View
215
Download
0
Category
Preview:
Citation preview
FACULDADE DE ENGENHARIA DE LORENA – EEL USP
UNIVERSIDADE DE SÃO PAULO
DIEGO CORDEIRO UNGARATO
ORIENTADOR: PROF. DR. OSWALDO LUIZ COBRA GUIMARÃES
ESTUDO COMPARATIVO ENTRE OS PROCESSOS OXIDATIVOS
AVANÇADOS FENTON, FOTO-FENTON E UV/H2O2 NA
DEGRADAÇÃO DE COMPOSTOS FENÓLICOS UTILIZANDO REDES
NEURAIS ARTIFICIAIS
LORENA – SP
2012
Dedico este trabalho ao meu avô, Ézio (vô Tico)
iv
AGRADECIMENTOS
Agradeço primeiramente a Deus e a Nossa Senhora, que me deram força,
perseverança, responsabilidade e comprometimento para continuasse a lutar e
alcançar os resultados
Aos meus pais, João Carlos e Regina, que sempre acreditaram em mim, estiveram
sempre ao meu lado me ajudando e me mantendo em pé nos momentos mais difíceis.
À minha namorada, Ariadne, que sofreu junto comigo, e aguentou todos os momentos
de irritação, ansiedade, discussão e que esteve ao meu lado todos os segundos
mesmo estando a quilômetros de distância.
Aos meus amigos, que sempre estiverem sempre presentes como irmãos.
Ao prof.r Dr. Oswaldo Luiz Cobra Guimarães, que teve paciência e me ajudou a
realizar este trabalho.
À Escola de Engenharia de Lorena que proporcionou o conhecimento, conhecimento
este que construiu esse trabalho.
v
RESUMO
Muitos compostos têm difícil degradabilidade perante o método biológico
convencional, como por exemplo, substâncias organocloradas, compostos aromáticos,
compostos com ligações azo, entre muitos outros. Há a necessidade de se
desenvolver ou otimizar métodos de tratamento que facilitem a degradação desses
tipos de compostos, visando um tratamento mais rápido, de menor custo e maior
rendimento. Com o auxílio das redes neurais artificiais, problemas que possuem
correlações não lineares (como o caso de processos oxidativos avançados) podem ser
estudados e simulados para a determinação de modelos que satisfaçam as condições
experimentais. Este trabalho tem por característica discutir os métodos oxidativos
avançados Fenton, foto-Fenton e UV/H2O2 na degradação de compostos fenólicos,
comparando as variáveis de entrada e saída, e determinar qual processo tem maior
rendimento na degradação dos compostos fenólicos, avaliando as variáveis de
entrada pH, temperatura,concentração de íons Fe, incidência de luz, concentração de
efluente (COT), volume de H2O2 e como variável de saída porcentagem de
degradação para modelagem por redes neurais. Os resultados obtidos demonstram
que todas as redes neurais construídas tiveram correlação com os modelos
experimentais acima de 98% e sendo o processo oxidativo Fenton o que obteve maior
degradação dos efluentes fenólicos e o processo UV/H2O2 o que obteve melhor
desempenho na modelagem matemática por redes neurais artificiais
Palavras-chave: fenol, Fenton, foto-Fenton, UV/H2O2, processos oxidativos
avançados, redes neurais.
vi
ABSTRACT
Many compounds have difficulties to be degraded by the biological method, such as
organochlorine compounds, aromatic compounds, azo-bounded compounds and more
other compounds. There is the necessity to develop new methods to treat this type of
sewage, improving its degradation, focusing in a faster, cheaper and efficiency
process of treatment. With support of artificial neural network, problems with non
liner correlation (case of advanced oxidative process) could be studied e simulated to
determine polynomial equation which satisfy experimental conditions. This work will
discuss the advanced oxidative methods Fenton, photo-Fenton and UV/H2O2 for
phenolic compounds degradation, comparing the entering and exiting variables, and
to determine which process has more efficiency in degrading phenolic compounds
and evaluate input variables pH, temperature, Fe ions concentration, light incidence,
waste concentration (TOC), volume of H2O2 and for output variable the percentage
of degradation for modeling the artificial neural network. Os resultados obtidos
demonstram que todas as redes neurais construídas tiveram correlação com os
modelos experimentais acima de 98% e sendo o processo oxidativo Fenton o que
obteve maior degradação dos efluentes fenólicos e o processo UV/H2O2 o que
obteve melhor desempenho na modelagem matemática por redes neurais artificiais
The results obtained showed that all artificial neural networks build had and
correlation factor above 98%. The Fenton process was the one which had the highest
rate of degradation, and the UV/H2O2 process the one which had the highest
performance at artificial neural network modeling.
Key-words: phenol, Fenton, photo-Fenton, UV/H2O2, oxidative advanced process,
neural network.
vii
SUMÁRIO
1. INTRODUÇÃO .............................................................................................. 13
2. JUSTIFICATIVAS ........................................................................................... 3
3. OBJETIVOS .................................................................................................... 4
4. REVISÃO BIBLIOGRÁFICA ........................................................................... 5
4.1 Fenol como Composto para Modelagem ........................................................ 5
4.2 Processos Oxidativos Avançados .................................................................. 6
4.3 Varíaveis que Influenciam os Processos Oxidativos Avançados ...................... 9
4.4 Processo UV/H2O2 .................................................................................... 11
4.5 Processo Fenton ........................................................................................ 13
4.6 Processo Foto-Fenton ................................................................................ 15
4.7 Redes Neurais Artificiais ........................................................................... 17
4.7.1 Neurônios biológicos ......................................................................... 17
4.7.2 Neurônio matemático ......................................................................... 18
4.7.3 Breve histórico das RNAs................................................................... 20
4.7.4 Arquitetura das redes neurais .............................................................. 21
5.7.5 Aprendizado pelas RNAs .................................................................... 24
4.7.6 Aplicações das redes neurais artificiais ............................................... 26
4.8 Análise Multivariada de Dados .................................................................. 27
4.9 Distribuição Normal .................................................................................. 29
4.9.1 Método de skewness e kurtosis ........................................................... 29
4.9.3 Teste de Anderson-Darling ................................................................. 30
4.10 Teste de Hipótese .................................................................................... 31
4.11 Outliers .................................................................................................. 33
5. METODOLOGIA ........................................................................................... 35
6. MATERIAIS E MÉTODOS ............................................................................. 36
7. RESULTADOS E DISCUSSÃO ...................................................................... 41
viii
8. CONCLUSÃO................................................................................................ 55
ANEXOS ........................................................................................................... 64
Anexo A......................................................................................................... 64
ix
LISTA DE TABELAS
Tabela 1: Exemplos dos principais POAs homogêneos e heterogêneos ..................... 8
Tabela 2: Potenciais de Oxidação .......................................................................... 9
Tabela 3: Reações de iniciação, propagação e terminação do radical hidroxila via
fotólise do peróxido de hidrogênio. ..................................................................... 12
Tabela 4: Reações de iniciação, propagação e terminação do radical hidroxila via
reação com reagente de Fenton. .......................................................................... 14
Tabela 5: Variáveis de entrada nos processos oxidativos avançados ...................... 35
Tabela 6: Valores das concentrações das variáveis propostas por Moraes (2003) para
o planejamento experimental de seu experimento, envolvendo três níveis para cada
variável. ............................................................................................................ 37
Tabela 7: Resultado do planejamento experimental realizado por Moraes (2003) para
a realização dos experimentos de degradação do fenol através do processo foto -
Fenton. .............................................................................................................. 37
Tabela 8: Níveis das variáveis propostas pelos autores De et. al. (1999) para a
realização do experimento de degradação de uma solução contendo fenol e
clorofenóis através do processo UV/H2O2. ........................................................... 38
Tabela 9: Arranjo das variáveis para que se pudessem ser realizados o experimentos
de De et. al. (1999). ........................................................................................... 38
Tabela 10: Níveis das variáveis propostas para o estudo da degradação do fenol pelo
processo Fenton proposto por Mota (2005). ......................................................... 39
Tabela 11: Arranjo experimental proposto por Mota (2005) através da análise de
experimento para a degradação de solução contendo fenol. ................................... 40
Tabela 12: Valores dos pesos dos neurônios para a rede neural do processo Fenton. 46
Tabela 13: Valores dos pesos dos neurônios para a rede neural do processo foto-
Fenton. .............................................................................................................. 48
Tabela 14: Valores dos pesos dos neurônios para a rede neural do processo UV/H 2O2.
