O desempenho de um processo de produção de óxido de etileno é normalmente avaliado através da seletividade da reação. Neste trabalho, uma unidade produtiva foi estudada com o objetivo de se maximizar a seletividade através da atuação sobre as principais variáveis de processo. Uma análise estatística de um conjunto de dados de processo mostrou que quatro variáveis (vazão de oxigênio, vazão de gás de reciclo, temperatura da reação e teor de clorados) são as de maior influência sobre a seletividade e explicam mais de 60% das variações ocorridas no processo produtivo. Com base nessa análise de dados, modelos de regressão multilinear foram desenvolvidos e testados com o objetivo de representar o comportamento do processo em função apenas do comportamento dessas quatro variáveis. O modelo matemático empírico proposto para representar esse processo foi validado estatisticamente e fenomenologicamente, demonstrando consistência com os dados obtidos em processo. O modelo também foi desdobrado em 24 submodelos que representam condições possíveis de operação da unidade e para os quais foram elaboradas superfícies de respostas que permitiram definir a melhor forma de gestão das 4 variáveis críticas conjuntamente, de modo a se obter a máxima seletividade possível para a reação em função desses cenários operacionais.

The performance of an ethylene oxide manufacturing process is normally measured by the selectivity reaction. In this work, a production unit was studied in order to maximize selectivity through the development of a strategic plan to main to manage the key process variables. A statistical analysis of a data set indicated that only four variables (oxygen flow, recycle gas flow, temperature reaction and chlorine content) are responsible for the greater influence over the selectivity and explain more than 60% of process variations. As consequence, regression models were developed and tested in order to represent the process behavior as a function of these four variables. The proposed mathematical model was statistically and phenomenologically validated, demonstrating consistency with the current process data. The model was rewritten in 24 sub-models, named deployed models which represent possible operational conditions of the unit. A set of surface responses was defined for each deployed model, providing to identify the best way for the management of these 4 critical variables. Furthermore, this analysis leads to a management tool for achieving the best results in selectivity, as function of the possible operational scenarios for this unit.