Aplicación de Análisis Multivariante en Procesos Industriales

Abstract

En este trabajo se presenta la aplicación de dos métodos de análisis multivariante en la modelación del proceso de digestión continua en la industria de celulosa, Planta Santa Fe, Nacimiento - Chile. Específicamente, este estudio ha permitido comparar y evaluar los modelos de procesos generados por los métodos de regresión lineal y redes neuronales, proporcionando información cuantitativa de las relaciones entre las distintas variables de proceso y el número Kappa de salida del digestor. Particularmente, resulta interesante notar que los procesos del digestor no pueden ser modelados con el método de regresión lineal, por lo que se destaca a las redes neuronales como uno de los mejores métodos de predicción, si se trata de modelar procesos con alta correlación entre las variables y con características no lineales. Además, se presenta la aplicación de técnicas estadísticas para análisis de datos extraídos de un proceso industrial, específicamente del proceso de digestión continua en la industria de celulosa. A través de Software dedicado se obtiene información cuantitativa de las relaciones entre las distintas variables de proceso y el número Kappa de salida del digestor. Como resultado de este análisis se obtiene un conjunto de datos depurados que serán utilizados para modelar al proceso en forma empírica.

This paper presents the application of two methods of multivariate analysis in the modeling of the continuous digestion process in the cellulose industry, Santa Fe Plant, Nacimiento - Chile. Specifically, this study has allowed comparing and evaluating the process models generated by linear regression methods and neural networks, providing quantitative information of the relationships between the different process variables and the Kappa number of the digester output. Particularly, it is interesting to note that the digester processes cannot be modeled with the linear regression method, which is why neural networks stand out as one of the best prediction methods, if it is a matter of modeling processes with high correlation between variables and with non-linear characteristics. In addition, the application of statistical techniques for analyzing data extracted from an industrial process, specifically the continuous digestion process in the pulp industry is presented. Through dedicated software, quantitative information is obtained on the relationships between the different process variables and the Kappa number of the digester output. As a result of this analysis, we obtain a set of refined data that will be used to model the process empirically.