Embed Size (px)
Citation preview
REPREPÚÚBLICA BOLIVARIANA DE VENEZUELABLICA BOLIVARIANA DE VENEZUELA
UNIVERSIDAD DEL ZULIAUNIVERSIDAD DEL ZULIA
DIVISIDIVISIÓÓN DE POSGRADO DE INGENIERIAN DE POSGRADO DE INGENIERIA
MAESTRIA EN MAESTRIA EN INGENIERIA DE GAS NATURALINGENIERIA DE GAS NATURAL
DetecciDeteccióón y Diagnn y Diagnóóstico de Fallas stico de Fallas dede una unaPlanta de DeshidrataciPlanta de Deshidratacióón de Gas n de Gas Natural Natural porporAbsorciAbsorcióón con n con TTrietilrietiléénglicolnglicol Utilizando Utilizando unauna
Red Neuronal Artificial.Red Neuronal Artificial.
PRESENTADO POR: ING. RUBÉN DARÍO PÉREZPRESENTADO POR: ING. RUBÉN DARÍO PÉREZ(PEQUIVEN)(PEQUIVEN)
PLANTEAMIENTO DEL PROBLEMAPLANTEAMIENTO DEL PROBLEMA
• H2S (Acido Sulfidrico)
• R-SH (Mercaptanos)
• CO2 (Dióxido de Carbono)
• CO (Monóxido de Carbono)
• COS (Sulfuro de Carbonilo)
• CS2 (Disulfuro de Carbono)
• O2 (Oxigeno)
• Hg (Mercurio)
•• H H22O (AGUA)O (AGUA)
PRINCIPALES CONTAMINANTES DEL GAS NATURALPRINCIPALES CONTAMINANTES DEL GAS NATURAL
PLANTEAMIENTO DEL PROBLEMAPLANTEAMIENTO DEL PROBLEMAPROBLEMAS OPERACIONALES CAUSADOS POR EL AGUAPROBLEMAS OPERACIONALES CAUSADOS POR EL AGUA
CCONDONDICIONES DE P y TICIONES DE P y T HIDRATOSHIDRATOSTAPONAMIENTOTAPONAMIENTODE EQUIPOS YDE EQUIPOS Y
LLÍÍNEASNEAS
PRES. GASES ACIDOSPRES. GASES ACIDOS CORROSIONCORROSION DETERIORO DEDETERIORO DELINEAS Y EQUIPOSLINEAS Y EQUIPOS
BAJAS TEMPER.BAJAS TEMPER. CONDENSACIONCONDENSACIONPERDIDA DEPERDIDA DE
CAPACIDAD EN LASCAPACIDAD EN LASLINEAS Y EQUIPOSLINEAS Y EQUIPOS
PLANTEAMIENTO DEL PROBLEMAPLANTEAMIENTO DEL PROBLEMA
EEl l ccontenidoontenido de agua en un gas debe reducirse hasta un de agua en un gas debe reducirse hasta unvalorvalor que generalmente se encuentra establecido por que generalmente se encuentra establecido porlos contratos de compra y venta (frecuentemente 7los contratos de compra y venta (frecuentemente 7 lbs lbsde agua /de agua / mmpcs mmpcs de gas) o por las exigencias de los de gas) o por las exigencias de losprocesos que usarprocesos que usaráán al gas natural como materia priman al gas natural como materia prima(se pueden requerir gases totalmente deshidratados).(se pueden requerir gases totalmente deshidratados).
PLANTEAMIENTO DEL PROBLEMAPLANTEAMIENTO DEL PROBLEMA
DDebeebe garantizarse el funcionamiento correcto y continuo de los garantizarse el funcionamiento correcto y continuo de losequipos en equipos en llos procesos, los cuales con el paso del tiempo seos procesos, los cuales con el paso del tiempo sedeterioran paulatinamente lo que conlleva a la degeneracideterioran paulatinamente lo que conlleva a la degeneracióón deln delfuncionamiento del proceso ocasionando:funcionamiento del proceso ocasionando:
Paradas innecesarias.Paradas innecesarias.
La obtenci La obtencióón de productos fuera de especificacin de productos fuera de especificacióón.n.
Sustituciones de equipos o reactivos a destiempo.Sustituciones de equipos o reactivos a destiempo.
La ocurrencia de eventos catastr La ocurrencia de eventos catastróóficos que puedan llevar noficos que puedan llevar nosolo a la psolo a la péérdida del equipo sino tambirdida del equipo sino tambiéén a causar dan a causar dañños a personas.os a personas.