......................................................................................................................... 51
Tabela 15: Comparativo entre as simulações dos processos oxidativos avançados
através de rede neural artificial. .......................................................................... 53
x
LISTA DE FIGURAS
Figura 1: Reação para a produção de fenol através do processo de Hock. ................. 5
Figura 2: Componentes típicos de um neurônio. Fonte: (LUNDY-EKMAN, 2008) .. 18
Figura 3: Fluxo da informação em num neurônio tipo perceptron. Fonte: (ZUPAN,
2003). ............................................................................................................... 22
Figura 4: Estrutura de uma rede neural artificial feedforward. Fonte: (ZUPAN, 2003)
......................................................................................................................... 23
Figura 5: Fluxo da informação em uma rede neural do tipo back-propagation. ....... 24
Figura 6: Análise estatística do experimento de Mota (2005). ............................... 42
Figura 7: Análise estatística do experimento de De et. al. (1999). ......................... 43
Figura 8: Análise estatística do experimento de Moraes (2003). ............................ 44
Figura 9: Degradação média entre os processos oxidativos avançados em função do
tempo. ............................................................................................................... 45
Figura 10: (a) Ajuste linear dos dados do processo Fenton pelo treinamento da rede
neural; (b) validação da rede neural com pontos experimentais; (c) teste da rede
neural com pontos experimentais; (d) gráfico geral com o ajuste de curva para o
experimento utilizando o processo Fenton............................................................ 46
Figura 11: Gráfico comparativo entre os valores experimentais e os modelados
matematicamente pela rede neural para o processo Fenton. ................................... 47
Figura 12: Coeficiente de correlação obtido software Minitab para os dados
experimentais e simulados do processo Fenton. .................................................... 48
Figura 13: (a) Ajuste linear dos dados do processo foto -Fenton pelo treinamento da
rede neural; (b) validação da rede neural com pontos experimentais; (c) teste da rede
neural com pontos experimentais; (d) gráfico geral com o ajuste de curva para o
experimento utilizando o processo foto-Fenton. ................................................... 49
Figura 14: Gráfico comparativo entre os valores experimentais e os modelados
matematicamente pela rede neural para o processo foto- Fenton. ........................... 50
Figura 15: Coeficiente de correlação obtido software Minitab para os dados
experimentais e simulados do processo foto-Fenton. ............................................. 50
Figura 16: (a) Ajuste linear dos dados do processo UV/H 2O2 pelo treinamento da
rede neural; (b) validação da rede neural com pontos experimentais; (c) teste da rede
xi
neural com pontos experimentais; (d) gráfico geral com o ajuste de curva para o
experimento utilizadando o processo UV/H2O2 .................................................... 52
Figura 17: Coeficiente de correlação obtido software Minitab para os dados
experimentais e simulados do processo UV/H2O2. ................................................ 52
Figura 18: Gráfico comparativo entre os valores experimentais e os modelados
matematicamente pela rede neural para o processo UV/H 2O2. ............................... 53
xii
LISTA DE ABREVEATURAS
COT Carbono Orgânico Total
DQO Demanda Química de Oxigênio
POA Processo Oxidativo Avançado
RNA Rede Neural Artificial
ppm partes por milhão
[Fenol] concentração de fenol
[Fe+2
] concentração de íons ferro II
[H2O2] concentração de peróxido de hidrogênio
PA Reagente para análise
CEPRAM Conselho Estadual do Meio Ambiente
CONAMA Conselho Nacional do Meio Ambiente
xiii
1. INTRODUÇÃO
A demanda e a oferta dos recursos hídricos são cada vez mais comprometidas
na medida em que, em muitos lugares do mundo, as águas superficiais e as
subterrâneas estão contaminadas com esgotos industriais, agrícolas e municipais. De
acordo com a Comissão Mundial da água para o século XXI, mais de 50 % dos
principais rios do mundo estão contaminados, colocando em risco a saúde das
pessoas e da flora e fauna que se favorecem desses ecossistemas.
Os efluentes de plantas industriais freqüentemente contêm elevados teores de
compostos orgânicos, entre eles os compostos fenólicos. A toxicidade des ses
compostos em ambientes aquáticos tem sido bastante estudada e está confirmado que
a presença desse contaminante, em níveis de ppm, afeta significativamente as
propriedades organolépticas da água (GUERRA, 2001).
É de extrema necessidade que sejam removidos os poluentes orgânicos dos
efluentes, pois as características desses efluentes afetam a demanda química de
oxigênio (DQO), demanda biológica de oxigênio (DBO), oxigênio dissolvido, pH ,
entre os demais fatores organolépticos da água, contribuem para a qualidade da água,
e para os micro-organismos responsáveis pela degradação da matéria orgânica no
ciclo natural de recuperação das águas.
Dentre os poluentes orgânicos produzidos por indústrias químicas,
farmacêuticas, indústrias de papel e celulose, refinarias de petróleo, esgotos
domésticos entre outras, destaca-se o fenol. Este composto é definido como
recalcitrante e altamente tóxico. O fenol é uma substância incolor e cristalina usada
como desinfetante, como intermediário em diversas sínteses orgânicas e na produção
de várias resinas poliméricas. Por ser muito solúvel em água, constitui-se em um
sério contaminante para o meio ambiente.
De acordo com a Agência de Proteção Ambiental Norte Americana, os
compostos fenólicos são persistentes no meio ambiente, bioacumulativos e
potencialmente tóxicos. Fenóis são tóxicos para peixes mesmo em baixas
concentrações (1 a 2 ppm) e para a maioria da vida aquática (10 a 100 ppm). A
presença de fenol no meio ambiente gera toxicidade aguda em humanos, portanto o
tratamento antes da liberação desse efluente em corpos d‟água é essencial.
(BABUPONNUSAMI e MUTHUKUMAR, 2012).
2
Nos efluentes industriais podem ser encontrados mais de um tipo de poluente
fenólico. Variações destes compostos (fenóis substituídos, como nitrofenóis e
clorofenóis) também são gerados em grande escala e apresentam geralmente uma
toxicidade superior aos seus precursores (CORSOLINIA, ADEMOLLO, et al., 2005).
Em unidades de tratamento de efluentes, elevadas concentrações de fenóis podem
causar perturbação e serem tóxicas às bactérias usadas nos lodos ativados (MISHRA,
MAHAJANI e JOSHI, 1995).
O grande potencial poluidor associado a esta classe de compostos gerou a
formulação de diretrizes reguladoras dos limites de exposição dos organismos vivos
aos fenóis. No Brasil, com a publicação da Resolução CEPRAM 2113, em 1999, o
limite de concentração de fenóis no efluente final, lançado pelas indústrias no meio
ambiente, foi modificado de 100 para 10 mg/L A resolução CONAMA nº 357,
publicada em 18 de março de 2005, revogou a Resolução CONAMA 20/86 e define
como padrão de lançamento para efluentes industriais similares aos apontados acima
com o teor de 0,5 mg/L de fenóis totais, expresso como C6H5OH.
Muitos processos têm sido estudados para a remoção de fenol presente em
efluentes tais como: tratamento biológico, extração, e oxidação por via úmida. Porém
processos oxidativos avançados tais como Fenton, foto-Fenton e UV/H2O2 podem ser
usados com sucesso para remoção de fenol dos efluentes. A completa remoção de
contaminantes orgânicos pelos POAs confere distinção comparado à outros métodos
(BABUPONNUSAMI e MUTHUKUMAR, 2012).
3
2. JUSTIFICATIVAS
A cada dia que se passa, a questão de uma produção economicamente
sustentável vem mais a tona. Os processos produtivos das indústrias são cada vez
mais melhorados a fim de se obter um menor custo na produção e favorecer o lucro.
Porém quando se produz se gera efluente. Na geração de efluentes, muitas das
substâncias produzidas têm efeitos tóxicos, mutagênicos, carcinogênicos de elevada
periculosidade, sendo impossível um descarte desses resíduos sem um prévio
tratamento.
Sejam as indústrias de papel e celulose, de petróleo e gás, farmacêuticas entre
outras, todas produzem efluentes muito tóxicos devido às matérias-primas
empregadas durante os processos produtivos. Esses efluentes devem ser tratados de
alguma maneira para a correta destinação.
O meio mais barato para o tratamento é o tratamento biológico que consiste da
ação de bactérias aeróbicas presentes em um lodo ativado, que degradam a matéria
orgânica, transformando-a em CO2 e água. Porém algumas substâncias têm efeitos
nocivos nos lodos ativados, impedindo seu tratamento biológico convencional.
Sendo assim, devem ser empregados métodos alternativos para o tratamento
desses resíduos que não são tratados facilmente pelos processos convencionais, para
que essas substâncias não permaneçam no meio ambiente, causando danos aos
organismos tanto aquáticos quanto humanos.
Para o tratamento desses efluentes com degradabilidade mais difícil podem ser
usados os processos oxidativos UV/H2O2, Fenton e foto-Fenton que correspondem a
uma pequena quantidade dos processos oxidativos.
