Otimização do rendimento da etapa de precipitação para aumento de produtividade do Processo Bayer

• Ano de defesa: 2025
• Autor(a) principal: RAFAEL, Maria Beatriz Leite Ramos.
• Orientador(a): VASCONCELOS, Luis Gonzaga Sales.
• Banca de defesa: RAMOS, Wagner Brandão., OLIVEIRA, Laercio Gomes de.
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande
• Programa de Pós-Graduação: PÓS-GRADUAÇÃO EM ENGENHARIA QUÍMICA
• Departamento: Centro de Ciências e Tecnologia - CCT
• País: Brasil
• Palavras-chave em Português: Python; Modelagem híbrida; Aprendizado de máquina; Precipitação; Processo bayer; Hybrid modeling; Machine learning; Precipitation; Bayer process
• Área do conhecimento CNPq: Engenharia Química
• Link de acesso: https://dspace.sti.ufcg.edu.br/handle/riufcg/42551

O processo Bayer, principal rota para a produção de alumina, possui na etapa de precipitação um gargalo potencial para o aumento da produtividade global. A otimização do rendimento desta fase é crucial para aprimorar a eficiência e a economia do processo. O presente trabalho realiza a otimização do rendimento da etapa de precipitação do processo Bayer através do desenvolvimento de um modelo híbrido inovador. Esta abordagem combina os fundamentos da modelagem fenomenológica, que descreve os mecanismos físico-químicos subjacentes ao processo, com a capacidade preditiva de modelos baseados em técnicas de aprendizado de máquina para identificar condições operacionais otimizadas. Desta forma, tem-se a possibilidade de superar as limitações dos modelos puramente fenomenológicos, que podem apresentar dificuldades em lidar com a complexidade inerente aos processos industriais. A integração com técnicas de aprendizado de máquina permite a exploração de grandes volumes de dados operacionais e a identificação de padrões complexos, possibilitando a predição do rendimento da precipitação em função de diversas variáveis de processo. Para atingir o objetivo proposto, a metodologia adotada envolve a elaboração de um modelo fenomenológico detalhado da etapa de precipitação do processo Bayer, incorporando os principais fenômenos de nucleação, crescimento e aglomeração de partículas de hidróxido de alumínio. Para que o modelo fosse mais robusto e realista, foram consideradas a dissociação das espécies químicas e o pH. Em seguida, foi implementado um algoritmo de aprendizado de máquina em linguagem Python, utilizando dados sintéticos gerados a partir do modelo fenomenológico. Realizou-se a comparação de diferentes arquiteturas de modelagem híbrida: série, paralela e série-paralela. Através da análise comparativa das arquiteturas de modelagem híbrida, observa-se qual delas apresenta o melhor desempenho na predição do rendimento da precipitação. A implementação do modelo híbrido resulta em um aumento da produtividade, demonstrando o potencial da integração de modelagem fenomenológica e aprendizado de máquina para a otimização de processos químicos complexos.