ÁREA: Iniciação Científica
TÍTULO: APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS NA PREDIÇÃO DAS TEMPERATURAS DE DESTILAÇÃO DA GASOLINA
AUTORES: AGUIAR, T.C. (UNIR) ; RAMOS, D.V.B. (UNIR) ; CRISPIM, P.T.B. (UNIR) ; AGUIAR, V. P.B. (UNIR) ; MARQUES, C.V.M. (LABCOM) ; AZEVEDO, M.S. (UNIR) ; SOUTO, L.F.L. (UNIR)
RESUMO: A partir de análises do monitoramento da qualidade dos combustíveis do Estado de Rondônia pelo LABCOM/UNIR/ANP, utilizaram-se os índices de hidrocarbonetos e octanagem, da gasolina C, como variáveis de entrada de uma rede neural. Construíram-se cinco Redes Neurais Artificiais (RNAs) para predição das temperaturas de destilação dos pontos: T10%, T50%, T90%, PFE e resíduo. As redes apresentaram erros razoáveis e baixo tempo de análise. Esta ferramenta mostrou-se útil e aplicável, porém há a necessidade de melhorias, utilizando outros algoritmos para implementação, otimização da rede e melhor predição destes parâmetros.
PALAVRAS CHAVES: gasolina c, qualidade, otimização
INTRODUÇÃO: O consumo anual de gasolina automotiva no Brasil é de aproximadamente 22 bilhões de litros, que são distribuídos à população através de mais de 28.000 postos revendedores (GUIMARÃES, 2000). A gasolina é um dos combustíveis fósseis mais consumidos no mundo sendo uma mistura de hidrocarbonetos líquidos e inflamáveis(parafinas, olefinas, naftênicos e aromáticos) e outros compostos derivados do petróleo. A gasolina é um combustível orgânico com compostos contendo, normalmente, de 5 a 12 átomos de carbono (GUIMARÃES et al, 2003). Com o objetivo de verificar a manutenção da qualidade de combustíveis, a ANP (Agência Nacional do Petróleo, Biocombustíveis e Gás Natural) desenvolve o Programa de Monitoramento da Qualidade dos Combustíveis, iniciado em 1999, que apresenta como objetivos principais avaliar permanentemente a qualidade dos combustíveis comercializados no país e mapear problemas de não-conformidades para direcionar as ações de fiscalização (LUZ, 2003). As Redes Neurais Artificiais (RNAs) são modelos matemáticos que se assemelham às estruturas neurais biológicas e que tem capacidade computacional adquirida por meio de aprendizado e generalização (BRAGA, 2000). Utilizando como variáveis de entrada índices de hidrocarbonetos e antidetonante, obtidos através de análises por infravermelho (ASTM D1319, 2003) do programa de monitoramento da ANP do Estado de Rondônia, obteve-se predições, com erros razoáveis, para as temperaturas de destilação (T10%, T50%, T90% e PFE) e o resíduo.
MATERIAL E MÉTODOS: As 1213 amostras utilizadas, são do período de setembro de 2007 a março de 2008 sendo coletadas diretamente da bomba medidora de combustível e armazenadas em frascos de garrafas PET de cor âmbar, dotado de tampa com lacre. A partir destilador automático ISL – AD86/5G2 (ASTM D86, 2005), obteve-se as temperaturas de destilação e em seguida o Analisador Portátil Petrospec – GS1000 Plus (ASTM D1319, 2003) para obter os índices de compostos Saturados, Olefínicos, Aromáticos e os índices antidetonates RON (Research Octane Number) e MON (Motor Octane Number) do combustível sendo os procedimentos realizados no LABCOM (Laboratório de Combustíveis de Rondônia). A rede foi construída pelo software Statística 8.0, onde foram definidos os índices: saturados, olefínicos, aromáticos, RON e MON como variáveis de entrada da rede, e como as de saída às temperaturas de destilação: T10% (temperatura com 10% do volume de combustível destilado), T50%, T90%, PFE (ponto final de ebulição) e Resíduo todos previamente padronizados. Neste trabalho foram treinadas cinco redes MLP (Perceptron de Múltiplas Camadas), uma para cada variável de saída, com número neurônios variando de 5 a 30 na camada escondida. As funções de ativação das camadas escondidas e saídas foram sigmóide logística, tangente hiperbólica e identidade, com peso de decaimento na faixa de 0,0001 e 0,001. Das 1213 amostras, 70% foram destinadas ao conjunto treinamento, 10% ao conjunto teste e 20% ao conjunto validação. O desempenho da rede foi avaliado considerando o PRESS (soma do erro quadrático da predição) e o número de neurônios na camada escondida.
