Prediction Model Based on Neural Networks to Optimize Thermal Efficiency and Emission Control in Firetube Boilers

Este estudio aborda el desafío crucial de mejorar la eficiencia térmica en calderas pirotubulares industriales en la industria pesquera, un sector afectado por un consumo significativo de combustible y sus costos asociados en un contexto de aumento en los precios del combustible. Lograr incluso mejoras marginales en la eficiencia de la caldera puede resultar en ahorros económicos sustanciales y beneficios ambientales. Utilizando la norma técnica peruana para la determinación de la eficiencia, junto con las recomendaciones de los fabricantes de calderas y las condiciones operativas, esta investigación emplea redes neuronales artificiales (RNA) para modelar y predecir resultados de eficiencia basados ​​en diversos parámetros operativos, incluyendo el tipo de combustible y las condiciones de combustión. El estudio explora el impacto de la regulación del exceso de aire y combustible en la eficiencia térmica y las emisiones contaminantes, empleando métodos de investigación aplicada y un análisis exhaustivo del funcionamiento de la caldera al 80% y 100% de carga. Los resultados demuestran la capacidad de los modelos de redes neuronales para predecir con precisión la eficiencia térmica, con configuraciones optimizadas que logran reducciones significativas en las emisiones de CO2 y CO2 del 43% y 55%, respectivamente. Los hallazgos subrayan el potencial de las aplicaciones de redes neuronales para optimizar el funcionamiento de las calderas, ofreciendo una vía para mejoras económicas y ambientales en los procesos industriales. El estudio concluye con parámetros operativos óptimos que equilibran las ganancias de eficiencia con las reducciones de emisiones, destacando las implicaciones prácticas para la industria pesquera y más allá.