Use este identificador para citar ou linkar para este item: http://repositorio.roca.utfpr.edu.br/jspui/handle/1/12454
Título: Predição do equilíbrio de fases entre biodiesel, álcoois e CO2 em estado supercrítico por meio de redes neurais artificiais
Autor(es): Petroli, Gustavo
Orientador(es): Brusamarello, Claiton Zanini
Palavras-chave: Termodinâmica
Biodiesel
Modelagem
Redes neurais (Computação)
Thermodynamics
Biodiesel fuels
Modelyng
Neural networks (Computer science)
Data do documento: 4-Jul-2019
Editor: Universidade Tecnológica Federal do Paraná
Câmpus: Francisco Beltrao
Referência: PETROLI, Gustavo. Predição do equilíbrio de fases entre biodiesel, álcoois e CO2 em estado supercrítico por meio de redes neurais artificiais. 2019. 107 f. Trabalho de Conclusão de Curso (Graduação) – Universidade Tecnológica Federal do Paraná, Francisco Beltrão, 2019.
Resumo: 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.
Abstract: Currently, the search for renewable fuels is becoming increasingly important for the production of energy in Brazil and in the world. Biodiesel, a promising substitute for mineral diesel, is a renewable resource and minimizes greenhouse gas damage. However, the biodiesel production process is dependent on the transesterification reaction, a heterogeneous reaction that has its yield compromised due to the presence of two liquid phases. This drawback can be solved by adding supercritical carbon dioxide (CO2) to the system, since above the critical point the separation between phases of a fluid disappears. CO2 can still aid in the separation and purification process of the final product, in addition to dispensing solvents that are often toxic and difficult to remove, it is a solvent that is easy to recover. However, for a detailed study on the applications of supercritical CO2, it is necessary to define the behaviors between this and the other components involved in biodiesel production. In this way, modeling the behavior of these systems is very important. The development of an artificial neural network (ANN) model for the modeling of CO2 + Biodiesel + Methanol and CO2 + Biodiesel + Ethanol was the focus of this study. The ANNs method is a technique widely applied to engineering problems. This tool has the ability to model very complex problems, due to its ability to learn from experimental data. It was aimed to predict the transition pressures present in both systems, by means of an ANN with 5 input variables. In order to achieve the best result for both systems, 588 ANN structures were elaborated. Three different classes of ANNs were tested, the Feed-Forward network, the Cascade-Forward network and the Elman network. The number of neurons, the number of layers and the activation functions applied to the first layer of the neural network were studied. Among the networks developed, the Feed-Forward network and the Elman network demonstrated the best performance representing the CO2 + Biodiesel + Methanol and CO2 + Biodiesel + Ethanol system, in this order. The Feed-Forward network used 3 layers with 10 and 8 neurons in their hidden layers, in addition to making use of the tansig function in its first layer and the purelin function in the second layer and in the output layer. The Elman network presented 2 layers with 10 neurons in the hidden layer, which made use of the logsig function. These structures were selected by evaluating the lowest validation ean square error (MSE) and their results were compared with the Peng-Robinson models using the van der Waals and Wong-Sandler quadratic mixing rules. The values of average deviation (AD) and root mean square square deviation (RMSD) committed by both ANNs were significantly lower than the values exhibited by the Peng-Robinson models in the literature.
URI: http://repositorio.roca.utfpr.edu.br/jspui/handle/1/12454
Aparece nas coleções:FB - Engenharia Química

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
FB_COENQ_2019_1_14.pdf4,05 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.