twe Tws XS XSR MI
3.36 1 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.37 2 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.38 3 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.39 4 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.40 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.41 6 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.42 7 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.43 8 0 0 0 0 0 0 0 0 0 1 1 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.44 9 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.45 10 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.46 11 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.47 12 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.48 13 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0
3.49 14 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.50 15 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.51 16 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.52 17 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.53 18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.54 19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.55 20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.56 21 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
3.57 22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.58 23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 0 0 1 1 0 0 0 0 0
3.59 24 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.60 25 0 0 0 0 0 1 1 1 0 1 1 1 0 0 0 0 0 0 0 0 1 1 1 0 1 1 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0
3.61 26 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.62 27 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.63 28 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.64 29 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.65 30 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
3.66 31 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.67 32 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0
3.68 33 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.69 34 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.70 35 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.71 36 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
3.72 37 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 1 0 0 0
3.73 38 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.74 39 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
3.75 40 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.76 41 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
3.77 42 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.78 43 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
3.79 44 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.80 45 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
3.81 46 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.82 47 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
3.83 48 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.84 49 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
3.85 50 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.86 51 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
3.87 52 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.88 53 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
3.89 54 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.90 55 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.91 56 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
3.92 57 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.93 58 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.94 59 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.95 60 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.96 61 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.97 62 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.98 63 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.99 64 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.100 65 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.101 66 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.102 67 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.103 68 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.104 69 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.105 70 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.106 71 0 0 0 0 0 0 0 0 0 1 1 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.107 72 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.108 73 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.109 74 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0
3.110 75 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.111 76 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.112 77 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.113 78 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.114 79 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.115 80 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.116 81 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 1 1 1 0 1 1 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0
3.117 82 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.118 83 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.119 84 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.120 85 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.121 86 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.122 87 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.123 88 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.124 89 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.125 90 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.126 91 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.127 92 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.128 93 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.129 94 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.130 95 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.131 96 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123
EQ/VAR MnI MnAC MwAC PD wa Ca Le rhoe rhoa rhopol Rpol(0) Cpe Cpa Cppol Cpw Kp Kd Kxs K0 La C G alfa t2 Pa(2) Pe(2) Pol(2) Cat(2) TEA(2) PEEB(2) N(2) M(2) V(2) L(2) PH2(2) Q2(2) Wpol(2) me(2) mrec(2) mpurga(2) mcat(2)
3.36 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.37 2 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.38 3 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.39 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.40 5 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.41 6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.42 7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.43 8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.44 9 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.45 10 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.46 11 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.47 12 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.48 13 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.49 14 1 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.50 15 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.51 16 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.52 17 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.53 18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.54 19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.55 20 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.56 21 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.57 22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.58 23 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.59 24 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.60 25 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.61 26 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.62 27 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.63 28 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.64 29 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.65 30 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.66 31 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.67 32 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.68 33 