[pt] ESTRATÉGIAS DE MODELAGEM E OTIMIZAÇÃO APLICADAS AO PROCESSO DE DESLIGNIZAÇÃO DO BAGAÇO DA CANA-DE-AÇÚCAR

[en] MODELING AND OPTIMIZATION STRATEGIES IN SUGARCANE BAGASSE DELIGNIFICATION PROCESS

[pt] ISABELLE CUNHA VALIM

[pt] OTIMIZACAO

[pt] BAGACO DE CANA DE ACUCAR

[pt] EXTRACAO DE LIGNINA

[pt] PLANEJAMENTO EXPERIMENTAL

[pt] INTELIGENCIA ARTIFICIAL

[en] OPTIMIZATION

[en] SUGARCANE BAGASSE

[en] LIGNIN EXTRACTION

[en] EXPERIMENTAL DESIGN

[en] ARTIFICIAL INTELLIGENCE

[pt] O bagaço da cana-de-açúcar é uma biomassa vegetal que possui muito potencial de uso devido aos seus três elementos estruturais: celulose, hemicelulose e lignina. Para servir como matéria prima na produção de insumos, o bagaço da cana-de-açúcar precisa passar por um processo de pré-tratamento. Nesse estudo, duas metodologias para o processo de pré-tratamento do bagaço da cana-de-açúcar foram utilizadas: a deslignização via peróxido de hidrogênio (H2O2) e via dióxido de carbono supercrítico (ScCO2). Para o estudo utilizando H2O2, foram desenvolvidos modelos a partir de planejamento experimental, Algoritmos Genéticos (GA, do inglês Genetic Algorithms), Redes Neurais Artificiais (RNA) e Neuro-Fuzzy (ANFIS). As variáveis independentes foram temperatura (25 – 60 graus Celsius), concentração de H2O2 (2 – 15 por cento m/v) e pH (10 – 13), tendo como resposta os teores de lignina residual e oxidada no processo, através de análises de FT-IR e análise pelo método de Klason. Para o estudo utilizando ScCO2 foram construídos modelos a partir de RNA e ANFIS. As variáveis estudadas no processo foram: temperatura (35 – 100 graus Celsius), pressão (75- 300 bar) e teor de etanol na solução de co-solvente (0 – 100 graus Celsius). De modo geral, para os dois processos, os modelos desenvolvidos consideram as variáveis independentes como sendo neurônios na camada de entrada e as variáveis dependentes como sendo neurônios na camada de saída. Todos os modelos neurais e ANFIS desenvolvidos neste trabalho foram avaliados pelo coeficiente de correlação e índices de erro (SSE, MSE e RMSE), além do número de parâmetros. Os resultados mostraram que, dentre estas estratégias estudadas, os modelos neurais se mostraram mais satisfatórios para predição das respostas do pré-tratamento com H2O2, já que se encaixa nos índices de performance estipulados. O mesmo ocorreu no modelo neural para predição do teor de lignina residual no pré-tratamento com ScCO2. Para cada modelo polinomial e neural desenvolvido, foi realizada a investigação das superfícies de respostas e das curvas de contorno. Com esse recurso, foi possível a identificação dos melhores pontos operacionais para os processos, visando a minimização dos teores de lignina residual e oxidada na biomassa.

[en] Sugarcane bagasse is a plant biomass that has a great potential for use due to its three structural elements: cellulose, hemicellulose and lignin. To serve as raw material in the production of other products, sugarcane bagasse needs to undergo a pre-treatment process. In this study, two methodologies for the sugarcane bagasse pretreatment process were used: delignification via hydrogen peroxide (H2O2) and via supercritical carbon dioxide (ScCO2). The models for study the process with H2O2 were developed from experimental planning, Genetic Algorithms (GA), Artificial Neural Networks (ANN) and Neuro-Fuzzy (ANFIS). The independent variables were: temperature (25- 60 degrees Celsius), H2O2 concentration (2 - 15 percent m/v) and pH (10-13). The residual and oxidized lignin contents in the process were evaluated from FT-IR and Klason method analysis. The models for study the process with ScCO2 were developed from RNA and ANFIS. The variables studied in the process were: temperature (35-100 degrees Celsius), pressure (75-300 bar) and ethanol content in the aqueous solution of co-solvent (0-100 percent). In general, for the two processes, the developed models consider the independent variables to be neurons in the input layer and the dependent variables to be neurons in the output layer. All the neural and ANFIS models developed in this study were evaluated by the correlation coefficient and error indexes (SSE, MSE and RMSE), as well as the number of parameters. From the stipulated indices of performance, among the results obtained by the different strategies, the neural models were the most satisfactory for the prediction of pretreatment responses with H2O2. The same occurred in the neural model for prediction of the residual lignin content in the pre-treatment with ScCO2. Response surfaces and the contour curves were investigated for each polynomial and neural model developed. With this resource, it was possible to identify the best operational points for the processes, pointing at minimizing the residual and oxidized lignin contents in the biomass.

BRUNNO FERREIRA DOS SANTOS

CECILIA VILANI

CECILIA VILANI

FLORIAN ALAIN YANNICK PRADELLE

BRUNNO FERREIRA DOS SANTOS

RAFAEL RAMOS DE ANDRADE

2019-01-07

2018-08-31

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=35985@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=35985@2

https://doi.org/10.17771/PUCRio.acad.35985