65ª Reunião Anual da SBPC

A. Ciências Exatas e da Terra - 2. Ciência da Computação - 6. Inteligência Artificial e Redes Neurais

APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS NA PREDIÇÃO DA VISCOSIDADE DE BIODIESEL E NO ESTUDO DA INFLUÊNCIA DA COMPOSIÇÃO NESSA PROPRIEDADE

Isabelle Moraes Amorim Viegas - Universidade Federal do Maranhão / Núcleo de Estudos em Petróleo e Energia Alex Oliveira Barradas Filho - Universidade Federal do Maranhão / Núcleo de Estudos em Petróleo e Energia Delano Brandes Marques - Universidade de Brasília / Departamento de Engenharia de Eletricidade Aldaléa Lopes Brandes Marques - Universidade Federal do Maranhão / Núcleo de Estudos em Petróleo e Energia Edmar Pereira Marques - Universidade Federal do Maranhão / Núcleo de Estudos em Petróleo e Energia

INTRODUÇÃO:

Biodiesel é um combustível renovável oriundo de óleos vegetais, composto de alquil ésteres de ácidos carboxílicos de cadeia longa. A adição de biodiesel ao diesel de petróleo proporciona diversas vantagens, como a redução da emissão de poluentes e melhorias no desempenho do motor. Por ser mais viscoso, o biodiesel proporciona maior lubricidade do que o diesel mineral, o que reduz o desgaste nas partes móveis do motor. A viscosidade é uma propriedade que está diretamente ligada à composição do biodiesel, aumentando com o tamanho da cadeia dos ésteres e com o grau de saturação. Frequentemente não é possível obter uma relação direta entre parâmetros, como a quantidade de cada éster no biodiesel, e seus efeitos numa determinada propriedade, como a viscosidade. Nesse contexto, as redes neurais artificiais (RNAs) têm sido amplamente empregadas como ferramentas no estudo da qualidade de biodiesel. RNAs são ferramentas computacionais que tem a capacidade de aprender por meio de exemplos que lhes são apresentados na fase de treinamento e, depois, generalizar o conhecimento adquirido. Na avaliação do comportamento de uma RNA, podem ser usados os fatores de sensibilidade para avaliar a relação de causa e efeito entre dados de entrada e de saída.

OBJETIVO DO TRABALHO:

Uma avaliação do comportamento da viscosidade de biodiesel com a variação da composição dos ésteres graxos é proposta neste trabalho. Esse estudo é feito por meio da análise de sensibilidade no treinamento de RNAs, dados como entradas os percentuais de cada éster e como saída a viscosidade.

MÉTODOS:

Durante o treinamento das redes neurais, as seguintes funções de ativação para os neurônios ocultos e de saída foram variadas: seno, identidade, logística, exponencial e tangente hiperbólica. A fim de escolher as melhores RNAs, 1.000 redes do tipo Multi-Layer Perceptron (MLP) foram treinadas usando-se o algoritmo de Broyden-Fletcher-Goldfarb-Shanno (BFGS). O número de neurônios na única camada oculta variou de 5 a 15. Dados do Laboratório de Análises e Pesquisa em Química Analítica de Petróleo e Biocombustíveis (LAPQAP) e da literatura foram padronizados, organizados e armazenados no Sistema Oleodata, sendo utilizadas como entradas as composições em percentual de cada éster e como saída a viscosidade. Os ésteres utilizados para alimentar as redes foram C12:0, C14:0, C16:0, C18:0, C18:1, C18:2, C18:3, C20:0, C20:1, C22:1 e C18:1 OH (derivado do ácido ricinoléico). Nessa notação, CXX:Y, XX indica a quantidade de carbonos e Y corresponde às insaturações presentes na molécula do éster.

RESULTADOS E DISCUSSÃO:

Para a seleção das melhores redes neurais, foram avaliados os coeficientes de treinamento e de teste. As redes que apresentaram melhor desempenho, dentro desse critério, tiveram 5 e 6 neurônios na camada oculta (MLP 11-5-1 e MLP 11-6-1), com a função exponencial para ativação das camadas oculta e de saída, ambas com coeficientes de treinamento e de teste iguais a 0,991. As relações de causa e efeito entre os dados de entrada (percentual dos ésteres) e a saída (viscosidade) podem ser expressas pelos fatores de sensibilidade, que são classificados em ordem de grandeza numérica absoluta. Um alto nível de sensibilidade significa que basta uma pequena variação em determinada variável de entrada para grande variação na variável de saída, seja um aumento ou uma diminuição. No treinamento das RNAs, a análise de sensibilidade dos percentuais de ésteres levou à seguinte classificação decrescente de influência: C18:1 OH, C18:2, C18:3, C18:1, C16:0, C18:0, C12:0, C14:0, C22:1, C20:0 e C20:1. O éster C18:1 OH, derivado do ácido ricinoléico, por ter viscosidade muito alta, teve fator de sensibilidade 38,7. Os ésteres C18:2, C18:3, C18:1 apresentaram fatores 5,2, 2,5 e 2,1, respectivamente. Os seis últimos da classificação apresentaram fatores de sensibilidade semelhantes (aproximadamente 1,1).

CONCLUSÕES:

Sobre os resultados obtidos, conclui-se que, a partir de um treinamento de 1.000 RNA, puderam-se obter arquiteturas de redes com desempenho satisfatório na predição da viscosidade de biodiesel, com coeficientes de treinamento e de teste iguais a 0,991. A análise de sensibilidade revelou que o éster C18:1 OH imprime influência significativa na viscosidade, seguido de ésteres insaturados e de cadeia carbônica relativamente longa, dados compatíveis com a literatura.

Palavras-chave: Multi-Layer Perceptron, Algoritmo de Broyden-Fletcher-Goldfarb-Shanno, Análise de Sensibilidade.