Mapas auto-organizáveis como ferramenta quimiométrica para o reconhecimento de amostras de diesel comercializadas em Londrina-PR.

Resumo

Neste trabalho foi empregado um módulo de redes neurais artificais do tipo mapas auto-organizável (MAO) para avaliar amostras de diesel do tipo B S10 e B S500 comercializadas na região de Londrina-PR. Os valores da massa específica, ponto de fulgor, condutividade e teor de água foram tabulados e apresentados a rede neural do tipo MAO para classificação. Foi utilizada uma topologia 15 x 15 com 7000 épocas de treinamento. O mapa topológico obtido mostrou que a rede conseguiu discriminar 136 amostras de B S10 e todas as de B S500. O mapa de pesos mostrou que a massa específica e o ponto de fulgor foram os parâmetros mais importantes na segmentação das amostras. Os resultados obtidos mostraram que a rede do tipo MAO é uma ferramenta eficiente na classificação das amostra de diesel comercial.

Palavras chaves

Redes Neurais; Mapa Topologico; Mapa de Pesos

Introdução

Óleo Diesel é uma mistura de hidrocarbonetos parafínicos, oleofínicos e aroáticos, constituída por componentes destilados do petróleo, cuja a faixa de destilação se situa aproximadamente entre 30 e 450°C. Os hidrocarbonetos dessa mistura são formados por moléculas constituídas de 9 a 40 átomos de carbono, correspondendo aos destilados do petróleo predominantemente obtidos por destilação atmosférica (BORSATO et. al. 2009). Ao diesel, por força de legislação, está sendo adicionado 5% de biodiesel B100 o que provoca a diminuição, em parte, do gás carbônico emitido na atmosfera. Uma ferramenta que tem se mostrado mais adequada nos tratamentos de dados que possuem comportamentos não lineares são as Redes Neurais Artificiais (RNA). As RNAs procuram moldar, mesmo que primitivamente, as operações lógicas pelas quais o cérebro executa as mais variadas tarefas. (DEISINGH et al., 2004). Existem diversos tipos de rede neurais, dentre elas os Mapas Auto Organizáveis (MAO), também conhecido por redes neurais de Kohonen que tem como objetivo transformar um padrão de entrada incidente, de dimensão arbitrária, em um mapa uni ou bidimensional e realizar esta transformação adaptativamente de uma maneira topologicamente ordenada. O resultado pode ser observado através de um mapa topológico que tem como função facilitar a visualização de agrupamentos e também a relação de vizinhança entre os grupos formados. Grupos próximos partilham alguma similaridade, assim como, quanto maior for a distância, maior será a diferença de comportamento (KOHONEN, 1997). O objetivo do trabalho foi classificar amostras de diesel B S500 e B S10 comercializadas na região de Londrina-PR.

Material e métodos

265 amostras de diesel (128 de B S500 e 137 de B S10) comercializadas na região de Londrina-PR, no período de 01 de janeiro de 2014 a 31 de maio de 2014, foram submetidas aos ensaios de determinação da massa específica, em kg/m³ (ASTM D1298), ponto de fulgor em ºC (ASTM D56), condutividade elétrica em ρS/m (ASTM D2624) e teor de água em mg/kg (ASTM D6304). Foi utilizado o módulo de redes neurais do aplicativo MATLAB sendo a ordem de entrada dos parâmetros a mesma apresentadas acima. Foi utilizada uma rede com topologia 15 x 15 com 7000 épocas de treinamento.

Resultado e discussão

As 265 amostras de diesel B S10 e B S500 foram submetidas a classificação do tipo mapas auto organizáveis. Foram utilizadas 7000 épocas de treinamento e uma topologia de 15 x 15. A Figura 1 mostra o mapa topológico contendo a distribuição das amostras de diesel analisadas. Pode-se observar a formação de dois grupos bem definidos correspondentes a amostras de B S10 (1S) e B S500 (5S). Apenas uma das amostras de diesel B S10 se encontra no grupo das amostras de diesel S500, o que pode ser atribuido ao fato dela apresentar parâmetros semelhantes. Não foi informado à rede o teor de enxofre das amostras analisadas. A Figura 2 mostra os mapas de pesos referentes aos parâmetros analisados. Pode- se observar que os valores da massa específica e do ponto de fulgor foram importantes na classificação das amostras. Para o parâmetro massa específica, nota-se que a maioria das amostras de diesel B S500 encontra-se na região amarela-vermelha do mapa, que corresponde a uma faixa de massa específica que varia de 846 a 852 Kg/m³, enquanto a maioria das amostras de diesel B S10 encontra-se na região azul, correspondente a uma faixa de massa especifica que varia de 836 a 842 Kg/m³. Para o parâmetro ponto de fulgor, a maioria das amostras de B S500 encontram-se na região azul do mapa, correspondente a uma faixa de ponto de fulgor que varia de 40 a 50°C, enquanto a maioria das amostras B S10 encontram-se na região esverdeada, que corresponde a uma faixa de 60 a 70°C. Os parâmetros condutividade elétrica e teor de água não podem ser considerados importantes para a classificação das amostras, pois apresentam mapas homogêneos, indicando que a maioria das amostras, tanto de B S10 como de B S500, apresentam valores semelhantes para tais parâmetros.

Figura 1

Distribuição das amostras de acordo com o neurônio vencedor.

Figura 2

Mapas de peso para as variáveis (a) massa específica (b) ponto de fulgor (c) condutividade elétrica (d) teor de água.

Conclusões

A Rede Neural Artificial do tipo mapas auto-organizáveis mostrou ser uma ferramenta adequada na classificação de amostras de diesel comercializadas na região de Londrina-PR.

Agradecimentos

Ao Laboratório de Pesquisas e Análises de Combustíveis da Universidade Estadual de Londrina pelo apoio financeiro.

Referências

BORSATO, D.; GALÃO, O. F.; MOREIRA, I. Combustíveis Fósseis: Carvão e Petróleo. Londrina: EDUEL, 2009.

DEINSINGH, A. K.; STONE, D. C.; THOMPSON, M. Applications of electronic noses and tongues in food analyses. International Journal of Food Science and Technology, v. 39, n. 6, p. 587-604, jun. 2004.

KOHONEN, T. Self Organizing Maps. Series in Information Sciences. Vol. 30, 2 ed, editions Springer – Verlag, Heidelberg,1997.

Patrocinadores

Apoio

Realização