Predição do equilíbrio de fases entre biodiesel, álcoois e CO2 em estado supercrítico por meio de redes neurais artificiais

• Autor(a) principal: Petroli, Gustavo
• Data de Publicação: 2019
• 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/1/11541
• topic: CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA; Termodinâmica; Biodiesel; Modelagem; Redes neurais (Computação); Thermodynamics; Biodiesel fuels; Modelyng; Neural networks (Computer science)

Atualmente, a busca por combustíveis renováveis vem se tornando cada vez mais importante para a produção de energia no Brasil e no mundo. O biodiesel é um substituto promissor para o diesel mineral, por ser um recurso renovável e minimizar os danos do efeito estufa. Entretanto, o processo produtivo do biodiesel é dependente da reação de transesterificação, uma reação heterogênea que tem seu rendimento comprometido devido a presença de duas fases líquidas. Esta complicação pode ser resolvida a partir da adição de dióxido de carbono (CO2) supercrítico ao sistema, dado que acima do ponto crítico a separação entre fases de um fluido desaparece. O CO2 ainda pode auxiliar no processo de separação e purificação do produto final, pois além de dispensar solventes muitas vezes tóxicos e de difícil remoção, trata-se de um solvente de fácil recuperação. Contudo, para um estudo detalhado sobre as aplicações do CO2 supercrítico, se faz necessário definir os comportamentos entre este e os demais componentes envolvidos na produção do biodiesel. Desta forma, a modelagem do comportamento destes sistemas tem grande importância. O desenvolvimento de um modelo de rede neural artificial (RNA) para a modelagem dos sistemas CO2 + Biodiesel + Metanol e CO2 + Biodiesel + Etanol foi o foco deste estudo. O método RNAs é uma técnica amplamente aplicada a problemas na engenharia. Esta ferramenta possui a capacidade de modelar problemas bastante complexos, por conta da sua habilidade de aprender a partir de dados experimentais. Objetivou-se predizer as pressões de transição presentes nos dois sistemas, por meio de uma RNA com 5 variáveis de entrada. Com o intuito de atingir o melhor resultado para ambos os sistemas, 588 estruturas de RNAs foram elaboradas. Três classes diferentes de RNAs foram testadas, a rede Feed-Forward, a rede Cascade-Forward e a rede de Elman. O número de neurônios, o número de camadas e as funções de ativação aplicadas à primeira camada da rede neural foram estudados. Dentre as redes elaboradas, a rede Feed-Forward e a rede de Elman demonstraram o melhor desempenho representando o sistema CO2 + Biodiesel + Metanol e CO2 + Biodiesel + Etanol, nesta ordem. A rede Feed-Forward utilizou 3 camadas com 10 e 8 neurônios em suas camadas ocultas, além de fazer uso da função tansig em sua primeira camada e da função purelin na segunda camada e na camada de saída. A rede de Elman apresentou 2 camadas com 10 neurônios na camada oculta, a qual fez uso da função logsig. Estas estruturas foram selecionadas avaliando o menor erro quadrático médio (MSE) de validação cometido e seus resultados foram comparados com os modelos de Peng-Robinson utilizando as regras de mistura quadrática de van der Waals e de Wong-Sandler. Os valores do desvio médio (AD) e da raiz quadrática do erro médio (RMSD) de ambas RNAs foram significativamente menores que os valores exibidos pelos modelos de Peng-Robinson presentes na literatura.