Aplicação de Modelos de Aprendizado de Máquina para a Modelagem de uma Coluna de Destilação Extrativa
Nenhuma Miniatura disponível
Data
2022
Autores
Palma da Silva, Álvaro
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
Os processos químicos industriais são essenciais ao modo de vida contemporâneo, pois os
produtos gerados pela indústria química abastecem tanto outras indústrias, quanto o público em
geral. A atuação do engenheiro químico pode ter grande impacto social, econômico e ambiental,
o que traz uma responsabilidade de ser manter atualizado as condições do ambiente que exerce
influência. Por essa razão, este trabalho busca associar ferramentas de inteligência artificial
para modelagem de processos químicos industriais. O processo escolhido para esse estudo foi
a extração de metanol, que é produzido a partir do gás natural (metano) e pode ser purificado
com o glicerol como solvente. O Brasil dispõe tanto de gás natural, quanto de glicerol na faixa
de milhões de toneladas por ano, pois é um dos maiores produtores de biodiesel do mundo e o
glicerol é um subproduto gerado em grande quantidade na produção do biodiesel. Para purificar
o metanol é empregada uma operação unitária de separação composta por uma ou mais colunas
de destilação extrativas. Este equipamento é tradicionalmente projetado pelo engenheiro químico
usando modelos baseados nos princípios físicos de conservação da massa e energia. São modelos
complexos que podem demandar muito tempo para desenvolvimento em processos específicos.
Por outro lado, existem modelos baseados nos conceitos de inteligência artificial e ciência
de dados que são mais simples e podem se adaptar rapidamente ao processo. Neste trabalho
foram aplicados os modelos supervisionados de aprendizado de máquina floresta aleatória e
regressão linear para a modelagem da coluna de destilação extrativa do metanol usando glicerol
como solvente. O modelo floresta aleatória apresentou boa aderência aos dados e realizou
predições próximas dos valores esperados. O modelo de regressão linear apresentou dificuldade
de aderência aos dados em algumas faixas de valores mais baixos, pois as interações do processo
a variações em determinadas entradas possuem características não lineares.
Descrição
Trabalho de Conclusão de Curso apresentado ao Instituto Latino-Americano de Tecnologia, Infraestrutura e Território da Universidade Federal da Integração Latino- Americana, como requisito parcial à obtenção do título de Bacharel em Engenharia Química.
Palavras-chave
Árvore de decisão; Inteligência artificial; Ciência de dados.