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.69 34 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.70 35 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.71 36 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.72 37 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.73 38 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.74 39 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.75 40 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.76 41 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.77 42 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.78 43 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.79 44 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.80 45 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.81 46 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.82 47 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.83 48 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.84 49 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.85 50 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.86 51 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.87 52 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.88 53 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.89 54 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.90 55 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.91 56 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.92 57 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.93 58 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.94 59 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.95 60 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.96 61 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.97 62 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.98 63 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.99 64 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.100 65 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0
3.101 66 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0
3.102 67 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.103 68 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0
3.104 69 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1
3.105 70 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0
3.106 71 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 0 1 0 0 0 0 0 0 0 0 0 0 1 0
3.107 72 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0
3.108 73 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0
3.109 74 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 1 0 1 1 0 0 0 0 0 0 0 0 0 0 0
3.110 75 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
3.111 76 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
3.112 77 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0
3.113 78 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.114 79 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.115 80 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0
3.116 81 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 1 0 1 1 0 0
3.117 82 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0
3.118 83 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0
3.119 84 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 0
3.120 85 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0
3.121 86 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.122 87 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0
3.123 88 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0
3.124 89 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.125 90 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.126 91 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.127 92 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.128 93 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.129 94 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.130 95 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.131 96 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152
EQ/VAR mTEA(2) mPEEB(2) mpol(2) mlama(2) meA(2) meB(2) mw(2) T(2) Tee(2) Terec(2) TeA(2) TeB(2) Twe(2) Tws(2) XS(2) MI(2) MnI(2) MnAC(2) MwAC(2) Ca(2) Le(2) rhoe(2) rhoa(2) rhopol(2) Cpe(2) Cpa(2) Cppol(2) Cpw(2) Rpol(2)
3.36 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.37 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Legenda:
3.38 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.39 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Variáveis medidas
3.40 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.41 6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Variáveis não medidas
3.42 7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.43 8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Número da equação
3.44 9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.45 10 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.46 11 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.47 12 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.48 13 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.49 14 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.50 15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.51 16 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.52 17 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.53 18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.54 19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.55 20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.56 21 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.57 22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.58 23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.59 24 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.60 25 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.61 26 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.62 27 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.63 28 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.64 29 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.65 30 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.66 31 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.67 32 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.68 33 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.69 34 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.70 35 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.71 36 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.72 37 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.73 38 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.74 39 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.75 40 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.76 41 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.77 42 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.78 43 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.79 44 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.80 45 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.81 46 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.82 47 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.83 48 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.84 49 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.85 50 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.86 51 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.87 52 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.88 53 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.89 54 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.90 55 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.91 56 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.92 57 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.93 58 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.94 59 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.95 60 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.96 61 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.97 62 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.98 63 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.99 64 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.100 65 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.101 66 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
