Aplicação de Técnicas Multivariada na Avaliação da Qualidade do Biodiesel

ISBN 978-85-85905-10-1

Área

Iniciação Científica

Autores

Pontes de Araújo Cavalcante, L. (UFMA) ; Pereira Marques, E. (UFMA) ; Khan, A. (UFMA) ; Lopes Brandes Marques, A. (UFMA)

Resumo

O presente trabalho teve como objetivo avaliar parâmetros físico-químicos em biodiesel, bem como sua influência na qualidade, através de técnicas estatísticas da análise multivariada usando o software Statistica (versão 8), aplicando PCA (Análise por Componentes Principais) e PLS(Mínimos Quadrados Parciais). Obtivemos resultados mais satisfatórios com a PCA, que nos descreveu 97,96% dos dados com apenas três componentes principais, contendo o melhor coeficiente de correlação e menor erro médio quadrático.

Palavras chaves

análise multivariada; parâmetro físico-químico; biodiesel

Introdução

A busca pela preservação do meio ambiente aliada ao uso de energias renováveis despertou um grande interesse na utilização do biodiesel como alternativa para a substituição do diesel de petróleo, sem exigir modificações nos motores1. Para garantir a qualidade do biodiesel é necessário estabelecer padrões de qualidade2, para isso equipamentos são aplicados na avaliação analítica, podendo ter autos custos, dificuldade na disponibilidade de instrumentos e elevado tempo de trabalho para desenvolver as análises. Como forma de avaliar o desempenho do biodiesel sem que seja necessário o uso de equipamentos específicos para analisar os parâmetros, podemos utilizar métodos estatísticos multivariados para obter resultados com baixo custo. Métodos estatísticos multivariados são utilizados para extrair informações analíticas relevantes dos dados espectrais3. De maneira geral, eles podem ser classificados como métodos supervisionados, onde é necessário que exista alguma informação inicial sobre a identidade das amostras para a formação das classes e o objetivo é desenvolver um modelo baseado nas informações contidas nas amostras.4 A base para diversos métodos de reconhecimento de padrões, classificação e calibração multivariada é obtido utilizando a Análise de Componentes Principais (PCA). Pode-se utilizar a PCA com o objetivo de reduzir a dimensão do conjunto de dados, encontrar similaridade entre amostras, visualizar a estrutura dos dados e detectar amostras anômalas.4 O PLS (Mínimos Quadrados Parciais) também é um método de calibração multivariada que utiliza a técnica de análise de componentes principais para a redução da dimensionalidade do conjunto de dados para posterior correlação entre os espectros e as propriedades de interesse. 5

Material e métodos

Um banco de dados contendo dezoito amostras de diferentes tipos de biodiesel com os valores de dez parâmetros foi montado para que pudéssemos realizar o estudo, formando assim, nossa matriz. Os dados espectrais foram exportados para o software Statistica ( versão 8) para a análise. Uma PCA foi realiza com os dados de nossa matriz no intuito de se observar possíveis agrupamentos de amostras. Após tal análise obtemos autovalores e autovetores da matriz de covariância dos dados, com isso, pode-se realizar a redução dimensional dos dados e analisar os padrões principais de variabilidade presentes. Depois da redução dos dados calcula-se o coeficiente de correlação (R) e a raiz média de erro quadrático (RMSE) por PCA e PLS para avaliar qual método mais satisfatório.

Resultado e discussão

A partir da PCA tem-se a composição das componentes principais em relação às variáveis (Figura 1), no qual chamamos de loadings. Neste gráfico podemos observar que os parâmetros estão dispostos em 5 grupos diferentes. Isso implica dizer que aqueles que estão próximos, tem um comportamento muito parecido, por isso tendem a ficar no mesmo grupo. Tendo feito essa observação, iremos analisar de que maneira isso pode influenciar no comportamento das amostras. Na Figura 2 tem-se a composição das componentes principais em relação às amostras, no qual chamamos de scores. Observa-se que duas amostras estão mais distanciadas em relação às demais do grupo. Tal fato pode estar ocorrendo devido alguns dos parâmetros analisados no gráfico anterior (Figura 1) estarem distorcendo o comportamento dessas amostras. A PCA encontra os autovalores e autovetores da matriz de covariância dos dados e, com esse resultado, pode-se realizar a redução dimensional dos dados e analisar os padrões principais de variabilidade presentes. Com três componentes principais é possível descrever 97,96% dos dados, sendo 51,75% da variância total descrita pela primeira componente principal. Para chegarmos a esse resultado utilizamos quatro variáveis que nos mostrou melhor resultado de porcentagem cumulativa de autovalores. Sendo estas variáveis a Viscosidade, Densidade, Ponto de Fulgor e Estabilidade Oxidativa. Estabelecendo esses quatro parâmetros como a parte que representa os dados com dimensão reduzida, partimos para a ideia de avaliar o coeficiente de correlação - R entre o valor medido e o valor predito (Tabela 1) e a raiz média de erro quadrático - RMSE entre o valor medido e o valor residual (Tabela 2) de cada parâmetro usando PCA e PLS.

Conclusões

O método mais satisfatório para a avaliação dos parâmetros no presente trabalho foi a PCA, onde ofereceu em uma média global, o melhor coeficiente de correlação (0,999128) ,valor mais próximo de um, e o menor erro médio quadrático (0,182936). Sugerimos então, a PCA como um bom método alternativo para avaliação da qualidade do biodiesel.

Agradecimentos

CNPq; FAPEMA; UFMA; LPQA.

Referências

[1] SOUZA, C.D.R. et al. Caracterização físico-químicas das misturas binárias de biodiesel e diesel comercializados no Amazonas. Acta Amazonica, Amazonas, v. 39, n.2, p. 383 – 388, 2009;
[2] LÔBO, I.P. Biodiesel: parâmetros de qualidade e métodos analíticos. Quim. Nova, v. 32, n. 6, p. 1596-1608, 2009.
[3] BRERETON, R.G. Introduction to Multivariate Calibration in Analytical Chemistry. Analyst, v. 125, p 2125-2154, 2000;
[4] SOUZA, A. M.; POPPI, R. J. Experimento didático de quimiometria para análise exploratória de óleos vegetais comestíveis por espectroscopia no infravermelho médio e análise de componentes principais: um tutorial, parte I. Quim. Nova, v. 35, n. 1, p. 223-229, 2012;
[5] SOUZA, A. M. et al. Experimento didático de quimiometria para calibração multivariada na determinação de paracetamol em comprimidos comerciais utilizando espectroscopia no infravermelho próximo: um tutorial, parte II. Quim. Nova, v. 36, n. 7, p. 1057-1065, 2013.