Implementación de un modelo hibrido en hidrotratamiento catalítico (HCC) mediante redes neuronales en ASPEN HYSYS.

Abstract

El presente trabajo de grado desarrollo un modelo híbrido para el proceso de hidrotratamiento catalítico (HCC), presentando una alternativa a la simulación rigurosa de Aspen HYSYS con redes neuronales artificiales (RNA), permitiendo reducir la complejidad y reduciendo los tiempos de convergencia, manteniendo precisión y accesibilidad en el análisis de la unidad. Partió de la construcción de un modelo validado que represente con exactitud la operación unitaria en Aspen HYSYS. Se identificaron las variables críticas del proceso, como la concentración de azufre, la temperatura del reactor, la presión y las características del catalizador, esenciales para la estabilidad y eficiencia del hidrotratamiento. Posteriormente, se construyeron cuatro escenarios representativos de la operación (pesimista, intermedio, optimista y global) según la cantidad de azufre que ingresaba al sistema para tener distintos enfoques de entrenamiento de redes, lo que permitió generar una base de datos robusta con la herramienta de Aspen MultiCase. El entrenamiento y validación de las cuatro redes neuronales, evaluadas con métricas como R² y RMSE, mostraron desempeños consistentes con errores de predicción muy bajos (orden de 1E-3). Si bien todas las redes resultaron adecuadas, la red neuronal global se identificó como la más robusta, al abarcar un rango más amplio de condiciones de operación y mantener precisión estable en diferentes escenarios. Finalmente, se desarrolló una interfaz dinámica en Excel vinculada al modelo híbrido, que permite a usuarios sin experiencia en Aspen HYSYS ingresar datos y obtener predicciones confiables de forma intuitiva. Este avance facilita la aplicación del modelo en ámbitos académicos e industriales, reduciendo la barrera de acceso a herramientas de simulación avanzada y promoviendo decisiones operativas más rápidas y fundamentadas.