Pela complexidade da simulação dos processos oxidativos avançados, devem
ser utilizar meios computacionais que favoreçam na modelagem matemática. As
redes neurais estão em uso mais freqüente e auxiliam a avaliação de resultados
complexos com características não lineares, atuando como forma de solução para
modelagem de processos como os oxidativos avançados. Assim o uso das redes
neurais se torna eficiente na predição de modelos matemáticos que possam vir a
fundamentar as relações entre as variáveis dos processos oxidativos avançados e
viabilizar uma modelagem matemática que tenha significância entre os dados
experimentais e os dados obtidos por esses modelos.
4
3. OBJETIVOS
O presente trabalho de conclusão de curso tem por objetivos:
Estudar os processos oxidativos avançados UV/H2O2, Fenton e Foto-Fenton e
as variáveis que têm influencia nesses processos, bem como as características
de formação do radical hidroxila;
Analisar os dados dos autores escolhidos quanto à distribuição estatística dos
resultados encontrados por eles, através do software Minitab;
Construir através do software Matlab uma rede neural para a simulação da
degradação de efluentes fenólicos pelos processos UV/H2O2, Fenton e Foto-
Fenton;
Analisar quais dos processos escolhidos apresentou maior degradação em
relação às variáveis que foram propostas pelos pesquisadores;
Avaliar dentre as três redes neurais construídas, qual obteve melhor
desempenho na aproximação com os dados experimentais.
5
4. REVISÃO BIBLIOGRÁFICA
4.1 Fenol como Composto para Modelagem
Fenol é um composto orgânico com a fórmula química C6H5OH. É um sólido
cristalino branco em temperatura ambiente. A molécula consiste de um grupo
hidroxila (-OH) ligado a uma molécula de benzeno.
O fenol foi primeiramente extraído do alcatrão da hulha e está em produção
desde a década de 1860. Um dos primeiros usos de fenol foi como um anti-séptico,
mas hoje é produzido em grande escala usando uma série de processos industriais a
partir do petróleo bruto (AHMED, LIMEM, et al., 2011). É uma importante
commodity industrial como um precursor de muitos materiais e compostos úteis. Seus
usos principais envolvem sua conversão para plásticos ou materiais afins. Fenol e
seus derivados químicos são a chave para a construção de policarbonatos, epóxis,
baquelite, nylon, detergentes, herbicidas como fenoxi herbicidas , síntese de corantes,
aspirina e um dos primeiros explosivos, ácido pícrico além de uma grande gama de
drogas farmacêuticas.
Devido à importância comercial do fenol, muitos métodos foram
desenvolvidos para a sua produção. A rota atual dominante envolve a oxidação
parcial de cumeno através do rearranjo de Hock apresentada na figura 1:
Figura 1: Reação para a produção de fenol através do processo de Hock.
Fonte: (COELHO, 2011).
Mas devida a grande produção de fenol, gera-se também uma grande
quantidade de efluentes. Em situações industria is, a maneira mais barata de se tratar
os efluentes é de forma biológica, com grandes quantidades de efluente sendo
6
geradas e tratadas. Porém neste caso, o tempo de residência que o efluente deve
permanecer pra ser tratado de forma eficiente aliado ainda com a geração de grande
quantidade de lodo residual que deve ser disposta em aterros ou incinerada, acabam
deixando o processo biológico inviável para tratamento de substâncias muito tóxicas .
Nesse caso, os processos oxidativos avançados tem se mostrado como uma
alternativa (PIMENTEL, OTURAN, et al., 2008).
Embora o fenol não absorva luz em comprimentos de onda maior que 290nm,
fenóis reagem rapidamente em uma reação indireta com radicais hidroxila produzidos
fotoquimicamente. Sendo a sistemática básica de funcionamento dos processos
oxidativos avançados, a produção de radicais hidroxila por diversos tipos de
combinação de reagentes e agentes físicos, estes processos funcionam de forma
eficiente na remoção destes tipos de poluentes.
4.2 Processos Oxidativos Avançados
Entre os processos tradicionais e principais métodos de tratamento de
efluentes industriais podemos citar (FREIRE, PELEGRINI, et al., 2000):
Processos físicos, que podem se caracterizar por separação de fases
(sedimentação), transição de fases (destilação), transferência de fases
(adsorção) e separação molecular (ultrafiltração). Nesses processos,
geralmente, as substâncias contaminantes não são destruídas, apenas
transferidas de fase. Nesses casos, embora o vo lume contaminado seja
reduzido, o contaminante é apenas concentrado, persistindo no meio.
Processos biológicos, que utilizam compostos de interesse como substrato para
o crescimento e manutenção de microorganismos. Eles podem ser divididos
em aeróbios, anaeróbios, que utilizam bactérias ou fungos que requerem ou
não oxigênio para a manutenção da vida, as quais levam à formação de CO 2 e
CH4 e cujo aceptor de elétrons pode ser uma das espécies NO 3- ou SO4
2-.
Embora muito utilizado devido ao seu baixo custo e possibilidade de tratar
grandes volumes, esses processos são limitados para efluentes que sejam
tóxicos aos microorganismos.
Processos químicos, que, embora apresentem uma enorme aplicabilidade em
sistemas ambientais, como purificação de ar, desinfecção e purificação de
água e efluentes industriais, podem em alguns casos, ter sua eficácia discutida.
7
A precipitação, por exemplo, promove somente uma mudança de fases dos
compostos, não eliminando completamente o problema e a incineração, além
de cara, pode levar à formação de mais tóxicos que o próprio efluente,
tipicamente dioxinas e furanos.
Levando em consideração que os efluentes industriais são muitas vezes
compostos de substâncias com alta toxicidade e que, destruir o poluente é muito mais
interessante que transferi-lo de fase, utilizam-se então os processos oxidativos
avançados.
A utilização de processos oxidativos avançados é antiga, e conhecida há
tempos sendo que o primeiro trabalho utilizando oxidantes fortes, no caso o ozônio,
para tratamento e desinfecção de água foi realizado por De Meritens em 1886. Mas,
somente em 1973, durante o primeiro Simpósio Internacional em Ozônio para
Tratamento de Águas e Efluentes, foi usada a terminologia “Tecnologias de Oxidação
Avançada”. No trabalho apresentado, a combinação entre ozônio e radiação
ultravioleta foi utilizada na oxidação de complexos de cianeto.
Processos oxidativos avançados podem ser considerados como tecnologias
limpas, já que geram como resíduos finais gás carbônico, água e íons. Vale ressaltar
que os POAs degradam os substituintes da cadeia de forma não seletiva,
independendo dos substituintes. Além disso, os POAs podem ser empregados também
para destruição de compostos em fase gasosa.
Os processos oxidativos avançados representam uma tecnolog ia atrativa para
destruir contaminantes orgânicos que são não facilmente tratados por processos
físico-químicos ou biológicos convencionais. Estes processos são estudados em
diversas combinações, podendo ser homogêneos ou heterogêneos, e utilizar ou não
radiação UV (COELHO, 2011).
Oxidação é definida como a transferência de um ou mais elétrons de um
doador de elétrons (redutor) para um aceptor de elétrons (oxidante), que tem uma
maior afinidade por elétrons. Estas transferências de elétrons resultam na
transformação química do oxidante e do redutor e, em alguns casos, a produção de
espécies químicas com um número ímpar de elétrons de valência. Estas espécies,
conhecidas como radicais, tendem a ser altamente instáveis e, portanto, altamente
reativas, porque um dos seus elétrons está desemparelhado. Reações de oxidação que
produzem radicais tendem a ser seguidas por reações de oxidação até a produção de
8
produtos estáveis (WU e CHANG, 2006). A capacidade de um oxidante para iniciar
reações químicas é medida em termos de seu potencial de oxidação. Os mais
poderosos oxidantes são flúor, radicais hidroxila, ozônio e cloro.
POAs envolvem dois estágios de oxidação:
1) A formação de oxidantes fortes (por exemplo, radical hidroxila) e,
2) A reação destes oxidantes com contaminantes orgânicos em água.
No entanto, o termo processos oxidativos avançados refere-se especificamente
aos processos em que a oxidação de contaminantes orgânicos ocorre principalmente
através de reações com radical hidroxila.
Os POAs se diferenciam por suas diferentes várias de geração de radicais
hidroxila e são classificados por possuírem uma única fase de solução (homogêneo)
ou mais fases onde acontecem as reações, geralmente sólido e líquido (heterogêneo),
e alguns desses POAs são apresentados na tabela 1.
