Uso da calibração multivariada para a predição de propriedades físico-químicas de misturas de óleo de soja e biodiesel

O objetivo deste trabalho foi estabelecer um modelo empregando-se ferramentas de regressão multivariada para a previsão do teor em ésteres metílicos e, simultaneamente, de propriedades físico-químicas de misturas de óleo de soja e biodiesel de soja. O modelo foi proposto a partir da correlação das propriedades de interesse com os espectros de reflectância total atenuada no infravermelho médio das misturas. Para a determinação dos teores de ésteres metílicos foi utilizada a cromatografia líquida de alta eficiência (HPLC), podendo esta ser uma técnica alternativa aos método de referência que utilizam a cromatografia em fase gasosa (EN 14103 e EN 14105). As propriedades físico-químicas selecionadas foram índice de refração, massa específica e viscosidade. Para o estudo, foram preparadas 11 misturas com diferentes proporções de biodiesel de soja e de óleo de soja (0-100 % em massa de biodiesel de soja), em quintuplicata, totalizando 55 amostras. A região do infravermelho estudada foi a faixa de 3801 a 650 cm-1. Os espectros foram submetidos aos pré-tratamentos de correção de sinal multiplicativo (MSC) e, em seguida, à centralização na média (MC). As propriedades de interesse foram submetidas ao autoescalamento. Em seguida foi aplicada análise de componentes principais (PCA) com a finalidade de reduzir a dimensionalidade dos dados e detectar a presença de valores anômalos. Quando estes foram detectados, a amostra era descartada. Os dados originais foram submetidos ao algoritmo de Kennard-Stone dividindo-os em um conjunto de calibração, para a construção do modelo, e um conjunto de validação, para verificar a sua confiabilidade. Os resultados mostraram que o modelo proposto por PLS2 (Mínimos Quadrados Parciais) foi capaz de se ajustar bem os dados de índice de refração e de massa específica, podendo ser observado um comportamento aleatório dos erros, indicando a presença de homocedasticidade nos valores residuais, em outras palavras, o modelo construído apresentou uma capacidade de previsão para as propriedades de massa específica e índice de refração com 95% de confiança. A exatidão do modelo foi também avaliada através da estimativa dos parâmetros de regressão que são a inclinação e o intercepto pela Região Conjunta da Elipse de Confiança (EJCR). Os resultados confirmaram que o modelo MIR-PLS desenvolvido foi capaz de prever, simultaneamente, as propriedades índice de refração e massa específica. Para os teores de éteres metílicos determinados por HPLC, foi também desenvolvido um modelo MIR-PLS para correlacionar estes valores com os espectros de MIR, porém a qualidade do ajuste não foi tão boa. Apesar disso, foi possível mostrar que os dados podem ser modelados e correlacionados com os espectros de infravermelho utilizando calibração multivariada

In the present work, a model that uses multivariate regression tools was proposed to predict both contents of methyl esters and physical-chemical properties of soybean oil -soybean biodiesel blends. The model was proposed from the correlation of the properties of interest with the attenuated total reflectance infrared spectra of the samples (ATR/MID-FTIR). The composition of the blends (methyl esters content) was determined by high performance liquid chromatography (HPLC), which can be seen as an alternative technique to the standard reference methods based on gas chromatography (EN 14103 and EN 14105). The selected physicochemical properties were refractive index, density, and viscosity. For the study, 11 mixtures were prepared with different proportions of soybean biodiesel and soybean oil (0-100 % wt of soybean biodiesel) in five replications totalizing 55 samples. The infrared spectra were acquired in the range 3801-650 cm-1. The spectra were submitted to the multiplicative signal correction (MSC) and then to mean centering (MC) preprocessing. The properties of interest were submitted to auto scale. It was then applied principal component analysis (PCA) for the purpose of reducing the dimensionality of the data, and detected the presence of outliers. When the outliers were detected, the samples were discarded. The original data were submitted to Kennard-Stone algorithm dividing them into a calibration set to build the model and the validation to verify its reliability. The results showed that the model proposed by PLS2 (Partial Least Squares) was able to adjust well to the refractive index data and density, can be observed a random behavior of errors, indicating the presence of homoscedasticity in residual values, in other words, the constructed model presented a forecast of capacity for specific mass properties and refractive index with 95% confidence. The accuracy of the model was evaluated by estimating the regression parameters which are the slope and the intercept by EJCR (Joint Region Confidence Ellipse). The results confirmed that MIR-developed PLS model was able to predict both the refractive index and specific gravity properties. For contents of methyl esters via liquid chromatography the model showed a lower adjustment of the data. Nevertheless, it was possible to demonstrate that the results obtained from methyl esters by HPLC analytical method can be modeled and correlate them with infrared spectra using multivariate calibration