3.102 67 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
3.103 68 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
3.104 69 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.105 70 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.106 71 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.107 72 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0
3.108 73 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.109 74 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1
3.110 75 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 1
3.111 76 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
3.112 77 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
3.113 78 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0
3.114 79 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0
3.115 80 0 0 0 0 1 1 0 1 0 0 1 1 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0
3.116 81 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 1
3.117 82 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.118 83 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.119 84 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.120 85 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.121 86 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
3.122 87 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3.123 88 0 0 0 0 0 0 1 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
3.124 89 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
3.125 90 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0
3.126 91 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0
3.127 92 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0
3.128 93 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
3.129 94 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
3.130 95 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
3.131 96 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0
APÊNDICE VI: Tabela VI.I. Conjunto A de dados industriais (Fonte : SUZANO PETROQUIMICA)
A B C D E F G H I J L M N O P Q R T U V X Y Z
27 1.3549 22300 25025.27 961.765 2.353 2.72 2.119 72485.72 73404.05 618741.94 290.82 319.15 313.15 314.15 300.36 0.0933 21338.23 67.36 4.617 15.8 340.26 317.85
27.083 1.3541 22100 25375.14 952.69 2.329 2.706 2.145 72440 73723.82 628226.44 290.8 320.15 313.15 314.15 300.45 0.0933 21147.31 66.60 4.615 15.8 340.23 317.55
27.167 1.3509 20329.27 25626.96 943.615 2.329 2.672 2.186 71980 73497.65 634799.99 290.77 320.15 313.15 314.15 300.45 0.095 19385.65 67.80 4.614 15.8 340.21 317.45
27.25 1.3504 21286.25 25624.3 934.539 2.326 2.682 2.121 71700 73295.3 621580.63 290.75 320.15 313.15 314.15 300.55 0.0951 20351.71 67.00 4.612 15.8 340.13 317.75
27.333 1.3617 22557.14 25580.28 931.493 2.313 2.66 2.2 71840 73400 616224.98 290.73 320.15 312.35 314.15 300.45 0.0968 21625.65 65.80 4.611 15.8 340.1 317.36
27.417 1.3622 23600 25626.37 932.302 2.294 2.657 2.116 73700 72807.32 632952.39 290.71 320.15 312.15 314.15 300.55 0.0968 22667.7 67.00 4.61 15.8 340.14 317.45
27.5 1.3731 23080 25510.61 933.111 2.301 2.66 2.098 72057.14 72328.57 617428.59 290.69 320.15 312.15 314.15 300.49 0.0981 22146.89 66.00 4.608 15.8 340.11 317.35
27.583 1.3609 22560 25281.84 933.92 2.309 2.642 2.072 71700 72709.63 631393.62 290.67 320.15 312.15 314.15 300.46 0.0985 21626.08 66.00 4.607 15.8 340.17 317.45
27.667 1.3729 23300 25124.15 938.477 2.292 2.644 2.17 73500 73800 628232.85 290.64 320.15 312.15 314.15 300.45 0.0992 22361.52 67.00 4.606 15.8 340.17 317.35
27.75 1.3725 23819.23 25134.11 939.96 2.282 2.624 2.11 73187.5 73350.01 634333.31 290.62 320.15 312.15 314.15 300.45 0.0991 22879.27 66.00 4.604 15.8 340.2 317.25
27.833 1.3749 24736.36 25121.68 941.443 2.284 2.623 2.107 72945.45 73034.9 626432.43 290.6 320.15 313.15 314.15 300.45 0.0998 23794.92 65.59 4.603 15.8 340.14 317.65
27.917 1.3825 25395 25315.49 942.927 2.271 2.622 2.076 71850 72821.05 630242.43 290.58 320.15 312.15 314.15 300.45 0.0998 24452.07 65.00 4.601 15.8 340.17 317.33
28 1.3837 24800 25193.8 944.41 2.265 2.595 2.113 72568.75 73400 631129.03 290.56 320.15 312.15 314.15 300.45 0.0997 23855.59 65.00 4.6 15.8 340.17 317.15
28.083 1.3814 24100 25326.45 946.708 2.265 2.605 2.068 71827.27 72728.58 618750 290.54 320.15 312.15 314.15 300.45 0.0997 23153.29 66.62 4.561 15.647 340.12 317.35
28.167 1.3907 24342.86 25268.2 1999.9 2.259 2.62 2.489 71640 72942.86 615000 290.51 320.15 312.15 314.15 300.45 0.1003 22342.96 65.90 4.522 15.494 340.13 317.15
28.25 1.3841 25293.55 25321.7 1726.97 2.263 2.617 3.51 71033.33 71619.05 572714.29 290.49 320.15 313.15 314.15 300.39 0.1003 23566.58 65.20 4.483 15.342 339.97 317.85
28.333 1.3881 24281.82 24783.14 1585.31 2.262 2.61 3.562 69436.36 70009.09 529799.99 290.47 320.15 313.15 315.15 300.35 0.1003 22696.51 66.00 4.444 15.189 339.86 318.97
28.417 1.389 24770 24579.1 1566.02 2.286 2.64 3.546 68716.67 69149.99 477000 290.45 320.15 314.15 315.15 300.34 0.1003 23203.98 65.55 4.406 15.036 339.93 319.46
28.5 1.3737 25480.95 24368.07 1693.28 2.317 2.667 3.616 67924.24 67728.57 461636.35 290.43 320.15 314.15 315.15 300.25 0.0999 23787.67 66.00 4.367 14.883 339.99 319.91
28.583 1.3665 25486.11 24323.11 1614.2 2.347 2.678 3.685 66700 65800 406500 290.4 320.15 315.15 316.15 300.15 0.0998 23871.91 66.00 4.328 14.731 340.04 320.64
28.667 1.3686 26322.73 24562.23 1614.3 2.384 2.736 3.651 64875 65107.14 417000 290.4 319.61 317.15 318.15 300.05 0.0992 24708.42 65.50 4.289 14.578 340.17 322.4
28.75 1.3574 26203.23 25133.27 1588.54 2.467 2.782 3.756 68887.5 69000 558000 290.41 320.15 318.15 319.15 299.95 0.0992 24614.68 65.60 4.25 14.425 340.44 324.36
28.833 1.3077 24300 25379.58 1592.55 2.538 2.85 3.824 70578.94 71383.87 642599.98 290.41 320.15 315.99 317.57 299.85 0.098 22707.45 65.20 4.211 14.272 340.64 322.81
28.917 1.3231 24081.82 25863.98 1586.77 2.602 2.949 4.024 73754.55 75296 417000.3 290.42 320.55 312.83 315.65 299.85 0.0976 22495.05 65.00 4.172 14.119 340.97 316.97
29 1.255 23948.78 25815.86 1603.3 2.615 3.003 4.097 62800 61700 433838.72 290.42 319.15 319.15 320.15 299.94 0.0974 22345.48 66.00 4.133 13.967 339.79 325.15
29.083 1.3599 24850 25555.67 1592.7 2.625 3.029 4.119 62050 61534.37 283625 290.43 319.15 315.15 316.15 299.75 0.0974 23257.3 65.50 4.094 13.814 338.99 319.94
29.167 1.3382 25577.14 24827.25 1590.64 2.652 3.035 4.122 67652.63 68748.84 389899.99 290.43 319.15 313.25 315.15 299.85 0.0967 23986.5 65.00 4.056 13.661 339.24 319.46
29.25 1.3116 25510 24190.66 1539.53 2.642 3.02 4.111 68107.7 68461.54 445000 290.44 319.15 315.15 316.15 299.85 0.0963 23970.47 65.00 4.017 13.508 340.03 321.68
29.333 1.2846 26263.03 23957.39 1562.3 2.664 3.03 4.125 70580 71354.55 342363.65 290.44 318.15 313.15 314.95 299.75 0.0956 24700.73 65.38 3.978 13.356 339.8 318.11
29.417 1.2803 26273.08 23597.49 1561.82 2.733 3.117 4.105 76111.12 71757.9 341700 290.45 318.15 311.59 313.53 299.75 0.0956 24711.26 65.44 3.939 13.203 341.02 313.63
29.5 1.1451 26267.37 22843.71 1573.2 2.746 3.144 4.233 59900 55900 315500 290.46 318.15 319.15 320.15 300.04 0.0951 24694.17 66.00 3.9 13.05 338.26 324.7
29.583 1.3523 26058.91 22189.75 1546.92 2.744 3.156 4.27 65365.39 64080 346523.8 290.46 318.15 314.15 315.15 299.92 0.0951 24511.99 67.29 3.861 12.897 338.61 319.45
29.667 1.3259 25495.24 21916.52 1561.6 2.742 3.165 4.41 68619.05 69224.53 426238.1 290.47 318.15 315.15 317.15 299.85 0.0933 23933.64 66.00 3.822 12.744 340.25 323.09
29.75 1.209 25812.96 22515.28 1545.95 2.746 3.184 4.28 65358.07 65160 344173.07 290.47 317.15 316.15 317.15 299.75 0.0924 24267.01 66.30 3.783 12.592 339.31 321.98
29.833 1.2622 24400 22392.51 1628.06 2.751 3.168 4.263 70954.54 71266.66 421777.77 290.48 318.15 316.15 316.48 299.75 0.0921 22771.94 66.83 3.744 12.439 340.8 323.36
29.917 1.1797 25470 22288.62 1548.21 2.748 3.165 4.275 68700 67416.13 404799.99 290.48 317.15 316.15 318.15 299.65 0.0921 23921.79 68.00 3.706 12.286 340.15 323.96
30 1.2176 24210 22158.72 1531.16 2.751 3.186 4.327 67188.89 65725.01 327933.96 290.49 317.15 318.15 319.15 299.55 0.0921 22678.85 67.78 3.667 12.133 340.04 324.06
30.083 1.2303 25159.26 22409.57 1566.52 2.753 3.143 4.325 71527.28 70890.92 500606.29 290.49 317.15 314.15 316.15 299.55 0.0921 23592.74 67.45 3.628 11.981 339.62 320.31