RESULTADOS E DISCUSSÃO: Para cada saída foram treinadas 50 redes que forneceram topologias avaliadas pelo PRESS e pelo número de neurônios na camada escondida, pois indicam a eficiência do modelo. As melhores RNAs obtidas para as saídas T10%, T50%, T90%, PFE e Resíduo, possuíam 10, 13, 6, 18 e 15 neurônios na camada escondida e o número de épocas para o treinamento das redes com as saídas, foram de 213, 113, 84, 124 e 99, respectivamente. O PRESS (soma do erro quadrático do modelo), MSEP (média do erro quadrático) e a RMSEP (raiz quadrada do MSEP) para o conjunto treinamento, conjunto teste e conjunto validação das redes estão disponíveis na tabela 1. A destilação é a análise com maior tempo de duração e de aparato técnico específico para realizá-la. Já a análise no infravermelho pode ser realizada em campo e em um tempo curto. Os índices de hidrocarbonetos, fornecidos pelo infravermelho, tem relação com as temperaturas de destilação devido o peso molecular dos compostos. Os grupos de compostos aromáticos, olefinicos e saturados possuem temperaturas de ebulição distintas. Considerando a gasolina como uma mistura de compostos as temperaturas de destilação está diretamente relacionada à concentração dessas frações no combustível. Os índices MON e RON relacionam-se a capacidade de detonação do combustível, sendo que quanto mais elevado os índices, maior a resistência à detonação. Segundo Mello et al. (2008), a principal causa do resíduo (borra) no motor é a alta temperatura que leva a oxidação do óleo. A melhor rede de predição foi para o T10%, a figura 1 mostra o diagrama de dispersão do valor real versus o predito. A determinação das temperaturas de destilação e resíduo podem indicar prováveis adulterações com solventes leves ou pesados, quando fora dos limites especificados pela ANP.
CONCLUSÕES: A predição por RNAs apresentam-se como uma ferramenta útil e eficaz, podendo tornar uma técnica auxiliar de grande valia na determinação da qualidade da gasolina. Destacamos ainda que este tipo de predição seja capaz de aliar baixo custo e tempo de análise, além de minimizar erros operacionais tornando o processo mais prático. Os resultados obtidos mostram que os modelos exibem capacidade preditora razoável, mas ainda pretende-se continuar este trabalho otimizando as redes com o software Matlab, utilizando outros algoritmos para implementação, otimização e melhor predição destes parâmetros.
AGRADECIMENTOS: Ao Laboratório de Combustíveis de Rondônia/LABCOM, a Universidade Federal de Rondônia/UNIR e a Agência Nacional do Petróleo, Biocombustíveis e Gás Natural/ANP.
REFERÊNCIAS BIBLIOGRÁFICA: ASTM D1319. “Standard Test Method for Hydrocarbon Types in Liquid Petroleum Products by Fluorescent Indicator Adsorption”. ASTM International, 2003.
ASTM D86, “Standard Test Method for Distillation of Petroleum Products at Atmospheric Pressure”.ASTM International, 2005.
BRAGA, Antônio de Pádula; CARVALHO, André Ponce de L. F.; LUDEMIR, Teresa Bernarda. Redes Neurais Artificiais: Teorias e Aplicações. Rio de Janeiro: Livros Técnicos e Científicos,2000.
GUIMARÃES, P. R. B. et al, Avaliação do teor de benzeno em gasolinas comercializadas na região metropolitana de Salvador In: VI Semana de Química da PETROBRAS, 2000, Rio de Janeiro.
GUIMARÃES, A.P.; CESÍDIO, E.H.; MARTINS, M. T.; AZEVEDO, D.C.S.; CAVALCANTE JR., C.L. Utilização da Técnica de CG/EM para Caracterização de Gasolinas. 2º Congresso Brasileiro de P&D em Petróleo & Gás, 2003.
LUZ, Elaine Rocha da. Predição de Propriedades de Gasolinas Usando Espectroscopia FTIR e Regressão por Mínimos Quadrados Parciais. Rio de Janeiro: PUC, 2003. Dissertação (Mestrado em Química), Pontifícia Universidade Católica do Rio de Janeiro, 2003.
MELLO, D. e MONTEIRO, W.A. Caracterização por Meio de Técnicas Analíticas do Resíduo Sólido Formado em Motor Automotivo à Gasolina. Congresso Brasileiro de Engenharia e Ciências dos Materiais, 2008.