Tabela 1: Exemplos dos principais POAs homogêneos e heterogêneos
Sistemas Homogêneos
H2O2/UV
O3/UV
O3/H2O2/UV
Fenton
Foto-Fenton
Eletro-Fenton
Sistemas Heterogêneos
TiO2/UV
TiO2/H2O2/UV
TiO2/O3
TiO2/O3/UV
Fonte: (COELHO, 2011)
O princípio da degradação fotocatalítica em sistemas heterogêneos é
conhecida pela incidência de luz UV em um composto com características de
fotocatalisador, e este é então excitado produzindo um par de elétrons e uma valência
com um estado de alta energia, que migram para a superfície da partícula e inicia
várias reações químicas redox, voltando ao seu estado normal através da formação do
radical hidroxila (BAUTISTA, MOHEDANO, et al., 2011).
As principais características do radical •OH são a baixa seletividade e
um alto potencial de oxidação (tabela 2): uma vez gerado, reage rápida e
9
indiscriminadamente com qualquer molécula orgânica, seja em reações de adição à
ligação dupla ou por abstração de hidrogênio de compostos orgânicos alifáticos.
Além de atacar as ligações das moléculas, a criação das ligações entre o
radical hidroxila e a molécula, desestabiliza o pareamento de elétrons, fazendo com
que as moléculas atacadas pelos radicais possam se transformar também em radicais
livres, atacando assim outras moléculas aleatoriamente.
Os radicais gerados atacarão as moléculas orgânicas, formando compostos de
cadeias carbônicas menores, podendo levar à total mineralização das moléculas. Os
processos mais comumente usados para a geração do radical livre •OH são os que
envolvem o uso direto da radiação UV, uso de peróxidos de hidrogênio (H2O2,
H2O2/UV), reações de Fenton (H2O2/Fe2+
), foto-Fenton (H2O2/Fe2+
/UV) e a
fotocatálise heterogênea (TEIXEIRA e JARDIM, 2002).
Tabela 2: Potenciais de Oxidação
OXIDANTE POTENCIAL DE OXIDAÇÃO(V)
Flúor 3,03
Radical Hidrox ila (•OH) 2,80
Oxigênio Atômico 2,42
Ozônio (O3) 2,07
Peróxido de Hidrogênio 1,78
Radical Hidroperoxila 1,70
Permanganato de Potássio 1,68
Ácido Hipobromoso 1,59
Dióxido de Cloro 1,57
Ácido Hipocloroso 1,49
Ácido Hipoiodoso 1,45
Cloro 1,36
Bromo 1,09
Fonte: (TEIXEIRA e JARDIM, 2002)
4.3 Varíaveis que Influenciam os Processos Oxidativos Avançados
Faixa de trabalho do pH
O pH do sistema influencia significativamente a degradação dos poluentes,
sendo o pH ótimo para ser 3 na maioria dos casos e, portanto, recomenda-se esse
10
valor como pH de trabalho (KHAMARUDDIN, BUSTAM e OMAR, 2011).Para pH
menor que 2,5 ocorre a formação complexo hidratado de ferro II , que reage mais
lentamente com peróxido de hidrogênio e, portanto, produz menor quantidade de
radicais hidroxila reativos, reduzindo assim a eficiência de degradação.Além disso, o
efeito de formação de radicais hidroxila por íons de hidrogênio, torna-se importante a
um pH muito baixo, como também a reação do Fe+3
para recuperação do Fe+2
com
peróxido de hidrogênio é inibida (GOGATE e PANDIT, 2004).
Na faixa de pH maior que 4, as taxas de decomposição diminuem devido a
diminuição das espécies de ferro livre na solução, provavelmente devido à formação
de complexos de Fe (II) com a solução aquosa, inibindo a formação de radicais livres
e também devido à precipitação de oxihidróxidos férricos que inibem a regeneração
de íons ferrosos.Além disso, o potencial de oxidação do radical •OH é diminuído
com um aumento do pH (KHAMARUDDIN, BUSTAM e OMAR, 2011).
Quantidade de íons ferrosos
Geralmente, a taxa de degradação aumenta com o aumento da concentração de
íons ferrosos embora às vezes observa-se a aumento pouco significativo acima de
uma certa concentração (KAVITHA e PALANIVELU, 2004).Além disso, com o
aumento da concentração de íons ferrosos isso refletirá em um aumento na
quantidade de sais de ferro, o que contribuirá para um aumento do teor de resíduos
após a mineralização dos componentes orgânicos, sendo necessário avaliar cada caso
para a melhor quantidade de íons ferrosos (PONTES, MORAES, et al., 2010).
Concentração de peróxido de hidrogênio
A concentração de peróxido de hidrogênio desempenha um papel crucial na
decisão sobre a eficácia global do processo de degradação, assim a taxa de
degradação do poluente aumenta com o aumento da dosagem de peróxido de
hidrogênio. Uma quantidade em excesso não é recomendada, sendo um efeito
negativo do peróxido de hidrogênio, agir como um seqüestrador de radicais hidroxila
(GOGATE e PANDIT, 2004). Da mesma forma que a quantidade de íons ferrosos, a
quantidade de peróxido de hidrogênio varia de experimento para experimento, sendo
necessária uma avaliação da sua concentração ideal.
Concentração de poluente
Quanto mais baixa a concentração dos poluentes melhor é o resultado dos
processos oxidativos avançados, devido à menor quantidade de matéria orgânica que
11
deverá ser tratada. Porém em escala industrial, a carga orgânica que é lançada
inviabilizaria esses tipos de tratamentos de efluentes, sendo necessário que antes o
efluente seja diluído para uma melhor degradação.
Temperatura de operação
A temperatura provavelmente aumenta a taxa de reação entre peróxido de
hidrogênio e qualquer forma de ferro ferroso/férrico, au mentando assim a taxa de
geração de espécies oxidantes. Por outro lado, a temperatura também influencia na
decomposição térmica do peróxido de hidrogênio em espécie inativa (água e
oxigênio). De acordo com Kkamaruddin et. al (2011) a temperatura mínima de
trabalho é de 30º C, e esta pode aumentar até uma temperatura de 60ºC onde ocorre a
decomposição térmica do peróxido de hidrogênio.
4.4 Processo UV/H2O2
A luz UV vem sendo utilizada como método de tratamento de água há muito
tempo, devido ao seu poder de causar mutações genéticas nos organismos causando
efeitos irreversíveis, impedindo a sua proliferação e atuando como agente sanitizante.
Sabe-se que a luz UV tem alta energia, tendo seu comprimento de onda
iniciado em 1 nm até 380 nm , faixa onde o olho humano não consegue enxergar.
Além de ser usada como bactericida, a luz UV também é usada como acelerador em
polímeros, fazendo com que sejam criadas ligações cruzadas entre as
macromoléculas, devido a quebra de ligações duplas ou a quebra das ligações dupla s
dos anéis benzênicos.
O uso da luz ultravioleta como coadjuvante no tratamento de efluentes teve
seu início em 1972 por Berglind et. al. para oxidação de substâncias úmidas em meio
aquoso. A radiação UV sozinha iria atacar e decompor algumas moléculas orgânicas
por clivagem da ligação e geração de radicais livres, mas essa degradação geralmente
ocorre em taxas muito lentas. A combinação de luz UV e vários oxidantes pode
decompor poluentes de uma maneira muito eficaz. A decomposição de diversos
poluentes orgânicos usando o peróxido de hidrogênio como um oxidante sob
iluminação UV foi provada ser muito eficaz (GOI e TRAPIDO, 2002).
12
A principal forma de atuação da luz ultravioleta (λ=254nm) no processo
oxidativo avançado é atuar como “catalisador” na fotólise das moléculas de H2O2
sendo responsável pela formação dos radicais hidroxila .
O peróxido de hidrogênio apresenta um potencial de oxidação de 1,78V, e
quando em solução e exposto a radiação UV, gera radicais hidroxila, que por sua vez,
tem potencial de oxidação de 2,08V, inferior apenas ao radical flúor.
A tabela 3 abaixo, trás as reações de iniciação, propagação e terminação dos
radicais OH quando o peróxido de hidrogênio é exposto a radiação ultravioleta.
Tabela 3: Reações de iniciação, propagação e terminação do radical hidroxila via fotólise do
peróxido de hidrogênio.
Iniciação
Propagação
Terminação
Fonte: (SANTANA, 2010)
O processo UV/H2O2 por empregar somente o peróxido de hidrogênio para
efetivamente gerar os radicais hidroxila, apresenta algumas vantagens, podendo se
destacar o menor custo em relação aos outros métodos, a menor periculosidade, e
formação de somente água e gás carbônico, não necessitando de separação dos
resíduos no final do processo. Porém como desvantagens estão o uso de muitas e
específicas lâmpadas para gerar uma quantidade de raios UV suficientes para formar
os radicais hidroxila e o alto tempo para conseguir altas conversões (COELHO,
2011).