Todo esto lleva intr Todo esto lleva intríínseco las pnseco las péérdidas econrdidas econóómicas y el retrasomicas y el retrasooperacional que estos eventos suscitaroperacional que estos eventos suscitaríían.an.
OBJETIVOS DE LA INVESTIGACIONOBJETIVOS DE LA INVESTIGACION
OBJETIVO GENERALOBJETIVO GENERAL
Detectar y Diagnosticar Fallas en una Planta deDeshidratación de Gas por Absorción con trietilénglicolUtilizando una Red Neuronal Artificial.
DESHIDRATACIONDEL GAS NATURAL
PLANTA DE DESHIDRATACION
PROBLEMAS OPERACIONALES DE LA PLANTA
• Separador de Entrada: Malos diseños y problemas delcontrolador de nivel y drenaje permiten la entrada decontaminantes (Agua liquida, hidrocarburos pesados, sales)
•• Absorbedor: Deshidratación insuficiente, contaminaciondel gas seco, formación de espuma y arrastre,precipitación de cloruro de calcio.
• Regenerador: Pérdidas excesivas por vaporizacion, dañoo taponamiento de empaques
• Rehervidor: Contaminación con sales, inclinación,degradación del glicol, inclusión de gases ácidos
PROBLEMAS OPERACIONALES DE LA PLANTA
• Acumulador: Bajo nivel de líquido, Corrosión, Pérdidas delcolchón de gas
•• Intercambiadores de Calor: Deficiencias en la transferenciade calor por ensuciamiento, uso de equipos subdiseñados,corrosión• Separador Flash: Tiempos de residencia inadecuados,Formación de emulsiones y espuma
• Bombas de circulación de glicol: Confiabilidad, Desgastede la Bomba, Sobre circulación de glicol
PROBLEMAS OPERACIONALES DE LA PLANTA
• Filtros: Taponamiento y resquebrajamiento
•• Instrumentación y controles: Ensuciamiento, taponamiento,descalibración.
• Degradación Química del glicol: Oxidación, Polimerización,Saponificación de hidrocarburos pesados
REDES NEURONALES ARTIFICIALES
Las Redes Neuronales Artificiales (RNA) sonimplementaciones computacionales que emulan elfuncionamiento del sistema neurológico humano pararesolver problemas que van desde el reconocimientode patrones, procesamiento de señales, hasta eldesarrollo de controladores para la robótica. Por suscaracterísticas, las RNA pueden ser implementadas enla detección y diagnóstico de fallas de procesosquímicos industriales, dado que tales fallas vanasociadas a alteraciones reproducibles de los valoresdeseados para las variables de operación del procesoen estudio
REDES NEURONALES ARTIFICIALES
y1
w11 w12
w1m
yn
X1 X2 Xm
Capasalida
Capaoculta
Capaentrada
REDES NEURONALES ARTIFICIALES
xex λ−+=Γ
11)(
RetropropagaciRetropropagacióónn
ALGORITMO DE RETROPROPAGACIÓN
El Algoritmo de retropropagación ajusta los pesos paraminimizar un criterio de error, comenzando con elestablecimiento aleatorio de los pesos, se dan lossiguientes pasos:
• Evaluación de la entradas a la red
• Cálculo del error (mediante el criterio de error)
• Ajuste de los pesos y BIAS
CRITERIO DE ERROR
2
)( 2∑ −= m
pm
pm Yd
E
AJUSTE DE PESOS Y BIAS
anterioranteriornuevo www ∇+=
anterioranterior
wEnw
∂∂
−=∇
xnwanterior **δ=∇
n Velocidad de Aprendizaje
Función que representa el error
x Entrada siguiente a un nodo en particularδ
OPERACIÓN DE REDES NEURONALES ARTIFICIALES
Fase deEntrenamiento
Fase deGeneracion de
Respuestas
Fase deGeneralización
Se le presentan los Patrones (datos)de entrada y salida. Modificación depesos de las conexiones.
La red genera respuestas a los pa-trones usados durante el entrena-miento.
La red genera respuestas a patronessimilares o nuevos.
OPERACIÓN DE REDES NEURONALES ARTIFICIALES
AZUL YAZUL YVERDEVERDE
VENTAJAS Y LIMITACIONES DE LAS REDESNEURONALES ARTIFICIALES
VENTAJAS
Comportamiento Adaptativo
Capacidad de Filtrado
Potencial para Uso en Línea
Capacidad de Generalizar
Capacidad de Actualización
LIMITACIONES
Largos periodos de Entren.