30.167 1.2801 21480 22282.31 1564.92 2.734 3.163 4.288 62600 63640 392181.82 290.5 318.15 319.15 320.15 299.45 0.0915 19915.08 67.40 3.589 11.828 339.72 326.22
30.25 1.3518 24510 22781.46 1577.66 2.756 3.16 4.363 66260 66254.84 338097.23 290.5 318.15 317.15 318.15 299.35 0.0915 22932.34 67.00 3.55 11.675 340.2 323.95
30.333 1.3072 22195.24 23683.22 1570.4 2.753 3.173 4.316 65961.9 65948.65 333000 290.51 318.15 317.15 318.15 299.25 0.0909 20624.84 67.76 3.511 11.522 340.34 324.85
30.417 1.3104 22136.36 24494.81 1554.58 2.773 3.167 4.326 59200 61600 321428.56 290.51 319.15 316.15 317.24 299.25 0.0909 20581.78 68.00 3.472 11.369 340.09 324.46
30.5 1.3184 20161.91 25384.33 1539.09 2.764 3.169 4.303 57720 60625 202166.67 290.52 319.15 309.15 310.15 299.25 0.0904 18622.82 66.70 3.433 11.217 339.89 316.52
30.583 1.2998 21045.28 25772.69 1545.58 2.781 3.173 4.344 55960 61840 390000 290.53 319.15 308.15 309.15 299.25 0.0905 19499.7 66.00 3.394 11.064 340.42 316.92
30.667 1.2741 21300 25877.64 1585.14 2.581 3.024 4.235 53150 54366.67 403285.71 290.53 319.15 315.37 316.92 299.15 0.0906 19714.86 66.92 3.356 10.911 340.57 325.9
30.75 1.259 19172.73 25790.93 1574.92 2.505 2.88 3.986 50254.54 54736.36 481590.91 290.54 320.15 312.85 314.85 299.05 0.0908 17597.81 66.12 3.317 10.758 340.36 322.65
30.833 1.2438 21268.97 25868.61 1546.18 2.497 2.892 3.892 47236.36 52400 580090.88 290.54 320.15 312.89 315.18 299.05 0.0903 19722.78 65.65 3.278 10.606 340.6 321.06
30.917 1.2853 22532.19 25591.95 1548.13 2.505 2.855 3.904 45494.95 51048.63 513000 290.55 319.15 311.69 315.42 298.95 0.0903 20984.06 65.55 3.239 10.453 340.15 319.85
31 1.2442 21158.54 25409.45 1534.62 2.513 2.872 3.988 42792.86 49663.46 518599.98 290.55 319.15 311.69 314.37 298.95 0.0892 19623.92 65.00 3.2 10.3 340.1 319.75
31.083 1.2947 21232.08 25012.77 1535.89 2.509 2.878 3.931 40610 47883.72 542500 290.56 319.85 312.13 315.76 298.95 0.0892 19696.19 66.00 3.2 10.123 340.24 321.71
31.167 1.2657 21300 25609.82 1545.05 2.505 2.884 3.935 40461.29 46581.82 575500 290.56 320.15 314.42 318.51 298.85 0.088 19754.95 65.60 3.2 9.946 340.43 323.28
31.25 1.3373 22004.76 26403.92 1527.54 2.497 2.874 3.96 40490.91 43774.49 484899.99 290.57 320.15 315.1 320.13 298.75 0.088 20477.23 64.91 3.2 9.769 340.44 325.65
31.333 1.3302 22160 26975.98 1534.99 2.512 2.86 3.999 39206.98 45400 486090.91 290.57 320.15 316.99 320.99 298.75 0.0875 20625.01 65.05 3.2 9.592 340.45 324.41
31.417 1.3764 19975.61 27461.59 1520.25 2.475 2.894 3.923 39571.43 43475.61 283263.15 290.58 320.15 313.15 319.15 298.75 0.0874 18455.36 64.90 3.2 9.415 340.15 324.33
31.5 1.3767 18430.23 27785.92 1507.55 2.36 2.75 3.841 37828.57 41659.52 252812.5 290.58 320.15 310.15 316.96 298.75 0.0857 16922.68 65.00 3.2 9.238 340.1 323.63
APÊNDICE VI: Tabela VI.I. Conjunto A de dados industriais (Fonte : SUZANO PETROQUIMICA)
31.583 1.3918 18426.15 27580.83 1531.59 2.33 2.688 3.694 37840 41300 239200 290.59 320.15 307.95 314.96 298.75 0.0857 16894.56 65.00 3.2 9.062 340.09 321.5
31.667 1.4145 19690 27371.66 1528.81 2.308 2.65 3.601 37158.18 40662.74 279142.85 290.6 320.15 307.15 312.15 298.75 0.0852 18161.19 64.95 3.2 8.885 340.25 323.75
31.75 1.4237 19754.55 26894.02 1529.71 2.307 2.649 3.646 34575 36458.33 321000 290.6 320.15 309.88 316.89 298.75 0.0851 18224.83 65.58 3.2 8.708 340.3 325.25
31.833 1.4657 20927.27 26616.1 1518.09 2.298 2.673 3.568 36187.3 37938.46 268399.99 290.61 320.15 306.15 313.04 298.75 0.0845 19409.18 64.48 3.2 8.531 340.02 320.97
31.917 1.4721 20900 26720.85 1522.3 2.313 2.668 3.57 36311.16 39339.68 248222.23 290.61 320.15 306.15 310.15 298.65 0.0845 19377.71 64.00 3.2 8.354 340.16 322.05
32 1.4741 16472.73 27041.22 1547.74 2.318 2.678 3.604 35963.39 39115.89 209312.5 290.62 320.15 305.24 308.24 298.65 0.0835 14924.99 64.09 3.2 8.177 340.06 321.7
32.083 1.4645 17745.16 27532.94 1521.33 2.298 2.675 3.596 36151.68 38556.63 241800 290.62 321.15 306.15 310.15 298.65 0.0834 16223.84 64.60 3.2 8 340.16 324.01
32.167 1.4471 16216.28 28001.7 1510.04 2.311 2.66 3.6 36836.27 38236.49 366363.65 290.63 321.15 306.85 310.15 298.75 0.0827 14706.24 65.00 3.2 8.122 340.3 323.43
32.25 1.4601 13400 28064.47 1507.3 2.309 2.688 3.58 36852.38 39723.81 259000 290.63 321.15 306.15 310.15 298.75 0.0827 11892.7 64.38 3.2 8.243 340.18 323.64
32.333 1.4461 12400 28336.17 1500.5 2.317 2.675 3.61 36942.02 39167.11 310500 290.64 321.15 307.15 311.15 298.85 0.0827 10899.5 63.00 3.2 8.365 340.24 324.15
32.417 1.4472 12104.76 28267.48 1496.44 2.299 2.659 3.598 37600 39715.39 234272.72 290.64 321.15 306.24 311.15 298.85 0.0827 10608.33 62.00 3.2 8.487 340.15 324.07
32.5 1.4379 11909.17 27876.3 1505.06 2.313 2.664 3.59 37021.43 37917.65 315399.99 290.65 321.15 308.15 312.15 298.95 0.0832 10404.12 61.00 3.2 8.609 340.2 324.51
32.583 1.4526 11881.08 26957.1 1509.11 2.317 2.674 3.632 36805.11 39000 277000 290.66 320.15 308.15 313.15 298.95 0.0833 10371.97 60.00 3.2 8.73 340.18 323.51
32.667 1.4628 13614.29 25592.88 1535.67 2.309 2.676 3.639 37229.07 40144.59 234888.89 290.66 320.15 306.15 310.15 299.05 0.0845 12078.61 60.00 3.2 8.852 340.09 322.02
32.75 1.4801 14227.38 24914.65 1535.92 2.294 2.66 3.653 37126.95 39236.36 201636.37 290.67 319.15 306.98 310.15 299.15 0.0845 12691.46 58.83 3.2 8.974 340.06 322.08
32.833 1.5133 16426.83 24807.51 1531.66 2.303 2.646 3.68 36408.57 38933.21 252585.37 290.67 319.15 307.15 311.15 299.15 0.0856 14895.17 58.00 3.2 9.096 340.14 323.56
32.917 1.5415 18314.52 24441.65 1536.93 2.306 2.654 3.648 35999.35 39111.76 296181.82 290.68 319.15 307.15 310.15 299.15 0.0857 16777.59 57.00 3.2 9.217 340.22 323.72
33 1.5638 19283.42 24715.1 1537.49 2.3 2.675 3.63 35652.91 38222.22 243090.91 290.68 319.15 307.79 311.22 299.15 0.0851 17745.93 58.00 3.2 9.339 340.14 324.04
33.083 1.5967 20454.67 25087.95 1541.49 2.309 2.67 3.626 35687.04 38946.24 255818.18 290.69 319.15 306.15 309.15 299.15 0.0851 18913.18 57.81 3.2 9.461 340.17 321.65
33.167 1.6308 19860.79 25174.54 1528.23 2.315 2.666 3.667 35342.22 37383.19 269181.82 290.69 319.15 307.15 310.15 299.15 0.0839 18332.57 57.80 3.2 9.583 340.2 323.45
33.25 1.6501 18371.87 25221.58 1542.81 2.314 2.66 3.632 35162.19 36872.29 334399.99 290.7 319.15 307.15 311.15 299.15 0.0839 16829.06 57.00 3.2 9.704 340.3 323.57
33.333 1.6944 18235.43 25457.38 1518.49 2.309 2.635 3.641 35785.21 38253.95 282727.26 290.7 319.15 306.15 310.15 299.15 0.0827 16716.94 57.73 3.2 9.826 340.22 322.95
33.417 1.7369 18800 25325.75 1491.98 2.302 2.657 3.602 35769.39 38476.4 210700 290.71 319.15 306.15 309.15 299.15 0.0827 17308.02 57.07 3.2 9.948 340.07 321.95
33.5 1.768 20706.35 24890.59 1504.51 2.312 2.66 3.668 35031.75 37964.33 394899.99 290.71 318.15 306.15 309.15 299.05 0.0822 19201.84 55.10 3.2 10.07 340.33 322.04
33.583 1.7901 22481.82 24671.35 1478.07 2.308 2.67 3.673 33893.02 36252.71 309899.99 290.72 318.15 308.15 313.15 299.15 0.0822 21003.75 57.00 3.2 10.191 340.25 324.45
33.667 1.828 23153.13 24633.76 1495.47 2.313 2.687 3.605 35170.59 37579.41 274290.31 290.73 318.15 306.15 310.55 299.15 0.0808 21657.65 55.19 3.2 10.313 340.19 322.07
33.75 1.8603 22928.31 24665.53 1503.04 2.306 2.675 3.598 35659.11 38246.88 260454.56 290.73 318.15 305.15 309.15 299.15 0.0805 21425.27 56.40 3.2 10.435 340.14 321.17
33.833 1.8631 20996.08 24745.85 1501.8 2.304 2.65 3.62 36200 39642.86 220500 290.74 318.15 305.15 308.15 299.15 0.0787 19494.28 57.48 3.2 10.557 340.04 320.34
33.917 1.8811 20415.22 25151.56 1490.82 2.304 2.674 3.613 36205.41 40534.88 208558.14 290.74 318.15 305.15 308.15 299.15 0.0787 18924.4 57.64 3.2 10.678 339.99 318.74
34 1.8723 18841.94 25483.18 1519.97 2.313 2.659 3.637 36413.26 39092.52 288714.29 290.75 319.15 306.15 310.15 299.15 0.0769 17321.96 58.38 3.2 10.8 340.12 321.31
34.083 1.8763 17924.74 25582.08 1489.99 2.303 2.649 3.583 36682.92 39889.6 285285.71 290.75 318.15 305.15 310.15 299.25 0.0769 16434.75 57.95 3.2 10.783 340.17 320.18
34.167 1.8522 17856.25 25479.07 1478.75 2.316 2.654 3.614 36702.35 39117.95 287090.91 290.76 319.15 306.15 311.15 299.35 0.0764 16377.5 58.36 3.2 10.767 340.13 321.82