Jung et.al.(2012) estudaram a remoção de amoxicilina, um antibiótico muito
conhecido nos dias de hoje, através do processo UV/H 2O2. As condições de operação
usadas foram a concentração de peróxido de hidrogênio variando de 0,3mM a 10mM
,concentração inicial de amoxicilina de 100 µM usando uma lâmpada de Hg de baixa
pressão como fonte de raios UV, pH na faixa de 7 e temperatura mantida constante
na faixa de 20 ±2 ºC. As amostras foram analisadas quanto ao COT. Os resultados
13
obtidos mostraram que 50% do COT inicial foi removido após 80 minutos de reação
entre UV/H2O2 e a amoxicilina, e sendo a carga resultante subprodutos da reação,
totalizando uma remoção de 99% da concentração inicial de amoxicilina.
Nagel-Hassemer et. al.(2012) utilizaram o processo UV/H2O2 como pós-
tratamento para remoção de cor e degradação final em efluentes têxteis, seguindo as
condições experimentais num reator de 2,3L usando 250mg H 2O2/L , lâmpada de
mercúrio de média pressão de 250 W de potência, temperatura controlada em 20 ± 1
ºC , pH na faixa de 7 e COT inicial de 50 mg/L. Seguindo as condições,houve uma
remoção de 96% da coloração do corante, e uma redução de 84% dos compostos
aromáticos e 90% dos sólidos suspensos totais, demonstrando que o processo é
efetivo também como um processo de pós tratamento de efluentes têxteis.
4.5 Processo Fenton
Há mais de 100 anos Fenton publicou um trabalho em que sugeria que o íon
ferroso fosse usado para oxidação do ácido tartárico junto do peróxido de hidrogênio,
teve então o inicio do reagente de Fenton.
O sistema de oxidação com base no reagente de Fenton (peróxido de
hidrogênio, na presença de um sal ferroso) tem sido utilizado para o tratamento de
substâncias orgânicas e inorgânicas, com efluentes provenientes de diversos setores
industriais como química fina, refinarias, papel e celulose.
O processo de oxidação baseado nos reagentes de Fenton é considerado um
processo muito simples, que combina o peróxido de hidrogênio com íons de ferro, em
meio ácido, resultando em um forte oxidante, conforme mostrado na Equação 1
(TIBURTIUS, 2004):
OHOHFeOHFe H
3
22
2
(1)
As reações responsáveis pela geração dos radicais hidroxila através do
processo Fenton estão descritas na tabela 4.
14
Tabela 4: Reações de iniciação, propagação e terminação do radical hidroxila via reação
com reagente de Fenton.
Iniciação
Propagação
Terminação
Fonte: (DUESTERBERG e WAITE, 2006)
Goi e Trapido et. al. (2002) pesquisaram o uso do processo Fenton na
degradação de compostos nitrofenólicos com as características de experimento
inicias variando as concentrações de Fe+2
de 0,004 a 1,0 mM e H2O2 variando de 1,0
a 10 mM, com pH de operação na faixa de 3,0 e a temperatura mantida em 20 ±1ºC e
como composto para degradação, uma solução de nitrofenóis1 com concentração de
0,4 mM. Os experimentos foram realizados de modo a determinar o tempo para 90%
de conversão dos nitrofenóis em compostos intermediários ou total mineralização.
Os resultados obtidos demonstraram que com o aumento da concentração de
íons Fe+2
o tempo necessário para atingir a conversão de 90% se reduz iu muito.
Como exemplo pode ser tomado o experimento da degradação do 4,6 - dinitro
ortocresol realizado com diferentes concentrações Fe+2 (0,01 mM e 1,0 mM) e 10
mM de H2O2. No primeiro experimento o tempo foi de 215.000 segundos e no
1 2-nitro fenol, 4-nitro fenol, 2,5-dinitro fenol, 2,6-dinitro fenol, 2,4-dinitro fenol,4,6 dinitro
ortocresol, 2,6-dinitro paracresol.
15
segundo experimento 150 segundos, uma taxa de diminuição de aproximadamente
1430 vezes.
Aygün et. al.(2010) realizaram a degradação do lixiviado de um aterro usando
o método Fenton. As condições experimentais propostas foram pH mantido em 3,
concentração de 2 g/L de Fe+2
e 5 g/L de H2O2, e os experimentos foram realizados
em 4 temperaturas: 15ºC, 20ºC, 25ºC e 30ºC. As amostras do lixiviado do aterro
foram filtradas e equalizadas (mantidas sobre agitação e em solução de MnO2 e em
pH entre 7,5 e 8) e utilizaram 5mL da amostra equalizada para que fosse degradada.
Os efeitos de diferentes tempos de reação e temperaturas no processo de
Fenton foram analisados e a melhor remoção de DQO (55,9%) foi obtida em tempo
de reação de 30 minutos enquanto o efluente DQO diminuiu a 16,94 g/ L e remoção
da cor em 84%, quando a temperatura foi de 25ºC. Depois de 30 min, o aumento da
eficiência de remoção se tornou insignificante observou-se aumento de 1% na
remoção da DQO.
4.6 Processo Foto-Fenton
Oturan et. al. (2011) investigaram a ação do processo de degradação do
herbicida diuron pelo processo foto-Fenton. Os autores usaram como condições
iniciais do trabalho uma lâmpada de 12W de potência, solução de
(NH4)2Fe(SO4)2·6H2O como fonte dos íons Fe+2
numa solução de pH 3. Foram
utilizados 0,17 mM de diuron, a concentração de íons Fe+2
variou de 0,25mM a 2mM
e a concentração de peróxido de hidrogênio variou de 0 a 25 mM.
Os resultados do experimento indicaram as variáveis que aumentaram a
produção de •OH foram as concentrações de Fe+2
e H2O2. Para os experimentos com
concentração constante de íons férricos de 0,25 mM, o aumento da concentração de
peróxido de hidrogênio foi seguido pelo aumento da eficiência de mineralização de
71,4% para 85,6% e de 82,1% para 93,0% para duas horas e cinco horas de
tratamento, respectivamente. Para um aumento na concentração proporcional dos
íons férricos e peróxido de hidrogênio pode-se verificar ainda maior aumento na
mineralização, chegando a valores na faixa de 91% e 96% para duas e cinco horas de
tratamento, respectivamente. Segundo os resultados experimentais se pode verificar
que a taxa de degradação do herbicida diuron é aumentada na presença de H2O2,
16
sendo esse aumento da concentração de radicais hidroxila, aumentando a taxa de
degradação.
A degradação de resíduos agroquímicos foi estudada por Ahmed et. al. (2011).
Foram analisadas as seguintes variáveis: pH, carga do poluente inicial, concentração
de íon Fe+2
, concentração de H2O2, pH e temperatura. As condições experimentais da
entrada de efluente foram de 180-300 mgC/L , as concentrações de H2O2 foram
variadas entre 1,5 g/L e 3 g/L, a concentração de íons Fe+2
foi de 30 mg/L e , pH
mantido a 3 e utilizou-se uma lâmpada de vapor de mercúrio de baixa pressão de
40W.
Segundo os experimentos realizados, a combinação que melhor obteve
resultados em remoção de COT foram usando a concentração de H2O2 em 3g/l,
demonstrando que com o uso de Fe+2
combinado com a luz ultravioleta pode acelerar
a decomposição do peróxido de hidrogênio, aumentando a produção de radicais
hidroxila, favorecendo assim a decomposição dos resíduos agroquímicos.
Como outros POAs a reação foto-Fenton foi desenvolvida para degradar
efluentes que apresentam baixa degradação quando usado o método biológico
convencional. A melhoria mais importante no processo Fenton é a aplicação
adicional de luz, que foi baseada em descobertas da química atmosférica, onde
complexos férricos desempenham um papel fundamental na degradação de
substâncias orgânicas (BACH, SHEMER e SEMIAT, 2010). Nesse sentido o
chamado processo foto-Fenton foi introduzido como um método de tratamento de
efluentes.
Na reação chave do processo foto-Fenton íons Fe+2
são oxidados por H2O2,
enquanto um equivalente •OH é produzido alem do íon Fe+3
ou seus
hidroxicomplexos, que posteriormente irão reagir como a luz ultravioleta,
absorvendo a energia da luz ultravioleta outro radical, enquanto o Fe+2
é recuperado,
acelerando assim o processo de oxidação. A principal vantagem do processo foto-
Fenton é a sensibilidade à luz até um comprimento de onda de 600 nm (35% da
irradiação solar). As desvantagens são os baixos valores de pH necessários
(geralmente abaixo de pH 4) e a necessidade de remoção de ferro após a reação, mas
este problema podem ser contornado por imobilização de ferro, por exemplo, em
membranas (LIN, YUAN, et al., 2004).