Gran cant. de datos de Ent.
Etapa de operación nogarantizada
Sencibilidad al daño demedirores
Capacidad de Actualización
•Modelado
•Simulación
•Manejo de fallas
• Sensores virtuales
• Reconocimiento y clasificación de patrones.
APLICACIONES DE LAS REDES NEURONALESARTIFICIALES
Optimización de un proceso
Diagnóstico de fallas en intercambiadores de calor yunidades de craqueo catalítico,
Analizadores en línea,
Predicción de propiedades,
Monitoreo de la calidad de productos
Selección de pozos candidatos para incrementar sudesempeño,
Estimación de permeabilidades en pozos,interpretación geológica de datos sísmicos
FASE EXPERIMENTALDE LA INVESTIGACIÓN
OBJETIVOS ESPECIFICOSOBJETIVOS ESPECIFICOS
• Realizar la simulación dinámica de la planta dedeshidratación de gas por absorción con trietilénglicol
• Obtener los datos operacionales de cada uno de los equipos,cuando el proceso se encuentra en condiciones de trabajonormal (sin falla)
• Obtener datos operacionales de cada uno de los equipos,cuando alguno de estos falla.
• Determinar la estructura de la Red Neuronal Artificial autilizar.
• Realizar el entrenamiento de la Red Neuronal Artificial conlos datos obtenidos.
• Determinar la eficiencia en la detección y diagnóstico defallas de la Red Neurona
CONTACTOR
Pump
STRIPPER
F-12
1
6
7
8
9
10
11
12 13 14
15
1617
18
19
20
21
Gas (saturado)
Glicol Limpio
Gas Seco
TEG
30.5221 ft3/sec
147.68 F
152.44 F
149.9 F
303.64 F
14.7 psia 25.7978 ft3/sec
200.52 F
202.34 F
400 F
6 trays
4 trays
REGENERADOR
3 trays
23
D-1424 25
26
373.57 F
990 psia 31.3566 ft3/sec
0.096509 ft3/sec
Gas Seco Producido
X-33
33
34
179 MMSCFD GAS A 990PSIA Y 140F (170 lbs agua/MMSCF) sale a unpromedio de 2.10 lbs agua/MMSCF. Simulador DESINGII - WINSIM INC
Disminución del área de transferencia de calor porensuciamiento, intercambiador gas-glicol
8Inundación o espuma en el absorbedor7
Disminución del área de transferencia de calor porensuciamiento, intercambiador glicol-glicol
6Caída de presión insuficiente en la válvula V-65Caída de presión insuficiente en la válvula V-94
Variación del caudal del gas de despojamiento, porproblemas en el divisor de caudal de gas seco
3
Disminución del área de transferencia de calor delCondensador por ensuciamiento
2Temperatura de regeneración de glicol inadecuada1
DESCRIPCIONFALLA
CREACION DE BASE DE DATOS: 7000 DATOS
ANÁLISIS Y SELECCIÓN DE LAS VARIABLES DEL PROCESOUTILIZADAS PARA EL ENTRENAMIENTO DE LA RED NEURONAL
ARTIFICIAL
• Cada variable que integra los patrones, (presión y temperatura de cadacorriente), fue analizada gráficamente con el objeto de identificar cuálesde esos datos presentan modificaciones a medida que se presentabanfallas en los equipos de la planta, y cuáles permanecen constantes opresentan duplicidad con otros datos. Software utilizado ExcelMicrosoft.
• Escalamiento de los datos seleccionados. Software utilizado ExcelMicrosoft.
DETERMINACIÓN DE LA ESTRUCTURA Y ENTRENAMIENTO DE LARED NEURONAL ARTIFICIAL
La determinación de la estructura de la red neuronal mas eficiente y suentrenamiento son tareas que se llevan a cabo en paralelo. Lasinvestigaciones que se han realizado con respecto a la estructura delas redes neuronales tienen una base netamente empírica; el númerode capas intermedias y el número de neuronas en cada capa intermediason parámetros de diseño que suelen ser escogidos por tantéo.
