Reforma seca do metano: modelagem do efeito dos parâmetros do processo na conversão de biogás, usando algoritmos de aprendizado de máquina

Abstract

Dentro das discussões ambientais, que estão cada vez mais ganhando ênfase, se debate o tema combustíveis renováveis, e, nesse aspecto, pode ser destacado o biogás. O biogás é constituído de forma majoritária por metano (CH4) e dióxido de carbono (CO2) e pode ser obtido através da decomposição anaeróbica de matéria orgânica. Por meio dessa mistura gasosa é possível produzir o gás de síntese, que pode ser usado como matéria-prima para a produção de diferentes combustíveis como nafta, diesel, metanol e dimetil-éter, além de correntes ricas em hidrogênio. O gás de síntese pode ser obtido a partir do biogás, por meio da reação do CH4 com o CO2, na presença de um catalisador heterogêneo (reforma seca do CH4). Entretanto, esse processo ocorre em condições severas, que levam à desativação dos catalisadores. Dessa forma, muitos estudos buscam obter catalisadores mais ativos e estáveis para o processo. Porém, o projeto de catalisadores heterogêneos demanda experimentos demorados e custosos. Em contrapartida, o desenvolvimento de modelos de inteligência artificial a partir de um banco de dados pode tornar possível a previsão da composição adequada do catalisador e as condições ótimas de operação de uma forma mais rápida e com menor custo. Assim, considerando que existe uma vasta quantidade de trabalhos desenvolvidos nessa área, o que permite o acesso a um grande número de informações sobre este processo, o objetivo deste trabalho é desenvolver e aplicar um modelo de Inteligência Artificial para a predição de composição de catalisador e otimização das condições de operação para a reforma seca do CH4. O estudo destacou a baixa frequência de replicatas (4,28%) e tratamentos estatísticos (20,86%) nos trabalhos coletados, ainda que ambos sejam cruciais para a reprodutibilidade e confiança dos resultados. Além disso, as variáveis que apresentaram o maior percentual de lacunas foram o tamanho de cristalito (60%) e a área específica do catalisador (28%). Estratégias que visavam realizar as aproximações para preencher lacunas demonstraram um impacto insignificante nos resultados dos modelos testados (Random Forest, XGBoost, LightGBM e SVM Radial). O XGBoost se destacou como o melhor modelo, apresentando um bom ajuste com RMSE, MAE e R² razoavelmente bons. Foi obtido no treino um RMSE de 10,94, MAE de 7,54 e R² de 0,86, e para a validação RMSE 12,58, MAE 7,88 e R² de 0,82, sendo esses valores corroborados pelo gráfico indicando um bom ajuste do modelo. Manter o tamanho de cristalito nos dados melhorou os ajustes, reforçando a importância dessa variável, apesar de sua alta taxa de lacunas.