Resumo
A água é o principal fluido usado em sistemas de geração de vapor e a qualidade deste afeta diretamente o rendimento e eficiência do ciclo a vapor. Isto porque a água, em decorrência das suas propriedades de solvente e da sua capacidade de transportar partículas, incorpora a si diversas impurezas, as quais definem sua qualidade [1]. Entre os pontos que podem ser destacados, a má qualidade da água das caldeiras podem gerar a formação de depósitos e incrustações, que reduzem a transferência de calor e aumentam as perdas de energia. Essas impurezas, ao longo do tempo, também podem estar relacionadas a problemas críticos ao funcionamento das caldeiras, como: sobreaquecimento, corrosão, mudança de estrutura metalográfica e mudança química [2].
Uma maneira de prevenção é recorrer à análise da purga da caldeira e da água de alimentação, a fim de verificar se estas se encontram em parâmetros ideais para o funcionamento da máquina. Isso é demonstrado em um estudo realizado na Universidade Estadual de Feira de Santana (UEFS), onde foi proposto o monitoramento automatizado e remoto da qualidade da água da instituição. Foram considerados parâmetros como condutividade, pH, temperatura e oxigênio dissolvido. Os dados foram armazenados em um banco de dados, onde poderiam ser consultados a qualquer momento [3]. Outro estudo demonstra que é possível identificar regimes de ebulição de forma não intrusiva e com baixo custo, em máquinas térmicas, usando técnicas de aprendizado de máquina em imagens de baixa resolução e velocidade [4].
A proposta deste estudo é avaliar a qualidade da água destinada para alimentação de caldeiras, a partir do desenvolvimento de um modelo de aprendizagem de máquina, a fim de auxiliar na identificação de problemas de qualidade, como a presença de impurezas ou contaminantes. Desta forma, a análise permitirá que as indústrias tomem medidas para evitar danos aos equipamentos, interrupções na operação e possíveis sanções regulatórias, provenientes da não conformidade com as normas regulamentadoras.
A partir de dados sintéticos, foi desenvolvido um modelo de aprendizado de máquina, que classifica a qualidade da água por meio de parâmetros físico-químicos, como a concentração de ferro, cobre, sílica, a alcalinidade e dureza total, e a condutividade, sendo estes parâmetros previstos pela The American Society of Mechanical Engineers [5]. Para alcançar o resultado almejado, foram utilizados métodos de sintetização, pré-processamento e balanceamento de dados, para que estes pudessem ser aplicados em treinamento e testagem de diversos tipos de modelos. Com os testes finalizados, ferramentas avaliativas foram aplicadas, como matrizes de confusão, validação cruzada e gráficos de curva de aprendizagem, para escolher qual modelo teve melhor desempenho com os parâmetros de água de caldeira.
O modelo de aprendizado final forneceu uma categorização da qualidade precisa sobre a adequação da água para uso em caldeiras industriais, verificando sua conformidade com as normas e especificações técnicas necessárias para a operação eficiente e segura das caldeiras.
Referências
1. ZARPELON, Willian; AZZOLINI, José Carlos. Caldeiras de alta pressão: caracterização e avaliação da qualidade do tratamento das águas de abastecimento. Unoesc & Ciência – ACET Joaçaba, v. 6, n. 2, p. 141–154, 2015.
2. IBP, Instituto Brasileiro de Petróleo e Gás. Inspeção de caldeiras. 3. ed. Rio de Janeiro: IBP, 2020.
3. LIMA, Ellen Lima de. Módulo de sensores para monitoramento da qualidade da água com transmissão sem fio utilizando plataforma de prototipagem. Dissertação (Mestrado em Computação Aplicada). Universidade Estadual de Feira de Santana, Feira de Santana, 2018.
4. HOBOlD, Gustavo M.; DA SILVA, Alexandre K. Machine learning classification of boiling regimes with low speed, direct and indirect visualization. International Journal of Heat and Mass Transfer, v. 171, p. 121166, Jan. 2021.
5. ASME, American Society of Mechanical Engineers. Guidelines for Water Quality in Modern Industrial Water Tube Boilers for Reliable Continuous Operation. New York: ASME Press, 2011.
