[pt] O biogás é uma energia renovável com grande potencial de produção a partir
de resíduos, incluindo resíduos alimentares. Nesse contexto, o presente trabalho
apresenta o desenvolvimento de três modelos distintos usando Redes Neurais
Artificiais (RNAs), com a capacidade de prever o volume acumulado de biogás, de
metano e a concentração de CH4, respectivamente. Foi construído um banco de
dados da literatura com variáveis do processo de biodigestão anaeróbia: tipo de
biomassa, tipo de reator/alimentação, teor de sólido volátil, pH, taxa de carga
orgânica, tempo de retenção hidráulica, temperatura e volume do reator. Para cada
conjunto de modelos, foram desenvolvidas e testadas 24 RNAs utilizando a
ferramenta computacional MATLAB. As RNAs foram avaliadas pela sua
capacidade de estimação através do coeficiente de determinação (R2
) e também
através da soma do erro quadrático (SSE) obtidos. Após as etapas iniciais, as redes
neurais foram usadas para criar superfícies de resposta, buscando regiões ideais
para produção de biogás e metano. Contudo, um único modelo não atingiu a
representatividade desejada, levando à segmentação dos dados por tipo de
biomassa. As RNAs desenvolvidas demonstraram eficácia na estimação dos grupos
usados para treinamento, teste e validação. A melhor rede alcançou R2
de 0,9969 para biogás, 0,9963 para metano e 0,9386 para a porcentagem de metano, com SSE
de 0,1808, 0,1089 e 11,45, respectivamente. A estratégia de combinar variáveis do
processo em superfícies de resposta revelou-se útil para identificar pontos ótimos
no processo produtivo. / [en] Biogas is a renewable energy source with significant production potential
from various waste materials, including food waste. In this context, this study
presents the development of three distinct models using Artificial Neural Networks
(ANNs), capable of predicting the cumulative volume of biogas, methane, and CH4
concentration, respectively. A literature-based database was constructed, including
variables from anaerobic digestion processes: biomass type, reactor/feed type,
volatile solid content, pH, organic loading rate, hydraulic retention time,
temperature, and reactor volume. For each set of models, 24 ANNs were developed
and tested using the MATLAB computational tool. The ANNs estimation
capability was assessed using the coefficient of determination (R2) and the sum of
squared errors (SSE). Following initial stages, neural networks were employed to
create response surfaces, aiming to identify optimal regions for biogas and methane
production. However, a single model failed to achieve the desired
representativeness, leading to data segmentation based on biomass type. The
developed ANNs demonstrated effectiveness in estimating the groups used for
training, testing, and validation. The best network achieved R2 values of 0.9969 for
biogas, 0.9963 for methane, and 0.9386 for methane percentage, with SSE values
of 0.1808, 0.1089, and 11.45, respectively. The strategy of combining process
variables in response surfaces proved valuable in identifying optimal points in the
production process.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:66522 |
Date | 29 April 2024 |
Creators | MICHEL ANGELO O W DE CARVALHO |
Contributors | FLORIAN ALAIN YANNICK PRADELLE, FLORIAN ALAIN YANNICK PRADELLE, FLORIAN ALAIN YANNICK PRADELLE |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | Portuguese |
Detected Language | Portuguese |
Type | TEXTO |
Page generated in 0.0135 seconds