Análise Multivariada de Parâmetros Físico-químicos da Gasolina Comercializada no Agreste da Paraíba

Autores

Alves, E.R. (IFPB - CAMPINA GRANDE) ; Monteiro, A.C.A. (IFPB - CAMPINA GRANDE) ; Souto, D.V.L.R. (IFPB - CAMPINA GRANDE) ; Gadelha, A.J.F. (IFPB - CAMPINA GRANDE) ; Rocha, C.O. (IFPB - CAMPINA GRANDE)

Resumo

As técnicas de Análise Multivariada fornecem uma visão ampliada dos parâmetros de qualidade de combustíveis. Este trabalho apresenta uma análise multivariada da qualidade da gasolina comercializada na mesorregião do agreste da Paraíba através da técnica de “análise de componentes principais” (PCA). Amostras de 12 postos de abastecimento foram coletadas em 10 cidades, nos meses de junho, julho e agosto. Para essas amostras foram analisados 04 parâmetros, pH, densidade, índice de refração e teor de etanol. As PC1 e PC2 explicam 62,00% da variância total dos dados. A PCA mostra que houve uma mudança nos padrões entre os períodos analisados. Verificou-se também que algumas amostras apresentam uma diferença expressiva em sua composição, o que pode significar alguma alteração na gasolina.

Palavras chaves

Análise multivariada; PCA; combustíveis

Introdução

A gasolina é o combustível que mais sofre adulteração no Brasil por ser o mais utilizado em território nacional. Esse ato ilícito consiste no acréscimo de solventes, como o álcool anidro ou tolueno, em uma quantidade maior que a admitida e especificada pelos limites estabelecidos pela Agência Nacional do Petróleo - ANP (teor 27% e 0% em volume, respectivamente) (FIGUEIRÔA, 2016). Cunha et al. (2016) e o Instituto de Pesquisas Tecnológicas (IPT, 2017) revelam que o aumento na procura desses combustíveis faz com que alguns revendedores os adulterem, provocando danos quase que irreparáveis ​​no veículo, tais como: queda repentina do motor; dificuldades de arranque; o rendimento fica insatisfatório; há perda de potência do motor; aumento do consumo de combustível e aumento das emissões de partículas e gases. Isso ocorre, normalmente, pela adição de um produto mais barato com boa miscibilidade com o combustível. Tal fraude visa ao lucro ilegal. A ANP é a agência responsável pela fiscalização desses combustíveis, para que não ocorra práticas de adulteração e de sonegação, que acarretam perdas irreparáveis tanto para as empresas quanto para os consumidores (PIRES, 2016). Sendo assim, com o aumento no número de automóveis e no consumo de combustíveis ocorrem maiores congestionamentos, maior poluição atmosférica, aumentos nos acidentes e nas mortes, principalmente porque há aumento também na idade dos veículos que estão trafegando nas ruas do país. No município de Campina Grande, por exemplo, existe 195.806 veículos registrados, que utilizam combustíveis fósseis para abastecer os automóveis e espera-se que sejam de boa qualidade, evitando que o consumidor sofra com o dolo econômico e que o funcionamento do veículo não seja prejudicado (IBGE, 2020). Fogaça (2016) declara que alguns postos e distribuidoras realizam medidas fraudulentas, quando se adicionam solventes ou outros compostos aos combustíveis a fim de tornar o produto mais barato. No entanto, a sua qualidade diminui drasticamente e pode trazer prejuízos para o carro e, consequentemente, para o bolso do consumidor. Por exemplo, a adulteração na gasolina ocorre quando adiciona etanol anidro acima do limite especificado por lei. Podem ser adicionados à gasolina, também, óleo diesel e querosene, por serem mais baratos e perfeitamente miscíveis. Isso poderá resultar numa carbonização da câmara de combustão. E, também, como sua octanagem é muito baixa, pode causar detonação em baixas rotações. Neste sentido, surgem como alternativa as técnicas de análise estatística multivariada, que podem ser ferramentas muito úteis para compreender as características da gasolina que afetam o controle de qualidade pela ANP. De acordo com Carvalho et al. (2015), nos últimos anos a aplicação de métodos estatísticos multivariados como análise de componentes principais (PCA) e a análise hierárquica de agrupamentos (HCA) têm sido utilizados com frequência em diversos estudos reportados na literatura como ferramenta quimiométrica útil para extrair um maior número de informações obtidas através de análises de parâmetros físico-químicos, microbiológicos e elementos metálicos em amostras de combustíveis e outros materiais. Segundo Manly & Alberto (2019), a análise de componentes principais (PCA, do inglês Principal Component Analysis) é elaborada para reduzir o número de variáveis que necessitam ser consideradas a um número menor de índices (componentes principais), os quais são combinações lineares das variáveis originais. A PCA fornece uma maneira objetiva de obter esses índices, de modo que a variação nos dados pode ser levada em consideração tão precisa quanto possível. Essa transformação, em outro conjunto de variáveis, ocorre com a menor perda de informação possível, e também busca eliminar algumas variáveis originais que possuam pouca informação. Em resumo, a PCA é um método de reconhecimento de padrões não supervisionado capaz de transformar um conjunto de dados experimentais em gráficos informativos acerca da similaridade entre as amostras e as respectivas variáveis (VALDERRAMA et al., 2016).

