Navegando por Palavras-chave "Desorption"

Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    Item
    Restrito
    Ciclos sucessivos de adsorção e dessorção de Cr2+ em coluna de leito fixo: modelagem via redes neurais artificiais
    (Universidade Federal de São Paulo, 2022-02-04) Mello, Rebecca Ruzene [UNIFESP]; Teixeira, Lucas Brito [UNIFESP]; Martins, Tiago Dias [UNIFESP]; http://lattes.cnpq.br/4325081860304693; http://lattes.cnpq.br/7822416097804255; http://lattes.cnpq.br/7209709584584743
    Com o avanço de políticas públicas nacionais e internacionais, a indústria se vê em uma conjuntura de procura por tecnologias que auxiliem no cumprimento de legislações ambientais a favor do despejo apropriado de efluentes. O método de adsorção e dessorção por material biológico é uma prática alternativa para o tratamento desses efluentes, com ele é possível extrair impurezas e metais pesados do fluido contaminante e reutilizar o material filtrante após o ciclo de biossorção. Sua vantagem sobre os métodos tradicionais são a alta eficiência, alta demanda e, por consequência, o baixo custo de investimento. No entanto, seus modelos fenomenológicos são difíceis de se determinar devido aos vários parâmetros que influenciam em sua atividade, além da rigorosidade matemática a ser elaborada. Diante deste cenário, surge­se a possibilidade da aplicação dos princípios das Redes Neurais Artificiais (RNA) que consistem em um modelo de otimização computacional com elevado poder de aprendizagem. Assim, através de uma base de dados, as RNAs promovem a possibilidade da previsão de desempenho e oferecem uma forma mais simples de estudo de comportamentos complexos. Com isso, este estudo focou na aplicação dos conceitos de RNAs para a modelagem cinética de ciclos sucessivos de adsorção e dessorção de Cr2+ em coluna de leito fixo. Os dados experimentais utilizados para o treinamento da RNA foram extraídos da tese de doutorado de Seolatto (2008), em que se investigou o comportamento biossorção da alga Sargassum filipendula. Um fator desafiador neste trabalho, e enfrentado por muitos cientistas de dados, foi a quantidade de dados disponíveis para treinamento, para tanto, os autores utilizaram­se do software multiplicador de dados TableCurve® para determinar uma curva de pontos em quantidades possíveis de treinamento. A metodologia abordada para o processamento dos dados foi variar os parâmetros de funções de otimização, prosseguir com duas camadas intermediárias e variar de 5 a 30 neurônios para cada camada. Esta metodologia foi adaptada a partir da experiência dos próprios autores em seus estudos de iniciação científica. Por fim, este trabalho validou as eficiências e limitações para ambos os fenômenos de adsorção e dessorção, em que se obteve Mean Square Errors (MSEs) parecidos, sendo 13,3893 para a adsorção e 15,7168 para a dessorção. A partir dos resultados, foi possível identificar que as funções de ativação Tansig e Purelin são ótimos para este tipo de problema, representando mais de 50% das melhores sessenta RNAs.