Gonzalez Lezcano, Abel Dario2024-06-052024-06-052024https://dspace.unila.edu.br/handle/123456789/8331Trabalho 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.O 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.viopenAccessbiodieselcatálise heterogêneainteligência artificialFloresta AleatóriaMLP Regressor