Material e métodos

O estudo foi conduzido na mesorregião do agreste do Estado da Paraíba, em postos de combustíveis localizados nos municípios de Pocinhos (1), Boa Vista (2), Queimadas (3), Ingá (4), Campina Grande (5), Juazeirinho (6), Soledade (7), Lagoa Seca (8), Esperança (9) e São Sebastião de Lagoa de Roça (10). Em cada cidade foi amostrado um único posto, com exceção de Campina Grande, onde foram amostrados 3 postos. Amostras de 1 litro de gasolina foram coletadas nos 12 postos de serviço em recipientes apropriados nos diferentes municípios, durante os meses de junho, julho e agosto de 2022. Para essas amostras foram analisados 04 parâmetros físico-químicos, potencial hidrogeniônico - pH (índice), densidade (g.cm-3), teor de álcool (%), índice de refração (índice). A metodologia utilizada nas determinações dos parâmetros físico-químicas foi feita de acordo com o descrito por Lima et al. (2019). Para a análise estatística multivariada foi utilizada a técnica de análise de componentes principais (PCA), com o auxílio do software Microsoft Excel 2016 e do software The Unscrambler, versão X, CAMO. Inicialmente foi construída uma matriz de dados, contendo 36 linhas (referentes aos 12 poços amostrados em 3 momentos diferentes) e 04 colunas (referentes aos 04 parâmetros analisados), as 12 primeiras linhas da matriz se referem aos dados dos parâmetros de qualidade ao avaliados no mês de junho, as 12 linhas seguintes referem-se aos dados do mês de julho e as 12 últimas linhas da matriz se referem aos dados dos parâmetros no mês de agosto. Como recurso de pré-processamento das matrizes de dados originais utilizou-se o autoescalamento, o qual tem por objetivo eliminar a influência de diferentes unidades de medida, ao tempo em que todas as variáveis passam a ter média zero (0,0) e desvio padrão um (1,0). O uso da PCA tem como objetivo verificar a associação entre parâmetros que influenciam a qualidade do combustível, reduzindo o número de variáveis e verificando quais variáveis ou quais conjuntos delas explicam a maior parte da variabilidade total, apresentando quais relações existem entre elas. Como resultado, obtém-se os gráficos bidimensionais de scores e de loadings, que permitem uma melhor visualização da distribuição dos dados experimentais e das relações entre variáveis e entre as amostras (Souza, & Poppi, 2012).

Resultado e discussão

A seguir são apresentados os resultados da análise multivariada. Como a PCA provoca uma alteração no espaço vetorial do conjunto de dados, cada objeto (cada um dos 12 postos amostrados) que era representado num espaço com 04 variáveis (04 parâmetros físico-químicos), passa a ser representado por 04 componentes principais. Avaliando-se os autovalores de cada PCA, verifica-se que apenas a PCA1 e a PCA2 apresentam autovalores maiores que 1 (hum). O que permite inferir que as duas primeiras componentes principais são responsáveis pela maior parte da variância dos dados. Assim, pode-se concentrar a análise focando num menor número de variáveis, sem que seja observada uma perda significativa na informação. Nesse caso, as componentes principais PC1 e PC2 explicam 62% da variância total. As Figuras 1 e 2 apresentam os gráficos de scores e de loadings, respectivamente, para as PC1 e PC2, nesse caso, para os meses de junho, julho e agosto. Segundo Lyra et al (2010), os scores, ou escores, são projeções dos objetos originais no espaço das PCs, ou seja, são as novas coordenadas dos objetos nas novas variáveis. Nesse caso, o gráfico de escores indica as relações entre os postos amostrados. Ainda de acordo com Lyra et al. (2010), os loadings, ou pesos, representam geometricamente os cossenos dos ângulos que as componentes principais fazem com as variáveis originais. Nesse caso, no gráfico de loadings podemos observar as relações entre as variáveis, ou seja, entre os parâmetros físico-químicos avaliados. Ao analisar o gráfico de scores da Figura 1 pode-se notar alguns padrões importantes. Por exemplo, os postos dos municípios Pocinhos (1), julho, e Lagoa Seca (8), junho, se encontram no lado negativo da PC1, isolados dos demais postos, o que indica que estes diferem significativamente dos demais em relação à sua composição química. Isso pode ser verificado ao se consultar os dados brutos, que apresentam os valores dos parâmetros físico-químicos avaliados, em que se constata o elevado teor de etanol nesses dois poços, em específico. Lembrando que a legislação brasileira estabelece um limite máximo de 27% para o teor de álcool na gasolina. Ainda analisando o gráfico de scores da Figura 1, chama a tenção os postos dos municípios Boa Vista (2), Campina Grande (5) e Soledade (7), amostrados no mês de junho, os quais se concentram no extremo do lado direito da PC1. Ao comparar com o gráfico de loadings da Figura 2 verifica-se que esses postos apresentam baixo teor de etanol (municípios 2 e 5), além de elevados valores para o índice de refração (amostras 2, 5 e 7). Outro padrão observado no gráfico de scores é que os poços amostrados no mês de junho se concentram no lado negativo da PC2, o que indica que apresentam similaridade quanto aos valores de densidade, conforme verificado no gráfico de loadings. Comportamento semelhante é observado no mês de julho no que se refere ao parâmetro do teor de etanol (lado negativo da PC1). A análise da Figura 2, em que é apresentado o gráfico de loadings, mostra que há uma similaridade na variância dos dados dos parâmetros pH e índice de refração, que encontram no mesmo quadrante da PCA, enquanto os parâmetros de densidade e teor de álcool não apresentam uma correlação significativa.