VECTORES DE SALIDAS DESEADAS PARA LA RED NEURONAL
1-1-1-1-1-1-1-1FALLA 8-11-1-1-1-1-1-1FALLA 7
-1-11-1-1-1-1
Y4
-11-1-1-1-1-1
Y5
1-1-1-1-1-1-1
Y6
-1-1-1-1-1-1-1
Y7
-1-1-1-1FALLA 6-1-1-1-1FALLA 5-1-1-1-1FALLA 4-11-1-1FALLA 3-1-11-1FALLA 2-1-1-11FALLA 1-1-1-1-1NORMAL
Y8Y3Y2Y1COND.OPE.
PARA DETERMINAR LA ESTRUCTURA Y REALIZAR ELENTRENAMIENTO DE LA RED NEURONAL ARTIFICIAL SE UTILIZÓUN SOFTWARE DE LA COMPAÑÍA NORTEAMERICANA ARDCORPORATION LLAMADO PROPAGATOR, CON EL CUÁL SEPUEDEN ESTRUCTURAR Y ENTRENAR REDES NEURONALES DELTIPO PERCEPTRÓN DE CAPAS MÚLTIPLES, UTILIZANDO ELALGORITMO DE RETROPROPAGACIÓN COMO ALGORITMO DEENTRENAMIENTO. DICHO SOFTWARE LE DA AL USUARIO LAPOTESTAD DE ESCOGER EL NÚMERO DE CAPAS OCULTAS DE LARED, EL NÚMERO DE NODOS POR CAPA, LAS FUNCIONES DEACTIVACIÓN A UTILIZAR EN CADA CAPA, LA VELOCIDAD DEAPRENDIZAJE Y EL FACTOR DE MOMENTO, ASÍ COMOESTABLECER EL NÚMERO DE CICLOS DE ENTRENAMIENTO ENTREOTROS.
DETERMINACIÓN DE LA EFICIENCIA EN LADETECCIÓN Y DIAGNÓSTICO DE FALLAS DE LA RED
NEURONALPara determinar la eficiencia en la detección y diagnóstico defallas de cada una de las redes propuestas en esta investigación,se procedió a tomar al azar una muestra de los diferentesconjuntos de datos (condiciones de fallas de los distintos equiposy la condición normal de operación, los cuales no fueron incluidospara el entrenamiento de la red), y le fueron presentados a la redneuronal. De esta forma, se verificaba la coincidencia en ladetección y el diagnóstico de las fallas por parte de la redneuronal. De la misma forma, el software Propagator posee lacapacidad de hacer esta verificación al presentarle a la red la seriede datos seleccionados para la prueba y calcula el errorcuadrático medio entre la respuesta generada por la red y larespuesta que se debe generar.
RESULTADOS DE LAINVESTIGACIÓN
DATOS DEL PROCESO UTILIZADOS PARA CREAR LOSPATRONES DE ENTRENAMIENTO DE LA RED NEURONAL
ARTIFICIAL.
CONTACTOR
Pump
STRIPPER
F-12
1
6
7
8
9
10
11
12 13 14
15
1617
18
19
20
21
Gas (saturado)
Glicol Limpio
Gas Seco
TEG
30.5221 ft3/sec
147.68 F
152.44 F
149.9 F
303.64 F
14.7 psia 25.7978 ft3/sec
200.52 F
202.34 F
400 F
6 trays
4 trays
REGENERADOR
3 trays
23
D-1424 25
26
373.57 F
990 psia 31.3566 ft3/sec
0.096509 ft3/sec
Gas Seco Producido
X-33
33
34
23 CORRIENTESINVOLUCRADAS
Manning et Al. “Guidelines for Glycol Dehydrator Desing Part 1-2”Hydrocarbon Processing, January 1993.
DATOS DEL PROCESO UTILIZADOS PARA CREAR LOSPATRONES DE ENTRENAMIENTO DE LA RED NEURONAL
ARTIFICIAL.