17
A sistemática envolvendo as reações de formação de radicais hidroxila através
do processo foto-Fenton difere um pouco em relação aos outros métodos, devido a
formação de complexos de ferro que tem ação sobre as reações de formação dos
radicais hidroxila de acordo com as reações 2, 3, 4, 5, 6 e 7 abaixo (MOTA, 2005):
(2)
(3)
(4)
(5)
(6)
(7)
As reações de formação dos radicais hidroxila têm por principal etapa a
restauração dos íons Fe+2
através da redução dos íons Fe+3
através da decomposição
dos complexos de ferro, que conseguem absorver a luz ultravioleta em comprimentos
de onda maiores por serem coloridos quando em solução.
4.7 Redes Neurais Artificiais
4.7.1 Neurônios biológicos
Os neurônios biológicos são células presentes nos cérebros dos animais
evoluídos. Com aproximadamente 86 bilhões de neurônios (LENT, AZEVEDO, et
al., 2011), o cérebro humano é composto por uma vasta rede de neurônios
interligados entre si, controlando sensibilidade, movimentação, processos autônomos
e mentais, sendo o responsável pela sobrevivência do organismo.
Os neurônios são células destinadas a receber informações, processá-las e
gerar um estímulo resposta. São bilhões de neurônios executando tarefas
simultaneamente e de forma não-linear, adaptando as ligações entre si para que
possam satisfazer as exigências das ações em que estão atuando.
18
Os neurônios são facilmente diferenciados das células, por suas
peculiaridades: é dividido em três partes, cada um com sua função específica, porém
complementares: dentritos, que são responsáveis em receber as informações; soma ou
célula do neurônio é onde ocorrem a coleta e a combinação das informações que
serão combinadas; e por fim o axônio constituído de uma fibra tubular que pode
alcançar até alguns metros, e é responsável por transmitir os estímulos para outras
células ou mesmo outros órgãos ou músculos (LUNDY-EKMAN, 2008),
A figura 2 mostra os componentes típicos descritos num neurônio humano.
Figura 2: Componentes típicos de um neurônio. Fonte: (LUNDY-EKMAN, 2008)
4.7.2 Neurônio matemático
O neurônio similar ao neurônio natural recebe uma ou mais entradas e devolve
um sinal de saída que pode ser distribuído como sinal de rede . Cada neurônio recebe
um determinado número de sinais provenientes dos demais neurônios (x i),
totalizando assim um somatório de sinais. Esse somatório de sinais é assim
19
multiplicado pelos pesos sinápticos (w i) e enviados ao próximo neurônio. Essa
função se denomina função de combinação, representada pela letra γ na equação 8:
(8)
Após a soma dos sinais de entrada, a função de ativação é introduzida na
função de transferência, que tem por papel modelar e adaptar os dados ao modelo
matemático e impedir que os valores de saída dos neurônios se tornem muito altos.
As funções de transferência são conhecidas como funções não lineares.
Funções de transferência usadas para redes neurais são geralmente em forma de “s”.
Funções como tangente sigmóide ou hiperbólica, satisfazem os requisitos de ser não-
linear e limitada. (MARINI, BUCCI, et al., 2008)
Os três tipos de função de transferência mais utilizados em redes neurais
artificiais são (AMBRÓSIO, 2002):
1. Função de limiar: a saída do neurônio assume valor 0 quando seu resultado for
negativo, ou 1 quando seu resultado não for negativo (equação 9):
(9)
2. Função linear por partes: pode ser visto como um amplificador não linear
(equação 10):
(10)
20
3. Função Sigmóide: é
a função mais usada na construção de redes neurais artificiais, sendo a função
hiperbólica e a logística, as mais utilizadas (equações 11 e 12):
(11)
(12)
4.7.3 Breve histórico das RNAs
Redes Neurais Artificiais (RNA) são ferramentas de modelagem
computacionais que encontraram bastante aceitação na modelagem de problemas
complexos envolvendo relações não lineares entre as variáveis do sistema.
As RNAs tentam simular o funcionamento do cérebro humano através de
interconexões entre os neurônios da camada oculta que compõem essa rede.
As primeiras pesquisas relacionadas à redes neurais se deram na década de 40,
com o trabalho de McCulloch & Pitts (1943), onde juntam os conhecimentos da
neurofísica e da lógica matemática para descrever o cálculo lógico , dizendo que este
modelo descrevesse o neurônio como uma unidade de computação de limite linear
com múltiplas entradas e uma única saída de 0, se a célula nervosa se manivesse
inativa, ou 1, se a célula disparasse. O "disparo" ocorria sempre que a soma das
entradas excedia um limite especificado.
Mas somente em 1958 que Rosenblat t, foi capaz que construir uma rede
neural. Essa rede neural foi baseada no modelo perceptron, que produz uma saída 1
ou -1 dependendo dos pesos da combinação linear das variáveis de entrada.
Porém no final da década 60, Minsty & Papert (1969) publicaram um artigo
em que usavam essa mesma forma mais simples de neurônio artificial , o perceptron.
Foi demonstrado que o perceptron foi incapaz de representar funções simples que
eram linearmente inseparáveis, por exemplo, do problema (XOR) e que esses
problemas não eram solucionados adicionando mais de uma camada de neurônios nas
camadas intermediárias.
21
Em 1982, Hopfield introduziu dois conceitos-chave que permitiram superar
todas as limitações identificadas por Minsky e Papert: a não linearidade entre o total
de variáveis de entrada recebidos por um neurônio e a saída que ele produzida como
também a possibilidade de acoplamento de feedback das variáveis de saída com as de
entrada.
Desde então, as redes neurais têm tido um aumento de interesse, juntamente
com uma mudança de paradigma: nos últimos anos, existe maior interesse em redes
neurais como solucionadoras de problemas algorítmicos do que no seu
desenvolvimento tão preciso de representações do sistema nervoso humano. Nesse
sentido, elas estão sendo aplicadas com êxito através de uma extraordinária gama de
domínios de problemas, em áreas tão diversas como finanças, medicina, engenharia,
geologia, física e química.
Na verdade, em qualquer lugar que há existem de previsão, de classificação ou
de controle, redes neurais estão sendo introduzidas. As redes neurais artificiais são
ferramentas computacionais muito sofisticadas não-lineares capazes de modelar
funções extremamente complexas. Qualquer problema que tenha um conjunto de
dados de entrada e um correspondente conjunto de dados com resultados pode ser
representado por RNA (MARINI, BUCCI, et al., 2008).
Além disso, nas redes neurais a estrutura de dados é automaticamente
aprendida com dados representativos por meio de algoritmos de treinamento ,
oportunamente projetados e assim utilizados para gerar um modelo matemático que
poderá ser utilizado como modelo para a solução do problema.
4.7.4 Arquitetura das redes neurais
As conexões existentes entre os neurônios estão intimamente ligadas às
informações que são transmitidas entre eles. Existem diferentes tipos de redes que
podem ser usados para modelagem computacional. Essa variedade de redes, mostra
que o uso de RNAs para resolução de problemas de difícil resolução é evidente ,
quando comparados aos métodos usuais como, por exemplo, ajustes de função.
Dentro da arquitetura das RNAs é possível se usar diferentes funções de
transferências, diferentes configurações de neurônios e camadas de neurônios para se
chegar ao resultado esperado, cabendo ao usuário da RNA o ajuste dessas
informações (LUDWIG JR e COSTA, 2007).
22
A rede neural Perceptron é a arquitetura mais simples, apresentando apenas
um conjunto de neurônios de entrada e um de saída, sem haver nenhuma camada de
neurônios intermediária. É utilizado na classificação de padrões linearmente
separáveis (LUDWIG JR e COSTA, 2007).
A camada de entrada faz toda a troca e distribuição de sinais diretamente com
a camada de saída, por um número de neurônios iguais entre si.
O perceptron criado sob um único neurônio apresenta algumas dificuldades
em classificação de padrões que necessitem de duas ou mais classes de hipóteses
(HAYKIN, 1999).
A Figura 3 mostra como uma rede neural artificial de uma única camada é
estruturada.
Figura 3: Fluxo da informação em num neurônio tipo perceptron. Fonte: (ZUPAN, 2003).
Um dos tipos mais comuns de arquitetura de redes neurais é a rede
feedforward, onde a informação percorre somente na direção direta, da entrada para a
saída. Numa rede neural artificial, muitos layouts podem ser imaginados, dando
origem a diferentes tipos de redes neurais.
Numa rede neural feedforward de multicamadas, os neurônios são organizados
em três tipos: neurônios de entrada, da camada oculta e de saída. Os neurônios de
saída são os neurônios que fazem a compilação final dos dados da rede neural; os
neurônios da camada oculta são aqueles que fazem os cálculos e ajustes dos pesos; e
por fim os neurônios de entrada, que são os neurônios que distribuem as variáveis de
entrada para os neurônios da camada oculta (SILVA, BEZERRA e DE CARVALHO,
2010).
