Avaliação da aplicabilidade de correlações matemáticas e redes neurais na predição de parâmetros de especificação do diesel

• Ano de defesa: 2014
• Autor(a) principal: Oliveira, Fernanda Maria de
• Orientador(a): Santos, Luciene da Silva
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Rio Grande do Norte
• Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM QUÍMICA
• País: Brasil
• Palavras-chave em Português: Correlações matemáticas; Redes neurais artificiais; Especificação; Óleo diesel
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::QUIMICA
• Link de acesso: https://repositorio.ufrn.br/jspui/handle/123456789/20773

No Brasil, o controle da qualidade do Óleo Diesel comercializado é realizado por monitoramento de propriedades físico-químicas, características do combustível através das Resoluções ANP nº 65 de 09 de dezembro de 2011 e nº 45 de 20 de dezembro de 2012, que determinam os limites de especificação para cada parâmetro e as metodologias de análise que devem ser adotados. No entanto, esses métodos, apesar de bastante consolidados, possuem alguns inconvenientes técnicos, que levaram ao estudo de métodos alternativos mais rápidos e de menor custo. Este trabalho realizou uma avaliação da aplicabilidade de equações matemáticas disponíveis na literatura e de Redes Neurais Artificiais (RNAs), na determinação de parâmetros de especificação do óleo diesel. Foi realizado um levantamento bibliográfico das principais correlações adequadas para a determinação de propriedades do diesel, as quais foram aplicadas para obtenção do ponto de fulgor e do índice de cetano, além da aplicação, de forma mais resumida, para predizer propriedades do petróleo. Para este estudo, foram utilizadas 162 amostras de diesel, com teores máximo de enxofre, 50 ppm, 500 ppm e 1800 ppm, que foram analisadas, em laboratório especializado, por meio de metodologias ASTM normatizadas pela ANP, com um total de 810 ensaios. Resultados experimentais das amostras de diesel, destilação atmosférica, ASTM D86, e massa específica, ASTM D4052, foram utilizados como variáveis básicas de entrada para as equações avaliadas. As RNAs foram avaliadas para a predição do ponto de fulgor, índice de cetano e teores de enxofre (S50, S500, S1800) e, nesta parte do trabalho foram testados dois tipos de arquiteturas de rede, feed-forward backpropagation e generalized regression, variando os parâmetros da matriz de entrada de forma a determinar o grupo de variáveis e melhor tipo de rede para predição das variáveis de interesse. Os resultados obtidos pelas equações e pelas RNAs foram comparados com resultados experimentais obtidos por metodologias padrão, utilizando o teste não paramétrico de Mann-Whitney e test t de student, ao nível de significância de 5%, assim como pelo coeficiente de determinação e erro percentual. Os resultados obtidos pela equação aplicada para o ponto de fulgor apresentou um erro de 27, 6 %, contudo observou-se uma tendência um tanto similar aos resultados padrão. O índice de cetano foi obtido por três equações, e ambas apresentaram bons coeficientes de correlação, com destaque para equação baseada no ponto de anilina, que apresentou o menor erro de 0,8 %. As equações aplicadas ao petróleo foram trabalhadas de forma a identificar perspectivas de trabalhos futuros, que se mostram bastante promissores. As RNAs para predição do ponto de fulgor e do índice de cetano mostraram resultados bastante superiores ao observados com as equações matemáticas, com erros respectivamente de 2,5% e 0,2%. Para os teores de enxofre S50, S500, e S1800, as RNAs construídas utilizando como dados de entrada a destilação D86 (T10, T50, T85 e T90), Massa Específica, Índice de Cetano e Ponto de Fulgor apresentaram os melhores resultados. Dentre os teores de enxofre as RNAs conseguiram melhor predizer o S1800, e o erro obtido a partir dos resultados das RNAs aumentou com a diminuição do teor de enxofre. De um modo geral, as redes do tipo feed-forward mostraram-se superiores as generalized regression.