Agua de enfriamiento saliendo del condensador33Gas de despojo y vapores de glicol y agua entrando al regenerador26
Glicol pobre saliendo del contactor de gas de despojo23Mezcla vapor-glicol salida del condensador21
Mezcla vapor-glicol tope del regenerador19Glicol saliendo del rehervidor18
Glicol pobre a la descarga de la bomba17Glicol pobre saliendo del intercambiador glicol-glicol16
Glicol rico entrando a la columna regeneradora14Glicol riso salida del intercambiador glicol-glicol13
Glicol rico entrando al tanque flash10Entrada de glicol pobre al absorbedor09
Salida de gas seco, intercambiador gas-glicol07DESCRIPCIONCORRIENTE
ANÁLISIS Y SELECCIÓN DE LOS DATOS DEL PROCESOUTILIZADOS PARA EL ENTRENAMIENTO DE LA RED NEURONAL
ARTIFICIAL
Comportamiento de las Presiones en Condiciones Normales. Nivel de Presiones Alto
984
986
988
990
992
994
996
998
1000
1002
MEDICIONES
PRES
ION
LPC
A
P 7
P 17
P 9
VARIACIÓN DE LAS PRESIONES DE OPERACION EN FUNCION DE LA FALLAS. ALTAS PRESIONES
988
991
994
997
1000
1003
FALLA 1
FALLA 2FALLA 3FALLA 4FALLA 5FALLA 6FALLA 7FALLA 8
FALLA
PRES
ION
(LPC
A)
P7
P9
P17
ANÁLISIS Y SELECCIÓN DE LOS DATOS DEL PROCESOUTILIZADOS PARA EL ENTRENAMIENTO DE LA RED NEURONAL
ARTIFICIAL
Comportamiento de las Presiones en Condiciones Normales. Nivel de Presiones Bajo
05
101520253035404550
1 8 15 22 29 36 43 50 57 64 71 78 85 92 99 106
113
MEDICIONES
PRES
ION
LPC
A
P10
P13
P14
P16
P18
P19
P21
P23
P26
P33
VARIACION DE LAS PRESIONES DE OPERACION EN FUNCION DE LAS FALLAS. BAJAS PRESIONES
0
10
20
30
40
50
60
70
FALL
A 1
FALL
A 2FA
LLA 3
FALL
A 4
FALL
A 5FA
LLA 6
FALL
A 7FA
LLA 8
FALLA
PRES
ION
(LPC
A)
P10
P13
P14
P16
P18
P19
P21
P23
P26
P33
ANÁLISIS Y SELECCIÓN DE LOS DATOS DEL PROCESO UTILIZADOSPARA EL ENTRENAMIENTO DE LA RED NEURONAL ARTIFICIAL
CONDICIONES NORMALES NIVEL DE TEMPERATURAS MEDIAS
100.00110.00120.00130.00140.00150.00160.00170.00180.00190.00
1 3 5 7 9 11 13 15 17 19 21
Medición #
TEM
P. (°
F)
T7
T9
T10
T16
T10
T33
T17
Variacion de la Temperatura en función del tipo de Falla.Nivel de Temperaturas Medias
100.0000115.0000130.0000145.0000160.0000175.0000190.0000205.0000
falla
1
falla
2
falla
3fal
la 4
falla
5fal
la 6
falla
7FA
LLA 8
Falla
T (°
F)T7
T9
T10
T16
T17
T33
Variacion de la Temperatura en funcio del tipo de Falla.Nivel de Temperaturas Altas
200.00
250.00
300.00
350.00
400.00
450.00
falla
1
falla
2
falla
3
falla
4
falla
5
falla
6
falla
7FA
LLA 8
T13
T14
T18
T19
T21
T23
T26
ANÁLISIS Y SELECCIÓN DE LOS DATOS DEL PROCESO UTILIZADOSPARA EL ENTRENAMIENTO DE LA RED NEURONAL ARTIFICIAL
CONDICIONES NORMALES TEMPERATURAS ELEVADAS
200.00
240.00
280.00
320.00
360.00
400.00
440.00
1 3 5 7 9 11 13 15 17 19 21
Medición #
TEM
P. (°
F)
T13T14T18T19T21T23T26
ANÁLISIS Y SELECCIÓN DE LOS DATOS DEL PROCESO UTILIZADOSPARA EL ENTRENAMIENTO DE LA RED NEURONAL ARTIFICIAL
Contenido de Agua en el gas Seco. Condiciones Normales de Funcionamiento
0.0000
2.0000
4.00006.0000
8.0000
10.0000
12.0000
1 5 9 13 17 21 25 29 33 37 41 45 49 53
Medición #
Lbs
H2O
/MM
PCS
Variacion del Contenido de Agua en el Gas por Fallas Presentadas en la Planta
0.0000
2.0000
4.0000
6.0000
8.0000
10.0000
12.0000
Falla
Lbs.
