000			02280nmc a2200205 4500
005			20260520010430.0
008			260224s2022
245	0	0	_aPREDICCIÓN DE ENSUCIAMIENTO DE UN INTERCAMBIADOR DE PLACAS (PACKINOX) USANDO REDES NEURONALES LSTM
260			_aBuenos Aires _bInstituto Argentino del Petróleo y del Gas, IAPG _c2022
270			_a23/06/2022 ; 23/06/2022
300			_a9 p.
520			_aEn este trabajo se presenta un modelo de mantenimiento predictivo, para el intercambiador de placas E-4701 (Packinox) de la planta de hidrotratamiento de combustible de la Refinería de Barrancabermeja, el cual evidencia un ensuciamiento recurrente desde finales el año 2019, limitando la carga de la U4700. Debido a la complejidad del fenómeno físico químico y las múltiples variables que intervienen en la operación, se desarrolló un modelo basado en redes neuronales para identificar la variable problema y predecir el tiempo de ensuciamiento según las condiciones operacionales del equipo. En principio, se recopiló una base de datos de 21 variables de contexto operacional, desde enero 2013 a diciembre 2021, las cuales fueron correlacionadas y depuradas. Luego, se utilizó la librería de redes neuronales del programa Matlab, para construir el modelo de predicción de aumento de diferencial de presión en E-4701, utilizando una arquitectura de red tipo LSTM. Finalmente se logró un modelo que permite predecir el diferencial de presión teniendo en cuenta el histórico de los datos de entrenamiento, además se identificó el valor límite de la variable problema en la operación para evitar el ensuciamiento acelerado y el valor a partir del cual se revierte la reacción y se presenta la descomposición térmica de las sales disminuyendo el ensuciamiento del equipo. Palabras clave: Predicción, Sublimación de sales, Ensuciamiento, Redes neuronales LSTM
773			_g
942			_cCONGTP
100	1		_aVargas Silva, Willian _960707
100	1		_aEscalante Salazar, Domingo A. _960708
111	2		_aCongreso Latinoamericano y del Caribe de Refinación (6to. : 2022 jun. 1-3 : Buenos Aires) _960649
999			_c194922 _d194922
856			_uhttps://biblioteca.iapg.org.ar/ArchivosAdjuntos/CongresoRefinacion2022/100.pdf