34.25 1.8486 18100 25612.32 1470.01 2.31 2.67 3.602 36243.75 38800 253500 290.76 319.15 306.15 311.53 299.35 0.0764 16629.99 57.97 3.2 10.75 340.09 320.41
34.333 1.8451 18958.14 25593.71 1452.27 2.327 2.667 3.641 37380.7 41277.97 326250 290.77 319.15 305.15 309.35 299.45 0.0764 17505.87 58.10 3.2 10.734 340.15 320.02
34.417 1.8363 17840.91 25646.81 1454.47 2.302 2.652 3.628 37045.45 39522.22 289454.56 290.77 319.15 306.15 311.15 299.45 0.0764 16386.44 59.00 3.2 10.717 340.27 320.61
34.5 1.838 17068.29 25807.32 1455.69 2.313 2.672 3.579 36731.25 40103.42 356000 290.78 319.15 307.15 313.15 299.38 0.0758 15612.6 59.00 3.2 10.7 340.24 322.82
34.583 1.8211 17044.76 26070.46 1475.31 2.304 2.656 3.607 38719.3 42957.53 243000 290.78 319.15 305.15 310.15 299.45 0.0758 15569.45 59.00 3.2 10.684 340.07 320.38
34.667 1.8231 16894.93 26144.29 1487.02 2.314 2.656 3.606 37165.63 41180.13 312636.35 290.79 319.15 308.15 313.85 299.55 0.0758 15407.91 59.00 3.2 10.667 340.23 323.4
34.75 1.8034 16817.65 26320.04 1498.65 2.311 2.647 3.64 36712.5 40461.05 291000 290.8 319.15 308.15 314.61 299.55 0.0758 15318.99 60.09 3.2 10.651 340.2 323.4
34.833 1.8172 16838.54 26311.86 1479.3 2.312 2.652 3.632 36636.36 40570.93 322000 291.17 319.15 307.15 315.15 299.65 0.0758 15359.24 58.77 3.2 10.634 340.2 322.52
34.917 1.8075 16887.5 26394.22 1490.66 2.306 2.676 3.648 37083.13 42339.54 218156.25 291 319.15 305.15 311.15 299.65 0.0758 15396.84 59.06 3.2 10.617 340.06 320.85
35 1.8024 17163.25 26331.84 1456.56 2.342 2.683 3.68 36961.25 41409.4 370833.34 290.88 319.15 306.75 313.18 299.71 0.0758 15706.69 59.00 3.2 10.601 340.23 322.49
35.083 1.8067 17312.9 26620.1 1443.77 2.373 2.71 3.682 37578.08 41232.42 262000 290.98 319.15 306.15 313.15 299.75 0.0758 15869.13 58.25 3.2 10.584 340.1 322.41
35.167 1.8014 17301.89 27211.56 1440.9 2.405 2.741 3.729 38031.86 44588.23 325843.75 291.08 319.15 305.15 310.97 299.75 0.0758 15860.98 59.18 3.2 10.568 340.22 318.62
35.25 1.8086 16315.39 28145.99 1461.3 2.387 2.767 3.69 37365.41 43603.13 358399.99 291.18 320.15 306.15 313.15 299.85 0.0758 14854.09 58.00 3.2 10.551 340.16 321.22
35.333 1.7893 16200 28591.11 1448.63 2.39 2.75 3.717 38152 42815.62 338200.01 291.28 320.05 306.15 313.05 299.85 0.0758 14751.37 58.41 3.2 10.534 340.18 321.61
35.417 1.8068 15425.68 28460.81 1450.58 2.377 2.77 3.749 37106.25 41211.9 345636.35 291.38 320.15 307.15 316.15 299.95 0.0758 13975.09 59.00 3.2 10.518 340.27 322.51
35.5 1.8202 16600 28406.08 1445.27 2.381 2.747 3.75 37963.73 43974.42 374428.56 291.48 320.15 306.88 313.88 299.95 0.0758 15154.73 56.19 3.2 10.501 340.2 321.88
35.583 1.8064 17300 28185.68 1439.24 2.372 2.72 3.69 37659.26 43357.14 288200.01 291.58 319.15 307.15 314.15 299.95 0.0758 15860.76 57.90 3.2 10.484 340.12 322.76
35.667 1.7878 17692.97 27702.19 471.995 2.396 2.768 3.751 37700 42559.09 335000 291.59 319.15 307.15 315.15 300.05 0.0764 17220.98 57.00 3.2 10.468 340.19 323.25
35.75 1.7961 18200 28048.33 598.41 2.378 2.743 3.672 37814.16 44096.29 290727.26 291.59 319.15 307.15 315.15 300.15 0.0764 17601.59 55.00 3.2 10.451 340.18 323.25
35.833 1.7972 19083.33 28181.51 598.436 2.371 2.71 3.705 37879.52 43500 276000 291.59 319.15 307.15 315.15 300.15 0.0759 18484.9 57.00 3.2 10.435 340.16 323.15
35.917 1.8275 19454.55 28266.39 598.463 2.395 2.742 3.719 37721.39 42898.56 267875 291.59 319.15 307.15 315.15 300.15 0.0759 18856.08 58.00 3.2 10.418 340.11 323.15
36 1.8621 18712.7 28531.02 598.489 2.37 2.76 3.722 36788.89 43042.1 274656.25 291.59 319.15 307.15 315.15 300.15 0.0758 18114.21 57.18 3.2 10.401 340.16 323.05
APÊNDICE VI: Tabela VI.2. Conjunto B de dados industriais (Fonte : SUZANO PETROQUIMICA)
22 0.5722 26040.66 26728.09 578.868 1.93 2.218 1.917 67166.66 67113.34 687557.922 290.851 322.15 309.817 309.15 299.414 0.0976 25461.79 65.67 4.4 3.0733 341.204 313.508
22.083 0.5724 25904.22 26699.41 578.642 1.934 2.244 1.913 67062.87 66826.67 724409.668 290.794 322.15 310.15 310.15 299.35 0.0977 25325.58 66 4.4042 3.0896 341.291 313.85
22.167 0.5751 25444 26647.44 578.416 1.981 2.249 1.917 67176.19 67132.22 753250 290.737 322.15 310.15 310.15 299.35 0.0979 24865.58 65.83 4.4083 3.1059 341.514 313.967
22.25 0.5764 25500 26487.24 578.19 1.971 2.254 1.922 67972.73 67185.19 873310.364 290.68 322.15 309.15 309.15 299.25 0.098 24921.81 64.43 4.4125 3.1222 341.729 313.033
22.333 0.5757 26300 26590.74 577.964 1.976 2.259 1.863 68273.08 67936.74 898061.218 290.623 322.15 308.15 308.15 299.35 0.0981 25722.04 65.75 4.4167 3.1385 341.729 312.234
22.417 0.5737 26629.07 26676.39 577.739 1.949 2.264 1.94 68000 67347.89 868135.62 290.593 322.15 308.15 308.15 299.45 0.0983 26051.33 65 4.4208 3.1548 341.521 312.45
22.5 0.5718 26184.44 26764.14 577.513 1.973 2.269 1.88 67646.34 67235.19 818191.467 290.593 322.15 309.15 309.15 299.45 0.0984 25606.93 65 4.425 3.1711 341.279 313.122
22.583 0.5747 26200 26502.31 577.287 1.987 2.274 1.984 67500 67248.65 773280.029 290.593 322.15 309.65 310.15 299.45 0.0985 25622.71 65.5 4.4292 3.1874 341.308 313.691
22.667 0.579 26800 26533.32 577.061 1.993 2.279 2.004 67601.37 67663.33 834000 290.593 322.15 309.15 309.15 299.45 0.0986 26222.94 64.5 4.4333 3.2037 341.616 312.55
22.75 0.5824 26975 26514.79 576.835 2 2.285 1.89 67625 67900 916916.687 290.593 322.15 308.15 308.15 299.45 0.0988 26398.17 65.25 4.4375 3.22 341.726 311.675
22.833 0.5836 26913.29 26835.6 576.61 1.997 2.292 1.951 67223.29 67607.93 1007727.3 290.593 322.15 307.4 308.15 299.55 0.0989 26336.68 64.25 4.4417 3.2363 341.761 311.282
22.917 0.5842 26987.19 27044.72 576.384 1.994 2.299 2.019 67668.09 67934.74 895272.705 290.593 322.15 307.15 308.15 299.65 0.099 26410.81 65.2 4.4458 3.2526 341.445 310.725
23 0.5847 27134.05 26979.27 576.158 1.995 2.305 2.108 67417.34 67904.02 913186.646 290.593 322.15 308.15 308.15 299.75 0.0991 26557.89 65.17 4.45 3.2689 341.29 311.25
23.083 0.5858 26800 26578.65 575.932 2.008 2.312 1.899 67071.01 67369.87 885520.02 290.593 322.15 308.15 308.15 299.75 0.099 26224.07 65 4.4542 3.2852 341.24 311.867
23.167 0.5905 26736.19 26176.2 575.706 2.02 2.318 1.965 67036.36 67140.69 902909.119 290.593 322.15 308.15 308.15 299.65 0.099 26160.49 64.86 4.4583 3.3015 341.402 311.85
23.25 0.5969 26571.43 26293.43 575.481 2.001 2.32 1.758 67961.91 67575 1056319.09 290.593 322.15 308.15 308.15 299.656 0.0989 25995.95 65.91 4.4625 3.3178 341.804 310.858
23.333 0.6033 26532.11 26729.12 575.255 2.009 2.32 1.95 67600 66400 1066239.99 290.593 323.15 307.15 308.15 299.75 0.0988 25956.86 64 4.4667 3.3341 342.217 309.15
23.417 0.6177 26791.26 26858.61 575.029 2.013 2.32 1.914 65745.8 66408.42 914041.687 290.593 322.15 307.15 310.15 300.05 0.0988 26216.24 66.1 4.4708 3.3504 340.969 311.65
23.5 0.6319 26161.67 26485.09 574.803 2 2.32 1.927 67185.95 68938.89 1013788.76 290.593 322.15 308.15 309.15 299.85 0.0987 25586.86 66 4.475 3.3667 340.909 310.55
23.583 0.635 26300 26195.57 574.577 2.013 2.32 1.998 67753.49 68883.33 967888.916 290.593 322.15 309.15 309.15 299.95 0.0987 25725.42 65.08 4.4792 3.383 340.745 311.346
23.667 0.6435 25749.32 25996.84 574.352 2.017 2.32 1.93 66992 66547.37 1054250 290.593 322.15 310.67 310.67 299.85 0.0986 25174.96 66 4.4833 3.3993 340.66 313.15
23.75 0.6504 25861.67 25986.07 574.126 2.022 2.319 2.023 68403.57 68257.81 953250 290.593 322.15 309.15 309.15 299.65 0.0986 25287.54 66 4.4875 3.4156 340.717 310.766
23.833 0.6593 25800 25971.97 573.9 2.047 2.316 2 68525 68392.96 930265.32 290.593 322.15 310.15 310.15 299.55 0.0985 25226.1 66 4.4917 3.4319 340.771 311.818
23.917 0.6686 26700 26261.01 573.674 2.025 2.313 2.039 69241.67 69273.58 1022173.89 290.593 322.15 308.233 309.15 299.45 0.0984 26126.33 65.04 4.4958 3.4481 341.063 310.65
24 0.6732 27000 26580.74 573.448 2.03 2.31 1.972 69362.16 70129.41 986378.357 290.593 322.15 308.15 309.15 299.541 0.0984 26426.55 66.08 4.5 3.4644 341.052 310.558
24.083 0.6714 27000 26866.74 573.223 2.018 2.323 1.945 68725.01 69588.88 867500 290.593 322.15 309.15 310.15 299.45 0.0983 26426.78 65.55 4.5042 3.4807 340.722 311.898
24.167 0.6694 27000 26801.45 572.997 2.049 2.34 1.997 68531.25 68903.25 831551.697 290.593 322.15 310.15 310.15 299.35 0.0982 26427 66 4.5083 3.497 340.653 311.95