H2O
/MM
PCS
ANÁLISIS Y SELECCIÓN DE LOS DATOS DEL PROCESO UTILIZADOSPARA EL ENTRENAMIENTO DE LA RED NEURONAL ARTIFICIAL
TEMPERATURAS AFECTADAS POR LA PRESENCIA DE LAS FALLASPROPUESTAS
XXX
9
X
XXX
10
XXX
X
X13
XXX
XXX
X14
XXX
X
X16
XXX
X
X17
X18
XXX
XXX
X19
XXX
XXXX21
XX
XXXX23
X
XXXX26
X
X
XXX
X33
XXFALLA 8XFALLA 7XXFALLA 6
FALLA 5XFALLA 4XFALLA 3
FALLA 2XFALLA 1
CA7
ESTRUCTURA Y ENTRENAMIENTO DE LA RED NEURONAL ARTIFICIAL
0.000E+002.000E-074.000E-076.000E-078.000E-071.000E-061.200E-061.400E-061.600E-061.800E-062.000E-06
Error
5.00 6.00 7.00 8.00 9.00 10.00
# Neuronas
Falla # 1. Error producido por la Variación del Numero de Neuronas en la Capa Interna.
V.A.= 0.09
1.18E-06 1.12E-06 9.50E-07 6.30E-07 3.60E-07
2.10E-02
0.00E+00
5.00E-03
1.00E-02
1.50E-02
2.00E-02
2.50E-02
Error
0.08 0.09 0.10 0.20 0.30 0.40
Vel. Aprendizaje
Falla # 1. Error producido por la Variacion de la Velocidad de Aprendizaje. Estructura (11-7-2)
ESTRUCTURA Y ENTRENAMIENTO DE LA RED NEURONAL ARTIFICIAL
6.600E-077.500E-07
4.200E-074.400E-075.100E-075.400E-07
0.000E+00
1.000E-072.000E-073.000E-074.000E-07
5.000E-076.000E-077.000E-078.000E-07
Error
2.00 3.00 4.00 5.00 6.00 7.00
# Neuronas
Falla # 2. Error producido por la Variación del Numero de Neuronas en la Capa Interna.
V.A.=0.1
5.00E-074.20E-07
2.30E-07 1.70E-07
1.20E-07
0.00E+005.00E-081.00E-071.50E-072.00E-072.50E-073.00E-073.50E-074.00E-074.50E-075.00E-07
Error
0.09 0.10 0.20 0.30 0.40
Vel. Aprendizaje
Falla # 2. Error producido por la Variacion de la Velocidad de Aprendizaje. Estructura (2-4-2)
ESTRUCTURA Y ENTRENAMIENTO DE LA RED NEURONALARTIFICIAL.
8.100E-07 8.300E-07
1.080E-06 1.090E-06
1.330E-061.480E-06
0.000E+002.000E-074.000E-076.000E-078.000E-071.000E-061.200E-061.400E-061.600E-06
Error
9.00 10.00 11.00 12.00 13.00 16.00
# Neuronas
Error producido por la Variación del Numero de Neuronas en la Capa Interna.
V.A.= 0.1
1.21E-06 8.10E-07 9.10E-07
2.57E+00
0.00E+00
5.00E-01
1.00E+00
1.50E+00
2.00E+00
2.50E+00
3.00E+00
Error
0.08 0.100 0.12 0.20
Vel. de Aprendizaje
Error producido por la Variacion de la Velocidad de Aprendizaje.
DETERMINACIÓN DE LA EFICIENCIA EN LA DETECCIÓN Y DIAGNÓSTICODE FALLAS DE LA RED NEURONAL.
101212810012127100121261001212510012124100121231001212210012121%DETECTADOMUESTRAFALLA #
ERROR CUADRÁTICO MEDIO= 2.5x10-7.
CONCLUSIONES
CONCLUSIONESCONCLUSIONES1) Las Redes Neuronales Artificiales representan una alternativa económica yeficiente para el control de las operaciones de una planta deshidratadora ya que enesta investigación se demostró que es posible detectar y diagnosticar con granefectividad la ocurrencia de fallas en una planta de deshidratación de gas naturalmediante absorción con trietilénglicol, utilizando redes neuronales artificialesdebidamente entrenadas.
2) Con el sistema propuesto es posible detectar fallas que pueden ser obviadas porlos ingenieros y operadores debido a las gran cantidad de variables involucradas en elproceso.
3) Con el sistema propuesto se pueden detectar fallas en estado incipiente, es deciren estados donde ni los instrumentos de medición pueden detectar la ocurrencia de lamisma.
