@MASTERSTHESIS{ 2023:1663066168,
 	title = {Modelagem e previsão da adsorção do CO2 em diferentes adsorventes utilizando equações fenomenológicas e redes neurais: uma abordagem combinada},
 	year = {2023},
 	url = "https://tede.unioeste.br/handle/tede/7194",
 	abstract = "A alta emissão de dióxido de carbono (CO2) é uma das principais causas do aquecimento global. A adsorção é uma das opções em potencial para a captura, uma vez que é de fácil aplicação e adaptação em processos industriais, além de ser de baixo custo. Entretanto, ainda é necessário estudar as condições ótimas para aumentar a eficiência de captura. Destacam-se, dentre os materiais utilizados para adsorção, as zeólitas, as estruturas metal-orgânicas e o carvão ativado, tendo em vista que, suas características como volume e distribuição de poro, bem como área superficial são variáveis de expressiva importância para a eficiência do processo. No entanto, na modelagem clássica do equilíbrio estas propriedades não aparecem na formulação matemática. Os modelos fenomenológicos baseados em equações de estado são alternativas para descrever fenômenos de adsorção, contudo, a via fenomenológica apresenta algumas limitações quando o número de variáveis envolvidas no processo aumenta. Assim este trabalho tem como principal objetivo realizar a modelagem matemática dos dados de equilíbrio da adsorção do CO2 em diferentes tipos de adsorventes empregando modelos fenomenológicos (Equações de Estado 2D e Isotermas clássicas de Adsorção) e redes neurais artificiais. Assim, inicialmente foi realizado a coleta de dados de adsorção para os seguintes adsorventes: Cu-BTC, Zeólita 13X, IRMOF-1, ZIF-8, Mg-MOF-74, carbono ativado e Zeólita 5A, com diferentes condições de temperatura, pressão, além das propriedades texturais dos adsorventes: área superficial e volume de poro, totalizando assim 2991 dados de temperatura, pressão e quantidade adsorvida. Após a coleta dos dados, realizou-se uma modelagem matemática com as equações clássicas (Langmuir, Freundlich, Toth e Sips) e com as equações de estados bidimensionais (Van der Waals, Redlich-Kwong e Pegn-Robinson). Os modelos que melhor representaram os sistemas investigados foram Toth (IRMOF-1 e carvão ativado), Sips (ZIF-8 e Zeólita 5A), Van der Waals (Zeólita 13X e Mg-MOF-74) e Langmuir (Cu-BTC). Numa segunda etapa o melhor modelo para cada tipo de adsorvente foi utilizado para gerar uma base de dados padronizada com as condições de equilíbrio de adsorção junto com as propriedades texturais para realizar o treinamento com redes neurais. Para o treinamento utilizou-se como técnica de validação cruzada o K-Fold, com 4 subconjuntos, com separação de 15% dos dados para realizar a validação final, foram testadas e otimizadas 6 diferentes condições, com 1, 2 e 3 camadas internas de neurônios, testando neurônios perceptron e recorrentes. O critério usado para separar os dados foi a combinação das variáveis de entrada: área, temperatura e volume de poro para o Cu-BTC, Zeólita 13 X e IRMOF-1, e área e temperatura para o restante dos adsorventes, com a finalidade de evitar análises estatísticas com dados já treinados previamente e trazer maior robustez nos modelos. A quantidade de neurônios e a função de ativação foi escolhida com o uso de algoritmos genéticos. Com a melhor configuração escolhida, em seguida determinou-se a quantidade ótima de épocas, comparando-se com os dados de teste. Por fim, com a melhor configuração fez-se um comparativo estatístico para escolha do melhor modelo obtido entre as 6 configurações. No geral a configuração com neurônios perceptron se sobressaiu em relação as redes recorrentes, e apenas para o carvão ativado que a modelagem não foi satisfatória. Através da análise paramétrica observou-se que a área tem uma correlação negativa com a adsorção, com exceção da Zeólita 13X e o volume de poro apresentou correlação positiva para o Cu-BTC, negativa para a Zeólita 13X e inconclusiva para o IRMOF-1. Ademais, o uso de redes neurais combinados com as equações fenomenológicas foram satisfatórios para geração de modelos genéricos com capacidade preditiva em diferentes condições operacionais e propriedades texturais dos adsorventes.",
 	publisher = {Universidade Estadual do Oeste do Paraná},
 	scholl = {Programa de Pós-Graduação em Engenharia Química},
 	note = {Centro de Engenharias e Ciências Exatas}
}