Applicazione dei Transformer nella Predizione delle Proprietà dei prodotti: Un Nuovo Paradigma per il Controllo Avanzato dei Processi = Application of Transformers in Product Property Prediction: A New Paradigm for Advanced Process Control

Questo lavoro di tesi di laurea è stato svolto presso la società Alpha Process Control Srl, operante nel campo della consulenza per quanto riguarda il controllo avanzato dei processi. La predizione delle proprietà dei prodotti rappresentano strumenti fondamentali per l’ottimizzazione dei processi industriali, dove la qualità e la composizione dei prodotti finali sono di primaria importanza. Il loro utilizzo consente di monitorare e controllare in tempo reale le caratteristiche chimico-fisiche dei flussi di processo senza dover ricorrere a misurazioni dirette e spesso molto costose. In un contesto industriale, dove vengono utilizzate apparecchiature molto complesse come colonne di distillazione, reattori chimici e altre apparecchiature di separazione e trasformazione, l’impiego di inferenziali permette di ottenere una maggiore efficienza operativa, riducendo sia i costi di analisi, sia i costi di manutenzione. Nel presente lavoro di tesi, sono stati sviluppati modelli per la predizione di proprietà dei prodotti in uscita da apparecchiature operanti nel settore Oil & Gas. A causa della diversa natura dei dati che è possibile raccogliere in un impianto Oil & Gas, la tesi è stata divisa principalmente in due parti: nella prima parte vengono sviluppati modelli predittivi tramite l'utilizzo di dati da laboratorio, nella seconda parte vengono sviluppati modelli tramite l'utilizzo di dati raccolti tramite analizzatori posti sulle correnti di interesse. Nella prima parte dell'elaborato sono stati sviluppati modelli per la predizione della proprietà LVGO 95 appartenente alla corrente di LVGO in uscita da una colonna di distillazione vacuum. Sono stati utilizzati inizialmente modelli di regressione classici come la regressione lineare multipla e la partial least squares ed infine modelli più complessi come le reti neurali profonde. Nella seconda parte dell'elaborato è stata utilizzata una architettura Transformer adeguatamente personalizzata per l'utilizzo sulle serie temporali multivariate. Sono stati raccolti dati al minuto provenienti da un analizzatore posto sulla corrente di testa in uscita da un depropanizer, che misura la quantità di butadiene (in ppm) in uscita dalla testa della colonna.