24.25 0.6729 25836.14 26731.92 572.771 2.055 2.36 2.049 68616.28 68120.69 957000 290.593 322.15 310.15 310.15 299.305 0.0981 25263.37 66 4.5125 3.5133 340.868 311.586
24.333 0.6819 25306.78 27063 572.545 2.047 2.38 2.095 69174.03 70472.73 996833.313 290.225 322.15 308.15 308.15 299.322 0.0981 24734.24 66.83 4.5167 3.5296 340.765 309.708
24.417 0.6912 25400 27078.33 572.32 2.098 2.38 2.005 68290.91 69175 953000 290.429 322.15 309.15 310.15 299.35 0.098 24827.68 67 4.5208 3.5459 340.558 311.3
24.5 0.6938 25454.17 26953.47 572.094 2.075 2.382 2.016 68697.18 68772.73 857200.012 290.293 322.15 310.15 310.15 299.15 0.0979 24882.07 65.61 4.525 3.5622 340.64 312.023
24.583 0.6986 26578.69 26819.46 571.868 2.09 2.384 1.928 69140.54 69271.13 936434.753 290.406 322.15 309.15 309.15 298.986 0.0979 26006.82 64.38 4.5292 3.5785 341.028 310.772
24.667 0.6983 26900 27216.04 571.642 2.065 2.386 2.106 69075 71487.5 1077943.6 290.404 322.15 307.15 308.15 298.95 0.0978 26328.36 66 4.5333 3.5948 341.143 309.55
24.75 0.6922 27000 27612.99 571.416 2.091 2.388 1.937 69450 70792.38 916500 290.333 321.65 308.15 309.15 299 0.0977 26428.58 65.45 4.5375 3.6111 340.638 310.501
24.833 0.6917 26443.44 27523.65 571.191 2.068 2.408 2 68420.75 68812.77 852428.589 290.575 321.9 310.15 310.15 298.95 0.0977 25872.25 65.18 4.5417 3.6274 340.55 312.226
24.917 0.6969 26115.55 26982.53 570.965 2.036 2.385 2.047 69100 69565.71 883574.463 290.546 322.15 309.15 310.15 298.85 0.0976 25544.58 65.91 4.5458 3.6437 340.903 311.336
25 0.6999 26108.33 27034.09 570.967 2.073 2.378 2.195 68787.5 70225 1073000 290.517 322.15 308.15 308.15 298.85 0.0975 25537.37 66.38 4.55 3.66 341.197 310.224
25.083 0.6945 27000 27196.59 571.061 2.073 2.398 2.105 69081.82 70113.88 968737.732 290.488 321.15 307.15 308.241 298.85 0.0975 26428.94 64.18 4.5542 3.7272 340.823 309.885
25.167 0.6929 27000 27268.54 571.155 2.083 2.39 2.06 68884.93 68943.34 796722.229 290.459 321.15 310.15 310.15 298.875 0.0974 26428.85 65.17 4.5583 3.7944 340.395 311.929
25.25 0.6986 26480.75 27165.43 571.25 2.064 2.39 2.009 68317.15 68105.58 853510.193 290.43 321.15 310.15 310.15 298.75 0.0973 25909.5 64.91 4.5625 3.8617 340.711 312.05
25.333 0.7063 26845.83 26960.69 571.344 2.064 2.39 2.117 69272.35 70152 1036315.8 290.401 322.15 308.15 308.15 298.65 0.0973 26274.49 64.92 4.5667 3.9289 341.019 310.061
25.417 0.706 27273.55 27140.19 571.438 2.082 2.363 2.14 68967.9 69653.03 811898.315 290.371 321.15 308.15 309.15 298.75 0.0973 26702.11 66 4.5708 3.9961 340.95 311.25
25.5 0.7079 27400 27225.2 571.532 2.063 2.368 2.05 69042.85 69456.06 864875 290.342 321.15 308.15 309.15 298.65 0.0973 26828.47 65 4.575 4.0633 340.958 311.583
25.583 0.7081 27400 27272.21 571.626 2.067 2.378 2.052 68399.99 69040.54 906782.593 290.313 321.15 308.15 309.15 298.55 0.0973 26828.37 65 4.5792 4.1306 341.098 311.65
25.667 0.7089 27067.61 27346.45 571.72 2.067 2.361 2.074 68176.47 69962.5 849888.916 290.284 321.15 309.15 309.15 298.55 0.0973 26495.89 66.83 4.5833 4.1978 341.044 311.945
25.75 0.7096 26800 27466.02 571.814 2.098 2.378 2.022 68800 69495.87 839200.012 290.255 321.15 309.15 310.15 298.55 0.0973 26228.19 66 4.5875 4.265 340.983 312.05
25.833 0.7104 26760.95 27385.64 571.909 2.091 2.395 2.063 68191.55 69388.8 841375 290.225 321.15 309.15 310.15 298.541 0.0973 26189.04 65.83 4.5917 4.3322 341.032 312.05
25.917 0.7112 26711.93 27286 572.003 2.058 2.381 2 68928.85 69825.3 833875 290.196 321.15 308.15 309.15 298.45 0.0972 26139.93 65 4.5958 4.3994 341.083 311.95
26 0.7109 27360.9 27277.47 572.097 2.111 2.418 2.072 68819.36 69100 860135.132 290.167 321.15 309.15 309.15 298.45 0.0972 26788.8 65 4.6 4.4667 341.066 311.858
26.083 0.7118 27580.36 27277.92 572.191 2.081 2.398 2.046 68725 70090 793739.136 290.137 321.15 309.15 309.15 298.45 0.0972 27008.17 65.04 4.6042 4.5339 340.978 311.75
26.167 0.7123 27539.15 27261.39 572.285 2.086 2.42 2.142 68705.55 69082.57 865000 290.108 321.15 308.15 309.15 298.35 0.0972 26966.86 66.76 4.6083 4.6011 341.039 311.442
26.25 0.7136 27496.37 27184.33 572.379 2.109 2.42 2.124 69400 69508.62 859090.881 290.079 321.15 308.15 309.15 298.35 0.0972 26923.99 64.64 4.6125 4.6683 341.028 311.45
26.333 0.7142 27423.73 27123.48 572.473 2.083 2.42 1.986 68484 69764.47 886000 290.049 321.15 308.15 309.15 298.35 0.0972 26851.26 65.92 4.6167 4.7356 341.103 311.062
26.417 0.7142 27200 27216.81 572.567 2.095 2.42 2.04 68818.94 69330.84 839715.759 290.02 321.15 308.15 309.15 298.25 0.0972 26627.43 65.73 4.6208 4.8028 341.001 311.95
26.5 0.7141 27200 27366.66 572.662 2.093 2.42 2.022 69211.11 69121.43 798723.389 289.99 321.15 308.15 309.15 298.25 0.0971 26627.34 66.73 4.625 4.87 340.946 311.65
26.583 0.7156 26800 27358.32 572.756 2.101 2.42 2.099 68807.14 69841.67 882409.851 289.961 321.15 308.15 309.15 298.15 0.097 26227.24 65.58 4.6292 4.9372 341.13 311.488
26.667 0.7156 27400 27321.47 572.85 2.101 2.42 2.051 69100 69626.19 801234.07 289.932 321.15 308.15 309.15 298.15 0.0968 26827.15 66 4.6333 5.0044 341.052 311.25
26.75 0.7161 27400 27278.14 572.944 2.106 2.421 1.972 68718.75 70041.05 895571.411 289.902 321.15 308.15 309.15 298.15 0.0967 26827.06 65.29 4.6375 5.0717 341.127 311.15
26.833 0.7156 27321.43 27166.27 573.038 2.108 2.423 2.091 69064.29 69855 855872.314 289.873 321.15 308.15 309.15 298.05 0.0965 26748.39 66 4.6417 5.1389 341.011 311.25
26.917 0.7172 26875.54 27153.21 573.132 2.099 2.425 2.061 69186.62 69863.64 827250 289.843 321.15 308.15 309.15 298.05 0.0964 26302.41 66.64 4.6458 5.2061 341.046 311.308
27 0.7177 26900 27215.71 573.226 2.126 2.427 2.09 69544.44 70736.36 833840.027 290.059 320.15 307.15 308.15 297.95 0.0962 26326.77 65.36 4.65 5.2733 340.978 310.55
27.083 0.7176 26882.36 27143.89 573.321 2.125 2.429 2.041 69172.22 70382.87 846432.434 290.043 320.15 308.15 309.15 297.95 0.0961 26309.04 66 4.6542 5.3406 340.992 311.933
27.167 0.7191 26848 27075.03 573.415 2.113 2.427 2.113 68607.04 70981.22 868000 290.128 320.15 308.15 309.15 297.85 0.0959 26274.58 65.27 4.6583 5.4078 341.105 311.262
27.25 0.7267 26813.63 27094.48 573.509 2.112 2.421 2.064 69176.77 70243.71 827500 290.206 320.15 308.15 309.15 297.85 0.0958 26240.12 65 4.6625 5.475 341.02 311.25
27.333 0.7761 26800 27159.73 573.603 2.115 2.423 2.074 68520 70800 812750 290.122 320.15 308.15 310.15 297.95 0.0957 26226.4 66.92 4.6667 5.5422 341.015 311.554
27.417 0.8022 26800 27089.65 573.697 2.163 2.428 2.002 68843.01 70524.45 854222.229 290.088 320.15 308.15 310.15 297.85 0.0955 26226.3 66 4.6708 5.6094 341.092 311.169
27.5 0.8484 26760.83 27150.96 573.791 2.126 2.434 2.031 69097.22 70802.73 815555.542 289.883 320.15 308.15 310.15 297.85 0.0954 26187.04 66.64 4.675 5.6767 341.002 310.95
27.583 0.8925 26708.84 27296.46 573.885 2.132 2.44 2.098 69688.46 72247.83 993750 290.181 320.15 307.15 309.15 297.85 0.0952 26134.95 65 4.6792 5.7439 341.136 309.477
27.667 0.8992 26965.14 27381.58 573.979 2.113 2.446 2.075 69342.42 70972.73 901489.38 290.217 320.15 309.15 310.15 297.95 0.0951 26391.16 66 4.6833 5.8111 340.838 310.42
27.75 0.9667 26876.51 27423.27 574.074 2.143 2.451 2.085 67997.22 69443.67 825166.687 290.194 320.15 309.15 311.15 297.95 0.0949 26302.44 65.8 4.6875 5.8783 340.825 310.883
27.833 0.9849 27092.86 27363.14 574.168 2.132 2.457 2.111 68526.47 70176.19 944559.998 290.172 320.15 309.15 310.15 297.95 0.0948 26518.69 64.61 4.6917 5.9456 341.172 310.41
27.917 0.9921 27524.36 27165.19 574.262 2.148 2.463 1.91 69256 71485.47 1203567.63 290.15 320.15 307.15 309.15 297.95 0.0947 26950.09 66 4.6958 6.0128 341.231 308.35
28 0.9902 27669.52 27090.01 574.356 2.195 2.471 2.158 68897.94 70268.36 928666.687 290.128 320.15 307.983 310.15 298.05 0.0946 27095.16 66.92 4.7 6.08 340.443 308.75
28.083 1.0279 27403.9 26642.45 574.45 2.132 2.478 2.126 67246.61 68480 845666.687 290.105 320.15 309.15 311.15 298.15 0.0945 26829.45 66.58 4.6972 6.1472 340.488 310.55
28.167 1.0468 27000 26467.8 574.544 2.132 2.476 2.034 67444.92 70383.34 1211729.74 290.083 320.15 308.15 309.15 298.05 0.0945 26425.46 66.5 4.6944 6.2144 341.156 308.736
28.25 1.0269 27052.92 26514.29 574.638 2.123 2.468 1.815 68798.36 71235.12 1204500 290.061 320.15 305.15 308.15 298.15 0.0944 26478.29 66.73 4.6917 6.2817 340.768 307.2
