Modelagem e simulação termodinâmica de sistemas de equilíbrio entre dióxido de carbono, metanol/etanol e glicerol em condições supercríticas a partir de redes neurais artificiais

• Autor(a) principal: Klauck, Gabriel Merisio
• Data de Publicação: 2021
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
• Texto Completo: http://repositorio.utfpr.edu.br/jspui/handle/1/26245
• topic: CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA; Biodiesel; Equilíbrio; Termodinâmica; Redes neurais (Computação); Biodiesel fuels; Equilibrium; Thermodynamics; Neural networks (Computer science)

A busca por opções de substituição aos combustíveis fósseis vem crescendo ano após ano. Nesse contexto, o biodiesel ganha espaço no cenário mundial, sendo uma alternativa de combustível renovável. Na reação de transesterificação responsável pela produção do composto, também é formado glicerol, principal subproduto da reação e um importante fator para a viabilização econômica e maximização de lucro do processo. Um dos fatores que influencia a reação de transesterificação é a presença de duas fases no sistema, que ocorrem devido a diferença de polaridade entre os componentes, o que dificulta a transferência de massa. Com isso, para que a reação ocorra de maneira viável, é necessário que se utilizem catalisadores (podendo ser estes heterogêneos, homogêneos ou enzimáticos) ou estado supercrítico, que modifica as propriedades físico-químicas do meio e faz com que ocorra somente uma fase líquida. Apesar de se conhecer os métodos para produzir biodiesel há muito tempo, a modelagem do comportamento do sistema ainda tem elevada complexidade, com uma grande dificuldade de predição utilizando os métodos termodinâmicos clássicos, a exemplo das reações de estado. Visto isso, novos métodos surgem como possível opção para descrever o sistema, como as Redes Neurais Artificiais (RNAs). Essas redes são sistemas computacionais com estruturas baseadas no cérebro humano, com capacidade de aprendizagem a partir de dados experimentais. Portanto, nesse trabalho se objetiva prescrever os sistemas Glicerol + Metanol + CO2 e Glicerol + Etanol + CO2, por meio de Redes Neurais Artificiais. Para isso, foram desenvolvidos testes relacionados a separação de dados em treinamento, validação e teste, diferentes algoritmos de treinamento, parâmetros de treinamento, funções de ativação e número de neurônios nas camadas ocultas, a fim de encontrar a melhor configuração de rede para descrever os sistemas. A partir disso, foram elaboradas 516 arquiteturas de rede para o sistema. Para o sistema Glicerol + CO2 + Metanol, a rede de melhor desempenho alcançou MSE de validação de 0,1238 e R2 de validação 0,9910. Essa rede utilizou arquitetura CascadeForward, com três camadas ocultas de 5, 3 e 3 neurônios, utilizando a função de ativação softmax na primeira camada oculta e purelin nas demais. Para o sistema Glicerol + CO2 + Etanol, a rede de melhor desempenho alcançou MSE de validação de 0,0896 e R2 de validação 0,9982. A rede utilizou arquitetura de Elman, com duas camadas ocultas e 10 e 9 neurônios, com função de ativação softmax na primeira camada oculta e purelin na segunda. Com as configurações das redes ótimas alcançadas, estas foram comparadas a trabalhos presentes na literatura de sistemas semelhantes aos estudados, a fim de entender qual a qualidade dos resultados obtidos. Com a comparação, é possível perceber que o método com RNAs é de fato muito efetivo para a predição do sistema, apresentando valores de erro muito menores em relação aos sistemas presentes na literatura.