Avaliação da aplicabilidade de correlações matemáticas e redes neurais na predição de parâmetros de especificação do diesel

Diesel fuel is one of leading petroleum products marketed in Brazil, and has its quality monitored by specialized laboratories linked to the National Agency of Petroleum, Natural Gas and Biofuels - ANP. The main trial evaluating physicochemical properties of diesel are listed in the resolutions ANP Nº 65 of December 9th, 2011 and Nº 45 of December 20th, 2012 that determine the specification limits for each parameter and methodologies of analysis that should be adopted. However the methods used although quite consolidated, require dedicated equipment with high cost of acquisition and maintenance, as well as technical expertise for completion of these trials. Studies for development of more rapid alternative methods and lower cost have been the focus of many researchers. In this same perspective, this work conducted an assessment of the applicability of existing specialized literature on mathematical equations and artificial neural networks (ANN) for the determination of parameters of specification diesel fuel. 162 samples of diesel with a maximum sulfur content of 50, 500 and 1800 ppm, which were analyzed in a specialized laboratory using ASTM methods recommended by the ANP, with a total of 810 trials were used for this study. Experimental results atmospheric distillation (ASTM D86), and density (ASTM D4052) of diesel samples were used as basic input variables to the equations evaluated. The RNAs were applied to predict the flash point, cetane number and sulfur content (S50, S500, S1800), in which were tested network architectures feed-forward backpropagation and generalized regression varying the parameters of the matrix input in order to determine the set of variables and the best type of network for the prediction of variables of interest. The results obtained by the equations and RNAs were compared with experimental results using the nonparametric Wilcoxon test and Student's t test, at a significance level of 5%, as well as the coefficient of determination and percentage error, an error which was obtained 27, 61% for the flash point using a specific equation. The cetane number was obtained by three equations, and both showed good correlation coefficients, especially equation based on aniline point, with the lowest error of 0,816%. ANNs for predicting the flash point and the index cetane showed quite superior results to those observed with the mathematical equations, respectively, with errors of 2,55% and 0,23%. Among the samples with different sulfur contents, the RNAs were better able to predict the S1800 with error of 1,557%. Generally, networks of the type feedforward proved superior to generalized regression.

No Brasil, o controle da qualidade do Óleo Diesel comercializado é realizado por monitoramento de propriedades físico-químicas, características do combustível através das Resoluções ANP nº 65 de 09 de dezembro de 2011 e nº 45 de 20 de dezembro de 2012, que determinam os limites de especificação para cada parâmetro e as metodologias de análise que devem ser adotados. No entanto, esses métodos, apesar de bastante consolidados, possuem alguns inconvenientes técnicos, que levaram ao estudo de métodos alternativos mais rápidos e de menor custo. Este trabalho realizou uma avaliação da aplicabilidade de equações matemáticas disponíveis na literatura e de Redes Neurais Artificiais (RNAs), na determinação de parâmetros de especificação do óleo diesel. Foi realizado um levantamento bibliográfico das principais correlações adequadas para a determinação de propriedades do diesel, as quais foram aplicadas para obtenção do ponto de fulgor e do índice de cetano, além da aplicação, de forma mais resumida, para predizer propriedades do petróleo. Para este estudo, foram utilizadas 162 amostras de diesel, com teores máximo de enxofre, 50 ppm, 500 ppm e 1800 ppm, que foram analisadas, em laboratório especializado, por meio de metodologias ASTM normatizadas pela ANP, com um total de 810 ensaios. Resultados experimentais das amostras de diesel, destilação atmosférica, ASTM D86, e massa específica, ASTM D4052, foram utilizados como variáveis básicas de entrada para as equações avaliadas. As RNAs foram avaliadas para a predição do ponto de fulgor, índice de cetano e teores de enxofre (S50, S500, S1800) e, nesta parte do trabalho foram testados dois tipos de arquiteturas de rede, feed-forward backpropagation e generalized regression, variando os parâmetros da matriz de entrada de forma a determinar o grupo de variáveis e melhor tipo de rede para predição das variáveis de interesse. Os resultados obtidos pelas equações e pelas RNAs foram comparados com resultados experimentais obtidos por metodologias padrão, utilizando o teste não paramétrico de Mann-Whitney e test t de student, ao nível de significância de 5%, assim como pelo coeficiente de determinação e erro percentual. Os resultados obtidos pela equação aplicada para o ponto de fulgor apresentou um erro de 27, 6 %, contudo observou-se uma tendência um tanto similar aos resultados padrão. O índice de cetano foi obtido por três equações, e ambas apresentaram bons coeficientes de correlação, com destaque para equação baseada no ponto de anilina, que apresentou o menor erro de 0,8 %. As equações aplicadas ao petróleo foram trabalhadas de forma a identificar perspectivas de trabalhos futuros, que se mostram bastante promissores. As RNAs para predição do ponto de fulgor e do índice de cetano mostraram resultados bastante superiores ao observados com as equações matemáticas, com erros respectivamente de 2,5% e 0,2%. Para os teores de enxofre S50, S500, e S1800, as RNAs construídas utilizando como dados de entrada a destilação D86 (T10, T50, T85 e T90), Massa Específica, Índice de Cetano e Ponto de Fulgor apresentaram os melhores resultados. Dentre os teores de enxofre as RNAs conseguiram melhor predizer o S1800, e o erro obtido a partir dos resultados das RNAs aumentou com a diminuição do teor de enxofre. De um modo geral, as redes do tipo feed-forward mostraram-se superiores as generalized regression.