Ver Legenda
Página Existente
Página não encontrada
Autor: Álvaro José Boareto Mendes.
Orientadores: Maurício Bezerra de Souza Jr., Belkis Valdman.
O desenvolvimento de processos para a obtenção de energia a partir de fontes sustentáveis é recorrente. Fatores como a eminente extinção dos combustíveis fósseis e potencial de geração de poluentes ocasiona um grande número de trabalhos na literatura científica. Face à premente necessidade de inovação da matriz energética, a produção de bioetanol como uma alternativa às fontes de energia oriundas de combustíveis fósseis tem sido um assunto de grande interesse desde a crise petrolífera nos anos 1970. Nestes termos, o Brasil destaca-se mundialmente como detentor do maior conhecimento tecnológico para produção de etanol por processo fermentativo, tendo uma indústria sucroalcooleira autossustentável em uso de energia e em termos ecológicos.
Atualmente, a síntese de etanol é convencionalmente realizada por linhagens de Saccharomyces, porém o gênero bacteriano Zymomonas tem uma especial habilidade para essa produção. Desta forma, a otimização da produção de bioetanol empregando Zymomonas surge como uma alternativa atraente. Concomitantemente, o contínuo aumento da complexidade, eficiência e confiabilidade dos modernos sistemas industriais implicam em constante desenvolvimento no monitoramento e de estratégias de controle de processo. Neste contexto, a escolha dos modelos híbridos em relação aos modelos fenomenológicos, neuronais e cibernéticos empregados isoladamente têm motivado investigações.
Em conformidade com os objetivos específicos deste trabalho, os dados experimentais obtidos por Camêlo (2009) em processo contínuo para produção de bioetanol empregando a bactéria Zymomonas mobilis Ag11 DAUFPE 198, foram selecionados. Camêlo (2009) realizou as fermentações contínuas para avaliar possíveis comportamentos dinâmicos complexos diante de diferentes condições operacionais.
Um modelo híbrido cibernético neuronal (MHCN) foi proposto para esse processo. A capacidade de predição do modelo proposto foi comparada com uma rede neuronal autônoma e um modelo fenomenológico. A performance do MHCN sob situações de indisponibilidade de medidas de concentrações de etanol, célula e glicose foi investigada. O modelo MHCN foi eficiente para predizer o comportamento do processo para horizontes grandes, tal como 10 h.
Diversos testes de realimentação para a RNA MLP (rede neuronal artificial multilayer perceptron) híbrida foram realizados. Os testes consideraram a realimentação da RNA MLP híbrida com variáveis calculadas pelo MHCN (concentrações de etanol, células e glicose), substituindo-as sucessivamente pelos correspondentes dados históricos. Os testes foram avaliados graficamente e por estatísticas apropriadas.
A capacidade de predição do MHCN tornou-se mais eficiente à medida que as variáveis híbridas eram substituídas na realimentação pelos dados históricos. Nesta condição, o MHCN mostrou ser capaz para predizer o comportamento dinâmico exibido pelas nove fermentações contínuas de produção de etanol realizadas por Camêlo (2009). Além disso, o MHCN realimentado com dados históricos foi comparado com uma RNA autônoma (contendo nas saídas as concentrações de etanol, de células e de glicose, um passo à frente) e o modelo fenomenológico de Daugulis et al. (1997) implementado por Camêlo (2009).
O MHCN apresentou similar capacidade de predição em relação a RNA autônoma e significativamente melhor quando comparado ao modelo fenomenológico.