Modelación matemática del subproceso de postcombustión en un Horno de Reducción de Minerales Lateríticos

Abstract

La investigación destaca la modelación matemática establecida para implementar en la postcombustión de un horno de reducción de minerales lateríticos en la Empresa Ernesto Che Guevara. Se proponen modelos lineales para diferentes puntos de operación y modelos no lineales basados en Redes Neuronales Artificiales (RNA) que reflejan las características dinámicas del proceso. La metodología consta de la realización de experimentos activos, con secuencias binarias pseudoaleatorias moduladas en amplitud y frecuencia e insertadas en el autómata que acciona las válvulas reguladoras de flujo de aire y variaciones en el flujo de mineral alimentado al horno, para obtener los modelos lineales. Se realizaron experimentos pasivos de 10 meses de operaciones para la obtención de dos modelos RNA (simple entrada-simple salida (SISO) y múltiples entradas-múltiples salidas (MIMO)). El modelo RNA MIMO se evaluó con diferente número de neuronas en la capa oculta y con el empleo del método de validación cruzada aleatoria, escogiéndose el mejor modelo a partir de los criterios de información de Akaike y Bayesiano. Como resultado, el modelo predice las temperaturas de los hogares cuatro y seis del horno con un error inferior a 5 °C, y un horizonte de predicción de un paso adelante (120 s). Los modelos contribuyen a predecir el perfil térmico en la zona de calentamiento del horno, como base para el diseño de estrategias de control que garanticen un mejor aprovechamiento de la energía y del combustible aditivo reductor, para disminuir las pérdidas del proceso y la contaminación ambiental.