Mejora de la disponibilidad de las unidades de síntesis de ácido clorhídrico en plantas de producción de cloro-soda basado en algoritmos de Machine Learning

Abstract

En la industria química de producción de cloro-soda se obtiene como principal producto comercial la soda cáustica líquida. Este insumo se utiliza en otros procesos productivos tales como la fabricación de productos de limpieza y potabilización, elaboración de lodos de perforación, elaboración de productos alimenticios, regeneración de intercambiadores iónicos, entre otros. La producción de cloro-soda implica la generación de cloro gaseoso, que debe ser consumido para evitar daños ambientales. Para ello, existe el subsistema de síntesis de ácido clorhídrico. Sin embargo, las paradas no programadas de las unidades de síntesis limitan los niveles de producción. Por ello, el presente trabajo de investigación tiene como objetivo mejorar la disponibilidad de las unidades de síntesis de ácido clorhídrico en plantas de producción de cloro-soda basado en algoritmos de machine learning. Primeramente, se recopila la data histórica de las variables de medición de una unidad de síntesis de ácido clorhídrico. A continuación, se diseñan diversos algoritmos de machine learning en lenguaje Python y se realiza el entrenamiento con la data obtenida. Se evalúan las métricas accuracy y f1-score para determinar el grado de precisión de los modelos obtenidos. El diseño debe ser óptimo y alcanzar una precisión no menor del 95%, con lo cual, se mejora la gestión del mantenimiento de la unidad de síntesis.

In the chemical industry of chlor-alkali production, liquid caustic soda is obtained as the main commercial product. Which is an important input for others production processes such as manufacturing of cleaning and potabilization products, production of drilling muds, production of food products, regeneration of ion exchangers, among others. The chlor-alkali production involves the generation of chlorine gas, which must be consumed in order to avoid environmental damage. For this reason, there is the hydrochloric acid synthesis subsystem. However, unscheduled shutdowns of synthesis units limit levels of caustic soda production. Furthermore, the main objective of this research is to improve the availability of hydrochloric acid synthesis units in chlor-alkali plants based on machine learning algorithms. First of all, the historical data of measurement variables involved of hydrochloric acid synthesis unit is compiled. In next step, the machine learning algorithms are designed in Python language and the training of the models obtained is carried out with the data gotten before. The metrics accuracy and f1-score are evaluated to determine the precision of the models. The final design must be optimum and reach at least 95% of precision, in order to improve the maintenance management of hydrochloric acid synthesis unit.