Gráfico de scores da PCA para os 12 postos nos meses amostrados


Gráfico de loadings da PCA para os 04 parâmetros avaliados

Conclusões

Diante dos resultados apresentados, verificou-se que a gasolina amostrada em postos de combustíveis localizados na mesorregião do agreste paraibano apresenta valores, em sua maioria, de acordo com o estabelecido na legislação brasileira, principalmente quanto ao teor de etanol adicionado. O pH, a densidade e o índice de refração não apresentaram valores extremos nas amostras avaliadas. A PCA mostra que é possível identificar padrões em grandes quantidades de dados oriundos de parâmetros físico-químicos de gasolina. Verificou-se ainda que houve uma mudança nos padrões entre os meses analisados, junho, julho e agosto. As PC1 e PC2 explicam 62% da variância total dos dados. Avaliando-se o gráfico de scores da PCA, pode-se identificar amostras que apresentam alguma diferença expressiva e sua composição, o que pode soar como uma alerta para adulteração do combustível. A PCA mostra ainda, em seu gráfico de loadings, que alguns parâmetros estão bem correlacionados, como pH e índice de refração, ao passo que, o teor de etanol e a densidade não apresentam correlação entre si nem com outros parâmetros.

Agradecimentos

Ao Campus Campina Grande e à Pró-Reitoria de Pesquisa, Inovação e Pós-Graduação do IFPB.

Referências

LYRA, W. DA S., SILVA, E. C. DA, ARAÚJO, M. C. U DE, FRAGOSO, W. D., & VERAS, G. (2010). Classificação periódica: um exemplo didático para ensinar análise de componentes principais. Química Nova. 33(7), 1594-1597.

SOUZA, A. M. DE,; POPPI, R. J. (2012). Experimento didático de quimiometria para análise exploratória de óleos vegetais comestíveis por espectroscopia no infravermelho médio e análise de componentes principais: um tutorial, parte I. Química Nova. 35(1), 223-229.

CARVALHO, F. I. M.; LEMOS, V. P.; DANTAS FILHO, H. A. & DANTAS, K. G. F. 2015. Assessment of Groundwater Quality from the Belém Based on Physicochemical Parameters and Level of Trace Elements Using Multivariate Analysis. Revista Virtual de Química, 7(6), 2221-2241.

CUNHA, D. A.; MONTES, L. F.; CASTRO, E.V.R., BARBOSA, L. L. NMR in the time domain: A new methodology to detect adulteration of diesel oil with querosene. Fuel 166, p.79–85, 2016.

FIGUEIRÔA, Juliana Andreza. ANÁLISE LABORATORIAL DO TEOR DE ÁLCOOL NA GASOLINA VENDIDA NO MUNICÍPIO DE FLORESTA-PE, WEB, 2016. Disponível em: <https://editorarealize.com.br/artigo/visualizar/31547> Acesso em: 7 fev. 2022.

FOGAÇA, J. R. V. Adulteração da gasolina e suas consequências. 2016. Disponível em: < http://mundoeducacao.bol.uol.com.br/quimica/adulteracao-gasolina-suas-consequencias.htm>, acesso em 01 de fevereiro de 2022.


IPT, INSTITUTO DE PESQUISAS TECNOLÓGICAS. Verificação da conformidade e adulteração de combustíveis. 2017. Disponível em: <http://www.ipt.br/solucoes/46-verificacao_da_conformidade_e_adulteracao_de_combustiveis.htm>, acesso em 20 de fevereiro de 2022.

LIMA, R.; PEREIRA, J. S.; MESQUITA, F. R.; ALVES, W. F. ANÁLISE MULTIVARIADA DOS PARÂMETROS FÍSICO-QUÍMICOS DA GASOLINA “TIPO C” COMERCIALIZADA NO VALE DO JURUÁ – ACRE. South American Journal, p. 27-37, 2019.

MANLY, B. F. J.; ALBERTO, J. A. N. (2019). Métodos estatísticos multivariados: uma introdução. 4ª edição. Porto Alegre, Bookman Editora.

PIRES, A. Distribuição de combustíveis no Brasil. 2016. Disponível em: < http://economia.estadao.com.br/noticias/geral,distribuicao-de-combustiveis-no-brasil,10000077249 >, acesso em 05 de fevereiro de 2022.

VALDERRAMA, L., PAIVA, V. B., MARÇO, P. H.; Valderrama, P. (2016). Proposta experimental didática para o ensino de análise de componentes principais. Química Nova. 39(2), 245-249.