Avaliação da distribuição de erros experimentais na adsorção de corantes

• Autor(a) principal: Tolazzi, Natália Basso
• Data de Publicação: 2018
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/193127
• topic: Adsorção; Corantes

A adsorção é um fenômeno físico-químico que vem sendo empregado em vários ramos de estudo. Para um processo de adsorção sólido-líquido, a transferência de soluto é geralmente governada por transferência de massa externa, difusão intrapartícula ou ambas. Planejar experimentos sequenciais em adsorção tem como objetivo principal determinar condições ótimas para alcançar um determinado objetivo, como discriminação de modelos ou estimação precisa dos parâmetros, com o menor número possível de experimentos. Para tal, faz-se necessário conhecer o erro experimental na região de interesse para que a nova condição planejada tenha um erro experimental baixo ou menor possível. Como realizar réplicas experimentais em diversas condições exigem alto investimento de tempo e dinheiro, este trabalho tem como objetivo propor modelos estatísticos que possam prever a variância experimental sem que seja necessário a realização de réplicas. Para isto dois modelos são propostos: método de aproximação linear de Série de Taylor e método aleatório de Monte Carlo. Experimentos de adsorção de tartrazina em óxido de magnésio em 5 condições experimentais com 18 réplicas foram realizados para testar o ajuste dos modelos aos dados experimentais. Os resultados mostram que o método de Série de Taylor conduz a resultados satisfatórios para altas concentrações de Ce quando os erros das variáveis independentes são estimados. É claro que para baixas concentrações de Ce não é possível desprezar a covariâncias entre V e C0. Por outro lado, o método de Monte Carlo conduz a variâncias subestimadas quando usados valores médios dos erros das variáveis independentes. Para ambos os métodos, é evidente a necessidade de conhecer os erros reais das variáveis V, M e C0 para que os modelos conduzam a resultados coerentes.