[pt] O presente trabalho apresenta uma análise termodinâmica dos processos de captura e reinjeção de CO2, que se tornaram indispensáveis à produção de óleo e gás nas instalações de petróleo offshore no Brasil desde o início do desenvolvimento dos campos do pré-sal. O petróleo dos reservatórios da camada pré-sal da Bacia de Santos apresenta uma particularidade importante, quando comparado com o petróleo dos campos pós-sal do Brasil. A composição do gás natural do pré-sal apresenta grande teor de CO2, podendo ultrapassar 15 por cento, enquanto que a composição típica do gás natural dos campos pós-sal apresenta teor de CO2 abaixo de 1 por cento. Isto exige que equipamentos e operações de processamento do petróleo sejam mais complexos, pois devem ser capazes de: (i) separar o CO2 do gás produzido, (ii) comprimir as correntes de CO2 e de gás natural com baixo teor de CO2 e enviá-las para seus diversos destinos (reinjeção, gas lift, exportação etc.). Consequentemente, com a introdução destes novos processos para captura e injeção do CO2, houve aumento da demanda energética nestas unidades. Este trabalho visa estudar os processos envolvidos na captura e reinjeção de CO2, uma vez que utilizam novas técnicas e tecnologias pouco divulgadas na literatura acadêmica. Busca, também, contribuir para o cálculo do consumo adicional energético nas plataformas de produção de petróleo offshore, tipo FPSO, devido à inclusão da captura e reinjeção de CO2. E, por último, apresenta uma breve análise do impacto ambiental que tais processos podem causar, considerando a emissão de poluentes atmosféricos, como CO2 e CH4, principalmente. / [en] This work presents a thermodynamic analysis of carbon dioxide (CO2) capture and reinjection processes, which have become indispensable for oil and gas production, particularly in the Brazilian offshore pre-salt fields. In comparison to the Brazilian post-salt reservoir, the petroleum from the Santos Basin pre-salt reservoir has a much larger CO2 content, which can exceed 15 percent, as opposed to less than 1 percent in the post-salt case. This peculiarity demands more complex operational equipment and processes that: (i) separate the CO2 from the produced gas; (ii) compress both the CO2 and low content CO2 natural gas streams and (iii) direct them to their subsequent destinations (reinjection, gas lift, exportation etc.). Consequently, these new capture and injection processes increase the energy demand on these production units. The present study aims to describe the processes involved in the CO2 capture and reinjection, since there is a lack of references in the literature about these new techniques and technology. Furthermore, it contributes to the evaluation of the additional energy consumption of an offshore Floating, Production, Storage and Offloading unit (FPSO), due to the inclusion of processes related to the capture and reinjection of CO2. Finally, a brief analysis is made on the environmental impact from these processes, considering the additional emission of atmospheric pollutants such as CO2 and CH4.

[pt] O consumo de combustível em empresas do setor de transporte ferroviário representa um dos maiores gastos operacionais e uma das maiores preocupações em termos de emissões de poluentes. O alto consumo em combustíveis acarreta também em uma alta representatividade na matriz de escopo de emissões (mais de 90 por cento das emissões de ferrovias são provenientes do consumo de combustível fóssil). Com o viés de se buscar uma constante melhora operacional, estudos vêm sendo realizados com a finalidade de se propor novas ferramentas na redução do consumo de combustível na operação de um trem de carga. Nesse ramo, destaca-se o aperfeiçoamento dos parâmetros de condução de um trem que são passíveis de calibração com o objetivo de reduzir o consumo de combustível. Para chegar a esse fim, o presente trabalho implementa dois modelos de aprendizado de máquina (machine learning) para prever a eficiência energética de um trem de carga, são eles: floresta randômica e redes neurais artificiais. A floresta randômica obteve o melhor desempenho entre os modelos, apresentando uma acurácia de 91 por cento. Visando calcular quanto cada parâmetro influencia no modelo de previsão, este trabalho também utiliza técnica de efeitos acumulados locais em cada parâmetro em relação à eficiência energética. Os resultados finais mostraram que, dentro dos quatro parâmetros de calibração analisados, o indicador de tração por tonelada transportada apresentou maior representatividade em termos de impacto absoluto na eficiência energética de um trem de carga. / [en] Fuel consumption in companies in the rail transport sector represents one of the largest operating expenses and one of the biggest concerns in terms of pollutant emissions. The high fuel consumption also entails a high representation in the emissions scope matrix (more than 90 percent of railroad emissions come from fossil fuel consumption). Aiming to seek constant operational improvement, numerous studies have been carried out proposing new tools to reduce fuel consumption in the operation of a freight train. In this way, it is important to highlight the improvement of train driving parameters that can be calibrated to reduce fuel consumption. To accomplish this goal, the present work implements two machine learning models to predict the energy efficiency of a freight train: random forest and artificial neural networks. The random forest achieves the best performance against the models, with an accuracy of 91 percent. To calculate how much each parameter influences the prediction model, this work also uses the technique of accumulated local effects for each parameter related to energy efficiency. The final results show that, within the four analyzed calibration parameters, the traction per transported ton indicator presented greater representation in terms of absolute impact on the energy efficiency of a freight train.