28.333 1.028 27161.15 26709.21 574.733 2.171 2.453 2.26 67700 70420 1087500 290.038 320.15 308.15 310.15 298.35 0.0943 26586.41 66 4.6889 6.3489 340.88 309.25
28.417 1.0356 26800 26696.18 574.827 2.115 2.438 2.185 67095.92 70733.33 1123916.63 290.016 320.15 308.15 310.15 298.317 0.0942 26225.17 65.13 4.6861 6.4161 340.831 308.977
28.5 1.0418 26801.76 26684.31 574.921 2.106 2.424 2.011 67900 70633.33 1130714.23 289.994 320.15 307.15 309.15 298.35 0.0941 26226.84 65.92 4.6833 6.4833 340.8 308.286
28.583 1.0439 26907.21 26396.92 575.015 2.129 2.429 1.948 67513.04 69804.34 1074520.02 289.971 320.15 307.15 310.15 298.25 0.0941 26332.19 66 4.6806 6.5506 340.591 308.35
28.667 1.049 27393.28 26326 575.109 2.145 2.44 2.102 67401.82 69994.6 992548.401 289.949 319.15 308.15 310.15 298.25 0.094 26818.17 66 4.6778 6.6178 340.405 309.112
28.75 1.0589 27309.24 25946.58 575.203 2.14 2.452 2.165 67185.25 69432.79 1001625 289.927 319.15 308.15 310.15 298.15 0.0939 26734.04 66.75 4.675 6.685 340.521 309.85
28.833 1.0706 27225.21 26611.17 575.297 2.182 2.456 1.865 66824.33 71062.5 1081126.71 289.904 320.15 307.15 310.15 298.05 0.0938 26649.91 66 4.6722 6.7522 340.853 308.65
28.917 1.0741 27020.17 26979.04 575.391 2.136 2.443 1.721 67875 72029.17 1193333.37 289.882 320.15 306.15 309.15 298.15 0.0937 26444.78 65.78 4.6694 6.8194 341.072 307.95
29 1.0692 26860.76 27334.11 575.486 2.153 2.47 2.091 67405.72 72100 1292893.68 289.86 320.15 305.15 309.15 298.35 0.0936 26285.27 65 4.6667 6.8867 340.89 307.45
29.083 1.0604 26877.44 27543.95 575.58 2.15 2.47 2.057 67860.87 71100 1039984.99 289.837 320.15 306.15 310.15 298.35 0.0936 26301.86 66 4.6639 6.9539 340.34 308.126
29.167 1.0715 26034 26889.41 575.674 2.152 2.47 2.184 67504.4 70187.5 916555.542 289.815 320.15 309.15 311.15 298.35 0.0935 25458.33 67 4.6611 7.0211 340.364 310.15
29.25 1.0886 25913.28 26737.55 575.768 2.112 2.42 2.027 67562.5 71855 1123500 289.792 320.15 307.15 310.15 298.15 0.0934 25337.51 66 4.6583 7.0883 340.669 308.062
29.333 1.0905 26532.7 26700.48 575.862 2.12 2.429 1.909 67250 71392 1089666.63 289.77 320.15 306.15 310.15 298.25 0.0933 25956.84 66.08 4.6556 7.1556 340.605 308.216
29.417 1.089 26600 26542.28 575.956 2.133 2.437 2.29 67088.89 71890.59 1096409.79 289.747 319.15 307.15 310.15 298.25 0.0932 26024.04 66.17 4.6528 7.2228 340.559 308.65
29.5 1.0892 26600 26635.85 576.05 2.114 2.449 2.102 67257.14 71571.85 1067666.63 289.725 319.15 307.15 310.15 298.15 0.0931 26023.95 67.3 4.65 7.29 340.593 308.283
29.583 1.0915 26531.12 26717.18 576.145 2.148 2.461 1.91 67291.66 70391.67 1087777.83 289.703 320.15 307.15 310.15 298.15 0.0931 25954.98 66.18 4.6472 7.3572 340.671 308.25
29.667 1.0943 25800 26776.95 576.239 2.142 2.472 1.88 67890 70500 1199300.05 289.68 320.15 307.15 310.15 298.15 0.093 25223.76 67 4.6444 7.4244 340.839 308.256
29.75 1.0962 25773.69 26996.35 576.333 2.133 2.478 2.225 68787.31 70891.67 1226594.6 289.658 320.15 307.15 309.15 298.25 0.0929 25197.35 66 4.6417 7.4917 340.983 307.75
29.833 1.0923 26378.87 27382.81 576.427 2.129 2.465 1.949 68400 71433.33 1160434.81 289.635 320.15 307.15 309.15 298.45 0.0928 25802.44 67.83 4.6389 7.5589 340.874 307.95
29.917 1.0909 26330.48 27393.16 576.521 2.135 2.456 2.026 67816.67 70833.34 1097714.23 289.613 320.15 308.15 310.15 298.477 0.0927 25753.96 65.92 4.6361 7.6261 340.656 308.75
30 1.0926 26455.24 27389.4 576.615 2.122 2.45 1.876 68103.16 70882.61 1091566.65 289.59 320.15 308.15 310.15 298.45 0.0927 25878.63 65.68 4.6333 7.6933 340.802 308.417
30.083 1.0923 27043.23 26948.95 576.709 2.139 2.45 2.084 67344.44 69842.38 964966.125 289.568 320.15 308.15 310.15 298.45 0.0926 26466.52 65.33 4.6306 7.7606 340.638 309.09
30.167 1.095 26607.95 27000.7 576.804 2.123 2.449 1.896 68027.28 70274.99 1177610.23 289.545 320.15 308.15 310.15 298.45 0.0925 26031.15 66.45 4.6278 7.8278 341.144 308.525
30.25 1.1026 26217.25 27301.44 576.898 2.104 2.447 2.101 67922.86 70629.17 1188500 289.523 320.15 308.15 310.15 298.45 0.0924 25640.36 65 4.625 7.895 341.383 308.65
30.333 1.103 27029.17 27404.56 576.992 2.091 2.444 1.992 68795.86 71577.14 1243250 289.5 320.15 306.15 309.15 298.55 0.0924 26452.18 64.33 4.6222 7.9622 341.304 307.75
30.417 1.0948 27462.61 27587.02 577.086 2.132 2.442 1.998 68458.82 70375 1172604.13 289.477 320.15 307.15 310.15 298.55 0.0924 26885.52 65.21 4.6194 8.0294 340.96 308.2
30.5 1.0989 26968.75 27120.75 577.18 2.122 2.439 2.023 67327.71 69559.55 989027.771 289.456 320.15 308.15 310.15 298.55 0.0923 26391.57 66 4.6167 8.0967 340.572 309.275
30.583 1.1238 26366.76 26660.78 577.274 2.124 2.436 2.12 67482.61 68408.2 924837.83 289.463 320.15 309.15 310.15 298.45 0.0923 25789.48 66 4.6139 8.1639 340.72 309.95
30.667 1.1251 26585.92 26655.4 577.368 2.079 2.433 2.08 67210.17 70030.12 1177911.74 289.47 320.15 308.15 310.15 298.25 0.0922 26008.55 65.82 4.6111 8.2311 341.282 309.178
30.75 1.0956 27325.66 27207.99 577.462 2.128 2.43 1.962 67858.33 71925 1217301.39 289.478 320.15 306.15 308.15 298.25 0.0922 26748.19 66 4.6083 8.2983 341.307 307.308
30.833 1.0902 27386.26 27305.94 577.557 2.101 2.438 2.078 67777.02 70864.86 1098304.32 289.485 320.15 306.15 309.15 298.35 0.0921 26808.71 66.45 4.6056 8.3656 340.8 307.791
30.917 1.1101 26509.31 27305.5 577.651 2.094 2.395 1.965 67624.39 69190.58 936000 289.492 319.15 308.15 310.15 298.25 0.0921 25931.66 66 4.6028 8.4328 340.511 309.158
31 1.1203 25843.53 26790.64 577.745 2.072 2.374 2.021 66509.09 68657.14 836000 289.499 319.15 309.15 310.15 298.05 0.092 25265.78 66.09 4.6 8.5 340.652 310.166
31.083 1.1257 26086.96 26550 577.839 2.016 2.365 1.905 67073.08 68632.33 949787.231 289.506 319.15 308.15 310.15 298.05 0.092 25509.12 66 4.5875 8.5361 341.25 309.85
31.167 1.0964 27500 26723.48 577.933 2.047 2.361 2.26 68200 71008.83 1084531.86 289.513 319.15 307.15 309.15 298.05 0.0919 26922.07 66 4.575 8.5722 341.571 308.45
31.25 1.0874 27620.62 26711.89 578.027 2.044 2.367 1.784 68530.56 69945.83 1070529.42 289.52 319.15 307.15 309.15 298.15 0.0919 27042.59 67 4.5625 8.6083 341.327 308.45
31.333 1.0843 27373.49 26760.73 578.121 2.057 2.367 2.015 67980 68265.21 889000 289.528 319.15 309.15 310.15 298.25 0.0918 26795.37 65.75 4.55 8.6444 340.679 310.131
31.417 1.0963 26900 26357.03 578.216 2.048 2.362 2.05 66697.59 67554.96 840583.313 289.535 319.15 310.15 310.15 298.25 0.0918 26321.78 67 4.5375 8.6806 340.813 310.937
31.5 1.1139 26425.53 26466.2 578.31 2.053 2.37 2.092 67733.33 68400 922864.868 289.542 319.15 309.15 309.15 298.15 0.0917 25847.22 67 4.525 8.7167 341.29 309.978
31.583 1.0845 26900 26275.82 578.404 2.063 2.37 1.99 68264.08 69524.59 1051000 289.549 319.15 307.15 308.15 298.15 0.0917 26321.6 65.17 4.5125 8.7528 341.528 308.85
31.667 1.0848 27682.98 26636.58 578.498 2.06 2.361 2.21 68366.36 70373.92 1132978.76 289.556 319.15 307.15 309.15 298.25 0.0916 27104.48 66 4.5 8.7889 341.486 308.65
31.75 1.0803 27507.83 26677.38 578.592 2.053 2.354 2.033 67633.33 69547.82 934041.687 289.563 319.15 308.15 310.15 298.35 0.0916 26929.24 66 4.4875 8.825 340.882 309.281
31.833 1.0813 26413.84 26478.18 578.686 2.042 2.348 2.035 66978.26 67692.06 812621.643 289.57 319.15 309.15 310.15 298.45 0.0916 25835.15 65.96 4.475 8.8611 340.706 310.447
31.917 1.0959 26336.89 26161.21 578.78 2.03 2.342 1.96 66432.43 68747.37 959666.687 289.578 319.15 309.15 310.15 298.35 0.0915 25758.11 65.25 4.4625 8.8972 341.147 310.314
32 1.0816 27075.83 26061.57 578.874 2.048 2.329 1.857 66783.33 69318.49 954488.098 289.585 319.15 307.733 310.15 298.35 0.0915 26496.96 66.42 4.45 8.9333 341.304 310.15
APÊNDICE VII
program principal
use texto
implicit none
type (VARYING_STRING) carac
character*10 bb(7),aa(10)
real*8 valor
integer i,j,lc,cont
logical flag
open(5,file='entra.txt',blank='zero',status='old')
cont = 0
do j=1,7
read(5,'(A10)') bb(j)
carac = trim(adjustl(bb(j)))
lc = size(carac%chars)
if (lc==0) cycle
flag = .true.
do i=1,lc
select case (carac%chars(i))
case ('0':'9',',','.','E','e','+','-')
flag = .true.
case (' ')
flag = .false.
case default
flag = .false.
end select
if (flag==.false.) exit
enddo
if (flag==.true.) then
cont = cont + 1
aa(cont) = bb(j)
! if (aa(cont) == ' ') aa(cont) = '0'
read(aa(cont),*) valor
write(*,*) cont,valor
endif
enddo
end program
197