23
Como conseqüência, essa rede calcula tanto as funções das variáveis de
entrada quanto os componentes do vetor de saída; cada saída é uma função não -linear
(bias) calculada pelo neurônio de saída correspondente das informações calculadas
pelos neurônios ocultos.
A Figura 4 mostra como uma rede esquematicamente como uma rede artificial
neural feedforward é estruturada.
Figura 4: Estrutura de uma rede neural artificial feedforward. Fonte: (ZUPAN, 2003)
As redes back-propagation se distinguem das redes feedforward pela
existência da volta da informação processada às entradas de todos os neurônios.
O algoritmo de back-propagation procura minimizar os erros obtidos pela rede
ajustando os pesos através do gradiente descente dos erros.
Para melhor se compreender o processo de aprendizado, pode-se supor , por
exemplo, que cada combinação de pesos e limiares corresponda a um ponto na
superfície de resposta. Considerando que a altura de um ponto é diretamente
proporcional ao erro associado a este ponto , a solução está nos pontos mais baixos da
superfície, já que a derivada entre esses dois pontos é a menor possível entre todos
da superfície de resposta (BRAGA, CARVALHO e LUDEMIR, 2000).Considerando
essa diferença de altura, a rede back-propagation volta a informação da saída nas
camadas internas do neurônio, afim de procurar o ponto mais baixo no gradiente de
erros. A Figura 5 mostra como uma rede esquematicamente como uma rede artificial
neural é estruturada.
24
Figura 5: Fluxo da informação em uma rede neural do tipo back-propagation.
Fonte: (ZUPAN, 2003)
5.7.5 Aprendizado pelas RNAs
Nas redes neurais artificiais os problemas são conduzidos a treinamento,
validação e testes. Uma rede neural pode ser treinada pelos dados históricos de uma
série de tempo para capturar as características não-lineares da série em questão. O
treinamento de uma rede neural é baseado na adaptação de pesos w i j aplicados sobre
as informações entre as camadas de neurônicos, de forma a minimizar o erro
quadrático. Na equação 13 uma equação matricial de uma rede neural, onde as
variáveis de entrada são multiplicadas pelas matrizes de peso, resultando nas
variáveis de saída:
25
. = (13)
Onde xn são as variáveis de entrada, wi j a matriz com os pesos calculados pelo
programa que executará a rede neural e yn os resultados obtidos após os cálculos com
os pesos dos neurônios.
Uma vez realizados os treinos, a rede neural adapta os pesos wi j para obter um
melhor ajuste do erro final experimental, até que o erro final satisfaça as condições
iniciais que foram estabelecidas na criação da rede neural.
O processo de aprendizagem no contesto das RNAs, significa adaptação dos
pesos da rede para o valor das variáveis de entrada.Se o processo de aprendizado é
supervisionado, o processo de aprendizagem é controlado através das diferenças
entre as respostas desejadas (targets (rn)) e as respostas atuais (yn). Um método
simples de se medir a qualidade do ajuste realizado pela RNA é usando a raiz
quadrada do erro médio (RQM) apresentado na equação 14 (WACKERLY e
SCHEAFFER, 2008):
(14)
O objetivo do treino é obter o modelo que proporcionará o menor valor de
RQM possível. O menor valor de RQM deve ser obtido com os dados de validação,
não o erro obtido durando a fase de teste da RNA. Além dos erros experimentais,
existem outros erros que estão por trás e que influenciam na qualidade do
treinamento, como por exemplo, o design da RNA, as escolhas dos parâmetros
iniciais, adequação estatística ao conjunto de treinamento, entre outros.
O efeito do excesso de treinamento (overtraining) é um fenômeno causado
pelo fato de que o modelo ter muitos pesos e que, após certo período de aprendizado,
começam a adaptar-se para o ruído. Esta é uma indicação de que o layout escolhido
da rede neural pode não ser o melhor para o conjunto de dados disponível (ZUPAN,
2003).
O modelo não terá a capacidade de generalizar, porque é muito flexível
adaptando-se aos ruídos modificando a adaptação dos pesos e, conseqüentemente, a
26
saída a todos as respostas. Esta rede contém muitos pesos (graus de liberdade) e
adapta-se a todos os pequenos e não-essenciais desvios de respostas do conjunto de
treinamento que representam os dados.
A solução desta situação é empregar um terceiro conjunto de dados, chamado
conjunto de teste para provar a qualidade do modelo. O terceiro conjunto de teste não
deve ser composto de objetos usados em treinamento ou a fase de teste. Se a
validação do RQM obtido com o terceiro conjunto é dentro dos limites esperados,
pode-se dizer que o modelo da rede neural foi concluído com êxito.
4.7.6 Aplicações das redes neurais artificiais
O uso de redes neurais vem se tornando cada vez mais frequente na solução de
problemas de difícil complexidade, aproximação de funções, interpretação e
classificação de padrões, predições, séries temporais, segurança de processos contra
falhas entre muitas outras. Além disso, a procura pelo uso de redes neurais vem se
tornando cada vez mais comum em setores das mais diversas áreas, tais como:
medicina para o processamento de imagens, metereologia para predição das
condições climáticas, setor financeiro para avaliar risco de capitalização e séries
temporais, setor militar quanto o uso de armas inteligentes, aeronáutica como pilotos
automáticos e preditores das condições de vôo do avião, entre muitos outros (DE
MELLO, 2004).
Um dos usos das redes neurais é a aproximação de funções. A regressão
consiste na busca entre o relacionamento de dados de saída e de entrada. Quando se
tem as variáveis de saída, as correlações entre a saída e a entrada podem sofrer
variações de outras variáveis inerentes ao sistema. A regressão busca separar essas
variáveis inerentes e que interferem na saída do sistema, aproximando a função da
regressão linear ao modelo mais próximo da realidade (NIEVOLA, 2004).
Regressão multivariada não-linear é um dos campos onde redes neurais
artificiais são mais comumente aplicadas. Em particular, redes feedforward e back-
propagation podem ser usadas, cada uma delas apresenta suas vantagens e
desvantagens. A principal vantagem do uso de redes feedforward multicamadas para
a regressão é que eles possuem uma melhor capacidade de generalização , por esta
razão, eles são geralmente preferidas, quando problemas complexos são analisados
(MARINI, BUCCI, et al., 2008).
27
A modelagem de um processo ou propriedade é realizada principalmente com
a otimização do processo ou propriedades. A eficácia da otimização depende da
qualidade do modelo subjacente usado como a função de adequação (ou parte dele).
A influência das variáveis experimentais sobre as propriedades ou processos pode ser
obtida através de medições em linha, e geralmente há dados experimentais
suficientes para garantir a geração de um modelo confiável de RNA para predições
quantitativas das respostas para qualquer combinação das condições de entrada
(MEVAWALLA, MAY e KIEHLBAUCH, 2011).
Outro uso para as redes neurais é a classificação em padrões. Os objetos das
classificações são análises de dados das características dos objetos a serem avaliados,
como por exemplo, drogas, investigações criminais, espectros e estruturas de
substâncias químicas, etc. Do lado da saída os alvos são a origem dos produtos,
classes de qualidade definidas pelas normas de controle de qualidade, possíveis
status de equipamento analítico em que as análises devem ser feitas, etc. Os
problemas de classificação são divididos em duas classes: um objeto para uma classe
de classificação ou um objeto para várias classes de classificação. Um tipo comum de
classificação é a determinação geográfica de alimentos como azeite, café, vinhos. A
classificação pode ser aplicada no controle de qualidade dos produtos finais através
da sua microestrutura, monitorando o fluxo dos processos através de cartas de
controle. Em geral, para este tipo de classificação, cada objeto do grupo testado está
associado com várias classes para que a rede produza o correspondente número de
sinais na saída. O objetivo final é gerar uma rede que irá responder com a mesma
classificação dos neurônios de saída que corresponda à classe específica das
características dos dados de entrada (ZUPAN, 2003).
4.8 Análise Multivariada de Dados
Técnicas estatísticas são empregadas em quase todas as fases da vida.
Pesquisas são destinadas a recolher um resultado no dia da eleição e prever quem irá
ganhá-la, os consumidores são amostrados para fornecer informações sobre suas
preferências pelos produtos, médicos realizam experimentos para determinar o efeito
de várias drogas a fim de controlar as influências sobre seres humanos e obter o
tratamento adequado para várias doenças.
28
Técnicas estatísticas desempenham um papel importante na concretização do objetivo
de cada uma dessas situações práticas (HAIR JR., BLACK, et al., 2010).
