Análise do desempenho de algoritmos de aprendizagem de máquina na predição do rendimento de biodiesel em reações de transesterificação por catálise heterogênea.

Página do item simplificado
dc.contributor.authorGonzalez Lezcano, Abel Dario
dc.date.accessioned2024-06-05T00:31:31Z
dc.date.available2024-06-05T00:31:31Z
dc.date.issued2024
dc.descriptionTrabalho 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.
dc.description.abstractO crescente aumento dos preços dos combustíveis, as mudanças climáticas e a poluição têm colocado o mundo diante de desafios significativos, evidenciando a escassez de recursos energéticos e seu impacto no desenvolvimento econômico global. Neste cenário, a busca por fontes de energia sustentáveis e renováveis, como o biodiesel , torna se crucial para mitigar a crise energética e reduzir a dependência dos combustíveis fósseis. A reação de transesterificação é a via mais utilizada para a produção de biodiesel e o rendimento obtido depende vários parâmetros, como a temperatura, tempo de reação, concentração do catalisador e razão estequiométrica entre o álcool e o triglicerídeo . Os catalisadores heterogêneos são amplamente empregados devido à sua eficiência e capacidade de reutilização. Os métodos convencionais para avaliar estes parâmetros apresentam certas limitações e neste contexto os algoritmos de aprendizagem de máquina mostram se como uma alternativa Este s algoritmos realizam predições a partir de dados fornecidos ao sistema, que podem explica r comportamentos que orientam na tomada de decisões , dessa forma o objetivo deste estudo é utilizar modelos de aprendizagem de máquina para predizer o rendimento do biodiesel por transesterificação via catálise heterogênea . Os dados foram obtidos por meio de uma revisão bibliográfica , onde a escolha dos artigos foi restringida ao uso de metanol óxido de cálcio como catalisador e os parâmetros comumente utilizados. Logo, os dados foram submetidos a análises estatísticas e utilizados para treinar três modelos de aprendizagem de máquina , com o modelo mais preciso foi realizado uma validação comparando a predição do algoritmo com dois resultados experimentais, além disso com este algoritmo foram realizadas três análises . Os modelos treinados e avaliados foram Regressão Linear, Floresta Aleatória e Multi-Layer Perceptron (MLP) Regressor utilizando o método de hold out validation . O modelo Floresta Aleatória foi o que apresentou o melhor desempenho na predição do rendimento do biodiesel em relação aos outros modelos, atingindo um valor d o erro médio absoluto igual a 6,59 e um R 2 de 0,63. A validação confirmou a precisão dos modelos com erros percentuais inferiores a 10% 10%, e durante as análises dos parâmetros do biodiesel o modelo demostrou um comportamento típico de acordo com a literatura Este estudo contribui para o avanço da produção de biodiesel ao fornecer informações sobre a predição do seu rendimento . É recomendado para pesquisas futuras a utilização de mais dados incluindo outros parâmetros como uma tentativa de melhorar o desempenho do modelo.
dc.identifier.urihttps://dspace.unila.edu.br/handle/123456789/8331
dc.language.isovi
dc.rightsopenAccess
dc.subjectbiodiesel
dc.subjectcatálise heterogênea
dc.subjectinteligência artificial
dc.subjectFloresta Aleatória
dc.subjectMLP Regressor
dc.titleAnálise do desempenho de algoritmos de aprendizagem de máquina na predição do rendimento de biodiesel em reações de transesterificação por catálise heterogênea.

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Análise do desempenho de algoritmos de aprendizagem de máquina na predição do rendimento de biodiesel em reações de transesterificação por catálise heterogênea.pdf
Tamanho:
4.08 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.82 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

TCC - Engenharia Química