Modelagem de reforma catalítica seca de metano a gás de síntese, utilizando machine learning e redes neurais

Abstract

Estamos vivenciando o início da Era da Informação, onde enormes quantidades de dados são geradas a cada instante, principalmente em decorrência da rápida modernização e desenvolvimento tecnológico que têm acontecido nos mais diversos setores da sociedade. Com isso, no âmbito das indústrias estamos presenciando o desenrolar da 4ª Revolução Industrial, ou Indústria 4.0, fortemente marcada pela automação, inteligência artificial e Big Data. Essa revolução e as novas tecnologias trazidas por ela, podem trazer grandes melhorias à indústria, modificando as relações de trabalho e aumentando significativamente a eficiência, segurança e qualidade dos processos industriais. Uma das tecnologias que trazem grande impacto em diversas áreas, é o campo da inteligência artificial, um conjunto de recursos computacionais que podem ser usados para modelar e resolver problemas de alta complexidade utilizando muito menos recursos do que métodos tradicionais. Na Indústria Química, inteligências artificiais podem ser usadas por exemplo na modelagem de processos complexos, não-lineares e que contenham grande número de variáveis associadas, tornando difícil desenvolver modelos fenomenológicos robustos e precisos o suficiente para prever esses processos. Um exemplo de processo complexo que pode se valer de tais tecnologias é a produção de gás de síntese, através da reforma catalítica de metano. O gás de síntese é uma mistura gasosa composta por gás hidrogênio e monóxido de carbono, de grande interesse econômico pois pode ser utilizado para obter vários produtos com alto valor agregado, como amônia, hidrogênio combustível, e hidrocarbonetos incluindo combustíveis sintéticos. Além disso o processo de reforma catalítica seca, consome o metano e o gás carbônico, os dois principais causadores de efeito estufa, transformando-os em compostos que terão menos impacto ambiental. Porém, devido à complexidade e baixa linearidade presente nestes processos, torna-se difícil gerar modelos fenomenológicos precisos, e que possam se valer dos dados disponíveis. Assim a utilização de inteligências artificias, nesse caso, de métodos Machine Learning podem trazer avanços no desenvolvimento, controle e entendimento desses processos. Neste trabalho foram utilizados métodos de Machine Learning, dentre eles as redes neurais artificiais, para modelagem da reforma catalítica seca do metano para a produção de gás de síntese, a partir de dados experimentais obtidos na literatura. Os modelos desenvolvidos foram avaliados através de métricas de regressão e comparados entre si buscando aqueles que apresentaram melhor desempenho. Os modelos de redes neurais obtiveram o melhor desempenho entre os modelos testados, apresentando coeficientes de determinação acima de 0,97 na previsão das taxas de produção dos componentes do gás de síntese e erros relativos médios de até 6,22%. Os resultados apontam para a utilidade desses modelos para uso industrial e acadêmico na modelagem de processos químicos complexos.