Estimating Dense-Packed Zone Height in Liquid-Liquid Separation: A Physics-Informed Neural Network Approach

Resumo Técnico: Estimativa da Altura da Zona de Empacotamento Denso em Separação Líquido-Líquido via Redes Neurais Informadas pela Física (PINN)

1. O Problema

A separação de dispersões líquido-líquido em separadores de gravidade horizontais é crucial em indústrias químicas, farmacêuticas e de reciclagem. Um indicador crítico de desempenho e segurança é a altura da Zona de Empacotamento Denso (DPZ) — uma camada de dispersão que se forma quando a taxa de coalescência é mais lenta que a de sedimentação.

O acúmulo excessivo da DPZ pode causar o transbordamento (flooding) do separador, comprometendo a eficiência do processo. No entanto, medir a altura da DPZ em tempo real é extremamente difícil devido a limitações ópticas e à natureza opaca/complexa do interior dos equipamentos industriais. Modelos mecanísticos tradicionais (baseados em primeira princípio) apresentam baixa precisão (menos de 25% de acerto na previsão de transbordamento), enquanto métodos puramente baseados em dados (data-driven) exigem volumes massivos de dados experimentais, que são caros e escassos.

2. Metodologia Proposta

Os autores propõem um framework que combina modelos de aprendizado de máquina com princípios físicos para estimar as alturas das fases utilizando apenas medições de vazão volumétrica (que são fáceis de obter). A abordagem baseia-se em três pilares:

• Arquitetura PINN (Physics-Informed Neural Network): Em vez de uma rede neural comum, utiliza-se uma PINN que incorpora as equações de balanço de massa (volume) como restrições (soft constraints) durante o treinamento. Isso garante que as previsões da rede respeitem as leis da física, mesmo com poucos dados.
• Estratégia de Treinamento em Dois Estágios:
  1. Pré-treinamento: A rede é treinada inicialmente com dados sintéticos gerados por um modelo mecanístico de baixa fidelidade. Isso permite que a rede aprenda a dinâmica básica do sistema.
  2. Ajuste Fino (Fine-tuning): A rede pré-treinada é então ajustada utilizando dados experimentais reais (escasos e ruidosos) para capturar as nuances e desvios do sistema físico real.
• Estimativa de Estado via Filtro de Kalman Estendido (EKF) inspirado: Para a implementação prática (deployment), a PINN é integrada a um framework de estimativa de estado inspirado no EKF. Como a PINN é diferenciável, os Jacobianos necessários para o filtro podem ser calculados via diferenciação automática. O filtro funde as previsões do modelo com as medições de vazão em tempo real para rastrear as alturas das fases, compensando o ruído de medição e a incerteza do modelo.
• Aprendizado de Conjunto (Ensemble Learning): São treinados múltiplos modelos para quantificar a incerteza epistêmica (incerteza do modelo) e aumentar a robustez das previsões.

3. Principais Contribuições

• Desenvolvimento de um "Soft Sensor": A capacidade de estimar variáveis internas não mensuráveis (alturas de fase) a partir de variáveis externas facilmente mensuráveis (vazões).
• Integração de Modelos de Diferentes Fidelidades: Demonstração de que o uso de modelos mecanísticos aproximados para pré-treinar redes neurais resolve o problema da escassez de dados experimentais.
• Abordagem de Modelagem Híbrida: O uso de PINNs para representar dinâmicas onde as equações governantes são incompletas ou simplificadas (como a suposição de DPZ em formato de banda).
• Previsão de Pontos Críticos: Uso de uma rede neural simples para mapear a altura média da DPZ para a altura máxima na saída do separador, que é o ponto mais crítico para a detecção de transbordamento.

4. Resultados

Os modelos foram testados em trajetórias de interpolação (dentro do intervalo de treinamento) e extrapolação (fora do intervalo de treinamento, simulando distúrbios de vazão):

• Superioridade da PINN: A PINN treinada em dois estágios superou significativamente tanto o modelo mecanístico quanto as redes neurais puramente baseadas em dados (VNN) e as PINNs sem pré-treinamento.
• Desempenho na Extrapolação: Enquanto o modelo mecanístico falhou ao prever transbordamentos prematuros, a PINN conseguiu rastrear as trajetórias de altura de forma precisa mesmo em condições de vazão não vistas anteriormente.
• Precisão do Filtro: A combinação PINN + EKF mostrou-se eficaz em convergir para a trajetória real, mesmo partindo de estimativas iniciais incorretas, provando ser uma ferramenta robusta para monitoramento em tempo real.
• Métricas: O erro quadrático médio (RMSE) e a dispersão do conjunto (IQR) foram menores para a abordagem PINN, indicando maior precisão e menor incerteza.

5. Significância

Este trabalho é altamente significativo para a engenharia de processos, pois oferece uma solução viável para o monitoramento de segurança em separadores de gravidade. Ao transformar medições de vazão comuns em sensores virtuais de altura de fase, a metodologia permite a detecção precoce de transbordamentos e a otimização operacional sem a necessidade de instalar sensores ópticos caros ou invasivos dentro de equipamentos industriais de alta pressão ou temperatura. Além disso, o framework de treinamento em dois estágios estabelece um padrão para aplicar IA em sistemas físicos onde os dados de alta fidelidade são limitados.