Otimização do processo de secagem em planta piloto através da automação e tratamento de dados

Abstract

The drying process is crucial in industries such as pharmaceuticals and food, but certain equipment, such as the fluidized bed, does not allow the direct measurement of the moisture of the material to be dried, creating an obstacle to be studied. The main objective of the study was to develop a method to measure moisture in the fluidized bed, using machine learning techniques to predict the values without intervening in the process. Experiments were conducted with microcrystalline cellulose, collecting data on measurable variables every fifteen minutes, along with the actual moisture measured by a specialized analyzer. This data was used in conjunction with computational techniques to create a moisture determination logic by training machine learning models available in Python's scikit learn library. The selection of models was based on performance, with several models achieving satisfactory results, the best of which was the Ridge model with a score of 96.52% in the moisture prediction. This allowed the creation of a method to predict moisture using other variables in real time during the drying process in the fluidized bed. Not only did the research offer an accurate method for measuring moisture during drying on this type of equipment, but it also highlighted the effectiveness of computational techniques, such as machine learning, in solving specific challenges for chemical or computational engineers.

O processo de secagem é crucial em indústrias como a farmacêutica e alimentícia, porém certos equipamentos, como o leito fluidizado, não permitem a medição direta da umidade do material a ser seco, criando um obstáculo a ser estudado. O estudo teve como objetivo principal desenvolver um método para medir a umidade no leito fluidizado, usando técnicas de aprendizado de máquina para prever os valores sem intervir no processo. Experimentos foram conduzidos com celulose microcristalina, coletando dados de variáveis mensuráveis a cada quinze minutos, juntamente com a umidade real medida por um analisador especializado. Esses dados foram usados em conjunto com técnicas computacionais para criar uma lógica de determinação da umidade, treinando modelos de aprendizado de máquina disponíveis na biblioteca scikit learn do Python. A seleção dos modelos se baseou no desempenho, com vários modelos alcançando resultados satisfatórios, sendo o melhor deles o modelo de Ridge com um score de 96,52% na previsão da umidade. Isso permitiu a criação de um método para prever a umidade usando outras variáveis em tempo real durante o processo de secagem no leito fluidizado. A pesquisa não apenas ofereceu um método preciso para medir a umidade durante a secagem nesse tipo de equipamento, mas também destacou a eficácia das técnicas computacionais, como o aprendizado de máquina, na resolução de desafios específicos para engenheiros químicos ou computacionais.