Classificação de amostras de álcool hidratado por região de origem: Aplicação de redes neurais do tipo perceptron de múltiplas camadas.

ISBN 978-85-85905-10-1

Área

Química Tecnológica

Autores

Romagnoli, (UNIVERSIDADE ESTADUAL DE LONDRINA) ; Silva, L. (UNIVERSIDADE ESTADUAL DE LONDRINA) ; Moreira, I. (UNIVERSIDADE ESTADUAL DE LONDRINA) ; Borsato, D. (UNIVERSIDADE ESTADUAL DE LONDRINA) ; Ferreira, B. (UNIVERSIDADE ESTADUAL DE LONDRINA) ; Walkoff, A.R. (UNIVERSIDADE ESTADUAL DE PONTA GROSSA) ; Antunes, S.R. (UNIVERSIDADE ESTADUAL DE PONTA GROSSA) ; Borsato, D. (UNIVERSIDADE ESTADUAL DE LONDRINA)

Resumo

Amostras de álcool etílico automotivo, comercializadas na região Norte e Leste do Paraná, foram submetidas a ensaios físico-químicos e os valores tabulados foram apresentados a rede neural do tipo perceptron de múltiplas camadas (MLP) para classificação de acordo com a região de origem. A rede utilizada apresentou 10 neurônios na camada oculta, apresentando 94% de acerto no treinamento, 90% no teste e 96% na validação. As variáveis mais importantes na classificação foram massa específica e pH. Estes parâmetros de conformidade da Agência Nacional do Petróleo e Biocombustíveis (ANP) são utilizados porque eles servem para regular a comercialização deste biocombustível. A aplicação da rede MLP permitiu a caracterização das amostras de álcool e, com isso, identificar as regiões de origem.

Palavras chaves

Biocombustível; Álcool Etílico; Perceptron

Introdução

As redes do tipo perceptron de múltiplas camadas (MLP) tem sido aplicadas com sucesso para resolver diversos tipos de problemas (HAYKIN, 2001). Seu treinamento é realizado de forma supervisionada através do consagrado algoritmo de retropropagação de erro, o qual é baseado na regra de aprendizagem por correção de erro. Basicamente, a aprendizagem por retropropagação consiste em dois passos através das diferentes camadas da rede: um passo para frente, a propagação, e um passo para trás, a retropropagação. Especificamente, a resposta real da rede é subtraída de uma resposta desejada (alvo) para produzir um sinal de erro. Este sinal de erro é então propagado para trás através da rede, ajustando os pesos sinápticos de modo a fazer com que a resposta real da rede se mova para mais perto da resposta desejada (BISHOP, 2007). Com base em alguns parâmetros estabelecidos pela Resolução nº 7 de 14.4.2011 e o Regulamento técnico da ANP nº 03/2011 de 10 de fevereiro de 2011 que estabelece os parâmetros de especificação para álcool etílico hidratado combustível comercializados no Brasil foi testada a aplicação de redes artificiais do tipo perceptron de múltiplas camadas para a classificação de amostras de álcool etílico comercializadas na região leste e norte do Paraná.

Material e métodos

204 amostras de álcool hidratado, comercializadas nas regiões Leste (112) e Norte (92) do Paraná, foram submetidas ao ensaio de teor alcoólico (NBR 5992), massa específica a 20 °C (NBR 5992), pH (NBR 10891) e condutividade elétrica (NBR 10547). Os valores tabulados foram apresentados a rede neural do tipo perceptron de múltiplas camadas (MLP) do software Statistica 9.0 para classificação de acordo com a região de origem.

Resultado e discussão

Todas as amostras de álcool etílico foram submetidas à classificação utilizando- se rede neural do tipo perceptron de múltiplas camadas. As 204 amostras analisadas (92 da região Norte e 112 da Região Leste do Paraná), foram divididas de maneira aleatória em 3 grupos, sendo o primeiro nomeado de treinamento com 70% das amostras de álcool, o segundo grupo chamado de teste que possuía 15% o qual tinha por objetivo verificar a capacidade da rede em generalizar e o terceiro grupo denominado validação com os 15% restantes das amostras. Foram utilizadas 25 redes todas com 1 a 10 neurônios na camada oculta com uma taxa de aprendizagem de 0,05. Para a classificação das amostras foi utilizada a rede MLP 4-10-2 que apresentou melhor desempenho com uma taxa de acerto de 94% para o treinamento, 90% para o teste e 96% para a validação. A partir da rede treinada foi possível estipular uma ordem de importância para as variáveis de entrada sendo que a massa específica a 20 °C foi identificada como a mais importante, seguida do teor alcoólico e pH , os quais não apresentaram diferença significativa e por último a condutividade elétrica. O gráfico wafer com as variáveis massa especifica a 20 °C e pH pode ser observado na Figura 1. Nele as amostras são divididas em camadas nas quais a cor e sua intensidade são essenciais para a identificação das amostras. Na região verde escura temos somente amostras da região Norte enquanto que na região carmim somente são encontradas amostras da região Leste. Entre estas áreas distintas temos variações de tonalidade que passam do verde para o vermelho mostrando que algumas amostras possuem características semelhantes quando utilizamos estes parâmetros para a comparação. Apenas 13 amostras não se classificaram com a região de origem.

Gráfico de distribuição das regiões de acordo com as camadas.

Conclusões

A rede neural artificial do tipo MLP utilizada identificou 94 % das amostras no treinamento, 90 % no teste e 96 % na validação mostrando ser uma ferramenta adequada na classificação das amostras de álcool etílico comercializadas nas regiões norte e leste do Paraná. Além disso, ela serviu para identificar a ordem de importância dos parâmetros utilizados na classificação.

Agradecimentos

A UEL e a Fundação Araucária pela concessão de bolsa de iniciação científica.

Referências

BRASIL. Resolução nº 7, de 09 de fevereiro de 2011 e retificada em 14 de abril de 2011 da ANP, Agência Nacional do Petróleo. Estabelece a especificação para a comercialização de álcool etílico hidratado. Diário Oficial da União, Brasília, 10 de fevereiro de 2011.

BISHOP, C. M. Neural Networks for Patten Recognition. 1 ed. New York: Oxford University Press, 2007, 482p.

HAYKIN, S. Redes Neurais: Princípio e Práticas. 2 ed. Porto Alegre: Bookman, 2001, 900p.