Desenvolvimento e aplicação de modelo de aprendizado de máquina na identificação de problemas no processo de fermentação alcoólica industrial a partir de dados experimentais e teóricos

Abstract

Uma das vias industriais de produção do etanol combustível consiste na fermentação alcoólica do caldo de cana-de-açúcar. Infelizmente, a contaminação microbiana do caldo por fungos e bactérias pode interferir neste processo, acarretando em uma diminuição na produção de etanol e perda de eficiência. Sendo assim, estratégias para identificar e evitar a contaminação estão sendo bastante utilizadas nesse tipo de indústria. Nesse âmbito, o aprendizado de máquina surge como uma importante ferramenta, sendo um dos princípios da Indústria 4.0. O presente trabalho visa o estudo dos diferentes parâmetros que interferem na fermentação e a aplicação de um modelo de aprendizado de máquina na detecção de contaminação em processos fermentativos. Para isso, foram realizados experimentos variando a fonte de carbono, a concentração de substrato e a ausência ou presença de contaminação bacteriana. Verificou-se uma redução na conversão de substrato em etanol nos casos com contaminação. Então, foram realizadas simulações de um modelo cinético a fim de gerar um grande número de dados para a aplicação de modelos de aprendizado de máquina. Também foi proposta uma modificação nesse modelo para simular a contaminação no processo fermentativo. Por fim, o modelo de redes neurais do tipo perceptron multicamadas foi utilizado para o problema de classificação binária, com ou sem contaminação, dos dados provenientes das simulações. Observou-se uma alta acurácia do modelo. Aplicou-se a metodologia de validação cruzada e a sintonização de hiperparâmetros, obtendo resultados ainda melhores, os quais foram comparados com a performance de outros modelos de classificação. Com isso, foi possível perceber o grande potencial da aplicação de modelos de aprendizado de máquina em processos industriais.