Comparação de modelos fenomenológicos com modelos de redes neurais para a reação de hidrogenação do etileno

Resumo

Este estudo objetivou investigar a aplicação de redes neurais artificiais (RNAs) na modelagem e simulação do processo de hidrogenação de etileno, um passo crucial na produção de etano, amplamente empregado na indústria petroquímica. A hidrogenação de etileno é de suma importância para a fabricação de polímeros como o polietileno, e tem um papel estratégico em diversos setores industriais. Para desenvolver o modelo de RNA, utilizou-se o Google Colab em conjunto com bibliotecas Python, como Pandas, NumPy, Scikit-learn e TensorFlow (Abadi et al., 2015; Chollet et al., 2015; McKinney, 2017; Pedregosa et al., 2011). A rede neural, com arquitetura feedforward, incluiu três variáveis de entrada, uma camada oculta de 12 neurônios e uma variável de saída que representava a taxa de reação (Braga et al., 2000; Goodfellow et al., 2016). Os resultados mostraram que a RNA apresentou um coeficiente de determinação (R²) de 0,9918 para o conjunto de treinamento e 0,9297 para o conjunto de teste, indicando uma excelente capacidade preditiva. Ao compará-la com quatro modelos fenomenológicos clássicos (Cristovão et al., 2021; Oliveira et al., 2020; Smith, 2022), cujos coeficientes variaram de 0,9983 a 0,9753, a RNA mostrou-se competitiva. Embora os modelos A e B tenham apresentado ligeira superioridade nos valores de R², a RNA superou os modelos C e D, provando ser uma alternativa robusta e precisa na modelagem de dados experimentais (Bos & Westerterp, 1999). Além da precisão, a RNA destacou-se pela eficiência computacional. Diferentemente dos modelos tradicionais, que demandam mais tempo para ajustes de parâmetros cinéticos e simulações (Mendoza et al., 2022; Jones et al., 2021), a RNA apresentou maior agilidade sem comprometer a acurácia. Essa vantagem é especialmente relevante em cenários industriais, onde o tempo computacional é um fator crítico para otimizações e ajustes em tempo real, favorecendo a agilidade e a produtividade dos processos (Cristovão et al., 2021). Em conclusão, o estudo demonstrou que as RNAs são uma alternativa eficaz para a modelagem de processos industriais complexos, como a hidrogenação de etileno. A alta precisão e eficiência computacional da RNA tornam essa abordagem uma solução promissora para otimizar o controle de processos produtivos, trazendo ganhos em sustentabilidade, competitividade e gestão de recursos no contexto da indústria petroquímica (Smith, 2022; Cristovão et al., 2021).