Artigo: Etanol de biomassa de milho

O etanol de cana-de-açúcar é exaustivamente estudado, porém  no caso do milho, no Brasil, ainda é embrionário – com históricos escassos, de um equipamento fundamental que é a  caldeira, operando com queima específica de chip de eucalipto, buscando obter eficiências térmicas otimizadas e entendendo o seu comportamento, principalmente de unidade fabril “full” de milho.

Foram obtidos, em campo através do DCS- Digital Control System (60 pontos de duas caldeiras por 30 dias), trabalhados com o código Python e ML (Machine Learning) que utilizamos como metodologia.

O principal objetivo deste trabalho (cujo link completo é o  https:/repositório.ufu.br/handle/123456789/29431) foi avaliar o desempenho de uma caldeira aquatubular – a primeira do Brasil com grelha vibratória com tecnologia  internacional  –  de 67 kgf/cm2 de pressão, temperatura do vapor produzido em 520 ºC  queimando biomassa (chip de eucalipto), operando dentro da uma planta industrial autônoma, produtora de biocombustíveis (no caso, etanol de milho), utilizando como ferramentas o Aprendizado de Máquina Supervisionado e a Quimiometria para avaliar o efeito das  seguintes variáveis:  temperatura dos gases efluentes, temperatura da fornalha, vazão de vapor e teor de oxigênio dos gases efluentes, no desempenho da caldeira.

Pode ser dito que estamos vivendo o momento da “biomania”, com grandes incertezas no volume de fornecimento e política de preços do petróleo,  praticadas pelo mundo e o potencial exaustão desse recurso natural não renovável;  a biorrefinaria tornar-se-á então uma realidade, a menos que encontremos uma forma mais efetiva de capturar a energia solar, que não seja por meio da fotossíntese (CREUTZIG,2015).

O uso de combustíveis fósseis traz consigo um aumento considerável nos gases de efeito estufa (GEE) na atmosfera, além de estar em processo de redução de volume, em que os custos de produção somente tenderão a aumentar; razão principal e tema atual do interesse crescente na captura da bioenergia na produção de biocombustíveis.

Os biocombustíveis, atualmente num pequeno percentual e num futuro breve com alto percentual, serão o complemento e a resposta da sociedade ao mundo competitivo e que busca equilíbrio ambiental e sustentabilidade, além de aspectos sócio- econômicos (DEBONI,2019).  No contexto da sustentabilidade da produção de biocombustíveis, um dos aspectos importantes é o aproveitamento da energia da biomassa da melhor e mais racional forma possível, sendo que uma das formas de tal aproveitamento está relacionada à geração e à utilização de vapor, que na prática está associado ao uso de caldeiras (CUNHA,et al, 1989).

Caldeiras ou geradores de vapor d’agua são grandes, complexos e dispendiosos equipamentos e de suma importância no contexto geral da unidade produtora.  O perfeito entendimento desse equipamento traz resultados econômico-financeiros que afetam a viabilidade técnica e econômica da atividade.

O estudo de caldeiras tem uma complexidade associada ao seu rendimento térmico, emissão gasosa e segurança do processo. Uma das formas de estudos de sistemas complexos, como caldeiras, envolve o uso de modelos matemáticos e computacionais, sendo estes os modelos de inteligência artificial e aprendizado de máquina, cada vez mais utilizados pela capacidade de modelar sistemas complexos.

Na indústria sucroenergética, as caldeiras de força utilizam como seu principal combustível a biomassa. As caldeiras representam um grande gasto de capital, tanto no CAPEX quanto no OPEX. Sua operação e manutenção correta, segura e eficaz é frequentemente crítica para garantir lucratividade. Portanto, é essencial o treinamento, a capacitação e o desenvolvimento do pessoal responsável por esses equipamentos.

Inteligência Artificial

A Figura 1 mostra os blocos originários da IA (Inteligência Artificial), que é uma disciplina acadêmica fundada em 1956, destinada à simulação da inteligência humana com máquinas. O aprendizado de máquina é uma das metas da IA e um campo da ciência computacional, que evoluíram dos campos de reconhecimento de padrões e teoria de aprendizado computacional. Aplica-se a técnicas estatísticas para permitir modelos que progressivamente melhoraram a performance. Têm-se as redes neurais artificiais e as redes neurais profundas ( RUSSELL, et al, 2004).

Figura 1 – Blocos da AI (Artificial Intelligence).

Inteligência Artificial:  Disciplina Acadêmica, fundada em 1956, com a finalidade de simular a inteligência humana com máquinas.

Aprendizado de Máquina: Um dos objetivos da IA e um campo da ciência da computação que evoluiu, dos campos de reconhecimento de padrões e da teoria de aprendizado computacional. Aplica técnicas estatísticas que permitem modelos que melhora a performance progressivamente.

Redes Neurais Artificiais: Um algoritmo de aprendizagem levemente inspirado nas redes neurais biológicas:  são ferramentas de modelos de dados estatísticos não lineares, aplicados em tarefas de Aprendizado de Máquina.

Tem-se várias formas de tratar os dados no aprendizado de máquina. Abaixo na Figura 2 temos o modelo de aprendizado supervisionado que hora foi utilizado neste trabalho.

XGBoost

O XGBoost– eXtreme Gradient Boosting – é um sistema de aprendizado de máquina escalável para o aumento da previsibilidade. XGBoost, como outros modelos de produtividade, combina as previsões de vários modelos para resultar em um modelo com melhor desempenho preditivo ( RIDGEWAY,2019).

XGBoost (como resultado do trabalho como modelo não paramétrico sem premissas formais de distribuição) pode manipular dados assimétricos e multimodais, bem como dados categóricos ordinais ou não ordinais (BCCVL,2019). As vantagens que podemos destacar deste sistema. Pode ser usado com vários tipos de resposta (binomial, gaussiano, poisson).

Estocástico, melhora o desempenho preditivo, o melhor ajuste é detectado automaticamente pelo algoritmo. O modelo representa o efeito de cada preditor após contabilizar os efeitos de outros preditores.

Robusto para valores, com alto desvio e fora da curva (BCCVL, 2019).

CONCLUSÕES

O Algoritmo escolhido – XGboost  dentro do Aprendizado de Máquinas Supervisionado –  prediz, com entradas e saídas adequadas e com os fatores bem interpretados, o comportamento dessas máquinas. Portanto, verifica-se que o modelo é satisfatório e coerente, indicando que as variáveis que mais influenciam no resultado estão convergentes com a prática industrial desse equipamento.

A vazão de água aparece como a variável mais impactante em três gráficos e em segundo em somente um (gráficos e interpretações no trabalho completo conforme link acima). Pode-se e deve-se melhorar o resultado e o estudo utilizando mais dados e/ ou trabalhando com outras variáveis de entrada e saída, portanto a Aprendizagem de Máquina,  utilizando o XGboost como mecanismo de reenforço  é uma ferramenta que pode ser utilizada para predizer de modo satisfatório o comportamento desse importante equipamento industrial no contexto dos biocombustíveis.

Título de Mestre em Ciência e Tecnologia em Biocombustíveis conferido para o ENG FERNANDO CESAR CALSONI

Orientador: Prof. Dr. Ubirajara Coutinho Filho (Prof. Titular da FEQUI- UFU- Universidade Federal de Uberlândia)