Estimacao Parametros

Enviado por

Direitos autorais:

Formatos disponíveis

Estimacao Parametros

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Estimacao Parametros

Enviado por

Direitos autorais:

Formatos disponíveis

ESTIMAÇÃO DE PARÂMETROS EM MODELOS DE PROCESSO USANDO

DADOS INDUSTRIAIS E TÉCNICA DE RECONCILIAÇÃO DE DADOS.

Antonio Martins de Oliveira Júnior

TESE SUBMETIDA AO CORPO DOCENTE DA COORDENAÇÃO DOS

Prof. Enrique Luis Lima, D.Sc.

Prof. José Carlos Costa da Silva Pinto, D.Sc.

Prof. Evaristo Chalbaud Biscaia Júnior, D.Sc.

Prof. Carlos Augusto Guimarães Perlingeiro, D.Sc.

Prof. Maurício Bezerra de Souza Júnior, D.Sc.

Dr. Antonio Gomes de Mattos Neto, Ph.D.

RIO DE JANEIRO, RJ – BRASIL

mais sem graça que a top model magrela

mais solitário que um paulistano

que um canastrão na hora que cai o pano

(que um vilão de filme mexicano)

tava mais bobo que banda de rock

que um palhaço do circo vostok

mas ontem eu recebi um telegrama

era você de aracaju ou do alabama

dizendo nego sinta-se feliz

porque no mundo tem alguém que diz:

que muito te ama que tanto te ama

que muito muito te ama que tanto te ama

por isso hoje eu acordei

com uma vontade danada

de mandar flores ao delegado

de bater na porta do vizinho

e desejar bom dia

de beijar o português da padaria

mama oh mama oh mama

quero ser seu

quero ser seu

quero ser seu

quero ser seu papa

Ao meu pequeno grande filho

A minha amada esposa, Princesinha, batalhadora incansável e incentivadora maior dessa

A Dona Neodêmia, exemplo de fortaleza.

Ao eterno Prof. Massarani que me recepcionou na chegada ao Rio de Janeiro em 1993

Aos amigos inseparáveis da Mansão Wayne: Mr. PM (amigo no sentido estrito da

Aos amigos de ontem, hoje e de sempre, pelo prazer de compartilhar as inquietações e

ESTIMAÇÃO DE PARÂMETROS EM MODELOS DE PROCESSO USANDO

Antonio Martins de Oliveira Júnior

Orientadores: Enrique Luis Lima

A classificação de variáveis em plantas industriais modernas pode fornecer

Foi desenvolvido um novo código computacional para classificação de variáveis

ESTIMATION OF PROCESS MODEL PARAMETERS USING DATA

Antonio Martins de Oliveira Júnior

Advisors: Enrique Luis Lima

Department: Chemical Engineering

The classification of variables in modern industrial plants can supply a group of

A new computational code was developed for classification of variables in

Capítulo I - Introdução .…..…...……………....….………….…....................... 1

Capítulo II – Revisão Bibliográfica...................................................................... 8

2.1 – Classificação das variáveis de processo.......................................................... 10

2.1.1 – Importância da classificação de variáveis................................................. 14

2.1.2 – Observabilidade e redundância................................................................ 15

2.1.3 – Diferentes estratégias para resolução do problema de classificação......... 17

2.1.3.1 – Solução pela teoria dos grafos.......................................................... 18

2.1.3.2 – Solução através da análise matricial................................................. 20