A informação disponível hoje em dia para tomada de decisões é enorme, e só
continua a aumentar com o passar do tempo. Até recentemente muita s dessas
informações se „perdiam‟, pois não havia um uso correto. Hoje em dia a informação é
armazenada em banco de dados e pode ser utilizada para as mais diversas tomadas de
decisões.
Parte dessa informação pode ser analisada com estatística básica, porém a
maior parte dela necessita de uma estatística muito mais complexa, convert endo
esses dados em conhecimento (HAIR JR., BLACK, et al., 2010).
Com o desenvolvimento da área computacional, a demora em cálculos
complexos pode ser resumida a simples cliques, tornando o processo de análise
estatística empregável nas mais diversas áreas – acadêmica, governamental,
industrial, centros de pesquisa, entre outras.
Muitas das técnicas de análise multivariada são extensões da estatística
univariada (de uma única variável). As técnicas usadas da estatística univar iada
abrangem a análise de distribuição, referência cruzada, correlação, análise de
variância, regressão simples usando duas variáveis. Existem técnicas específicas para
análise multivariada, como por exemplo, regressão multivariada, fatores de análises e
análise discriminante.
Na literatura vários autores consideram a análise multivariada como uma
relação entre duas variáveis, entretanto, o verdadeiro significado da análise
multivariada é que todas as variáveis são randômicas e relacionadas entre si, de uma
maneira que seus diferentes efeitos não podem ser analisados se elas estiverem sendo
analisadas separadamente (HAIR JR., BLACK, et al., 2010).
O uso da análise multivariada e a dependência das combinações das variáveis
dependem da medida do erro. A medida do erro é o grau com que os valores
observados não representam a real situação proposta. A medida do erro tem várias
fontes, desde a entrada de dados até a imprecisão da medida tomada, portanto em
todos os valores utilizados para a análise multivariada de dados devem ser assumidas
medidas de erros (WACKERLY e SCHEAFFER, 2008).
Para assegurar que a medida dos erros não vá interferir drasticamente nos
resultados experimentais, os experimentos devem ser realizados de novamente e
29
devem ser válidos e confiáveis. Validade é o quanto a medida do experimento
representa ser o que realmente está acontecendo e confiabilidade é o grau com que a
medida observada é verdadeira e sem erros (WACKERLY e SCHEAFFER, 2008).
4.9 Distribuição Normal
O mais importante teste na estatística básica é a normalidade, tendo como
referência a forma da distribuição dos dados , seguindo a distribuição normal ou
gaussiana.
A distribuição normal é uma distribuição contínua de probabilidade que tem o
formato de um sino, comumente descrita pela equação 15 abaixo:
(15)
onde µ é a média dos dados analisados e σ é o desvio padrão da amostra.
A distribuição normal é considerada a distribuição mais usada na estatística.
Esta distribuição decorre do teorema do limite central, onde dentro de um conjunto
de variáveis aleatórias, elas são distribuídas da mesma forma entre si, tendendo ao
formato da distribuição normal (RYAN, 2009), sendo largamente usada em
amostragem.
Por descrever fenômenos que não tenham aleatoriedade é muito utilizada nas
estatísticas dos eventos de ciências naturais e sociais, como modelo para fenômenos
complexos.O método mais simples de caracterização para a normalidade de um
evento é de forma visual, através de um histograma que compara os valores
observados com a distribuição normal.
O histograma é uma representação gráfica de uma única variável e representa
a freqüência com que ela ocorre com dentro das categorias de dados. As freqüências
são plotadas para examinar a forma da distribuição dos valores. Para variáveis
contínuas, as categorias são formadas dentro da freqüência dos dados tabelados. Se a
utilidade do histograma é verificar se o experimento segue a distribuição normal,
então a curva normal é plotada juntamente com o histograma para avaliar a
correspondência dos dados (KUROKAWA e BORNIA, 2002).
4.9.1 Método de skewness e kurtosis
30
Quando os dados se distanciam da distribuição normal, a forma da distribuição
pode ser descrita de duas maneiras: skewness e kurtosis. Kurtosis se refere à
formação de picos ao achatamento da distribuição comparada com a distribuição
normal padrão. Distribuições que são mais altas ou que possuem um pico mais
elevado ao da distribuição normal (valor positivo de kurtosis) são denominadas
leptokurtic, por outro lado uma distribuição que é mais achatada (valor negativo de
kurtosis) é denominada platykurtic (MECKLIN e MUNDFROM, 2004).
Skewness é usado no balanço da distribuição: ela é deslocada para um dos dois
lados da distribuição (direita ou esquerda). Um valor positivo de skewness denota a
distribuição deslocada para direita, e um valor positivo, deslocada para a esquerda.
A estatística de amostra para a distorção multivariada é skewness é dada pela
equação 16:
(16)
onde n é o número de eventos da amostra, y i é o primeiro valor da amostra, S é o
desvio padrão , yj é o último valor da amostra e a média dos valores da amostra.
E a correspondente amostra estat ística para a distorção kurtosis é dada pela
equação 17:
(17)
onde n é o número de eventos da amostra, y i é o primeiro valor da amostra, S é o
desvio padrão , yj é o último valor da amostra e a média dos valores da amostra.
4.9.3 Teste de Anderson-Darling
O teste de Anderson–Darling foi a primeira proposta para reduzir os erros no
progresso estocástico por Anderson e Darling em 1952. Este teste usa uma estatística
da soma dos quadrados das diferenças entre as funções de distribuição empírica e
teórica com uma função de peso que enfatizou as discrepâncias em ambas as caudas
(SHIN, JUNG, et al., 2012).
31
Este é um teste de validade para verificar o ajuste da normalidade, como
também o ajuste para outras distribuições de probabilidade (HAIR JR., BLACK, et
al., 2010).
O teste de Anderson estabelece um critério de aceitação ou rejeição da
distribuição normal, considerando a hipótese:
H0: o conjunto das amostras segue uma distribuição normal
H1: o conjunto das amostras não segue uma distribuição normal
Para fins computacionais, destina-se a seguinte forma da equação 18:
(18)
onde F é a função de distribuição acumulado da distribuição normal; j é o valor da
j-ésima amostra ordenada e por fim xj são os valores ordenados das amostras.
A hipótese nula é rejeitada se o valor calculado é maior que o valor crítico.
4.10 Teste de Hipótese
O teste de hipótese consiste em teste para rejeitar ou aprovar o modelo
estatístico proposto. A rejeição consiste em supor que a hipótese seja falsa, de acordo
com as características estatísticas que apresenta, e a aprovação supõe que as
características estatísticas sejam coerentes com o modelo proposto (LEHMANN e
ROMANO, 2005).
Basicamente, se escolhem duas hipóteses de acordo com as necessidades
estatísticas, sendo elas aprovadas ou rejeitadas de acordo com o desempenho nos
testes.
A hipótese nula é assumida por ser a hipótese verdadeira do teste, e sempre
contém a comparação ou teste estatístico a ser feito . A hipótese alternativa é a
hipótese contrária, supondo ser errada a hipótese nula e geralmente é a hipótese que
o observador acredita ser a verdadeira, onde α representa a hipótese que se deseja
verificar como apresentação na equação 19.
(19)
32
Para se obter um método de comparação entre as hipóteses, geralmente é
usado o teste unicaudal, conhecido como teste z.O teste z de uma amostra é usado
para comparar a média de uma única amostra com valor esperado (a hipótese). A
hipótese para o teste vem de um valor hipotético ou observações em estudos
anteriores e não vem de dados atuais (LEHMANN e ROMANO, 2005). Além disso,
este teste é usado somente quando a população desvio padrão σ é conhecida a partir
da amostra dos dados. Este teste compara a média com o desvio padrão σ e a
quantidade de eventos na mostra n, mostrado na equação 20 abaixo:
(20)
Caso z seja ≥H0 então se aceita a hipótese de que a afirmação é verdadeira, e
caso o contrário rejeita-se a hipótese.
Porém ao se aceitar ou se rejeitar a hipótese podem ser cometidos dois tipos de
erros: erro do tipo I onde se rejeita a hipótese nula , sendo que ela deveria ser aceita
e o erro do tipo II onde se aceita a hipótese nula sendo que ela deveria ser rejeitada.
Como exemplo desses dois tipos de erros o teste de HIV para o erro do tipo II onde
ocorrem muitos casos de falso-positivos, aceitando a hipótese de a pessoa estar
contaminada com o vírus, mas na verdade não está necessitando de um segundo
exame para a confirmação e rejeição da hipótese nula. Por outro lado, o falso-
negativo, erro do tipo I, é quando a pessoa está contaminada, mas não desenvolveu
anticorpos a uma determinada doença, demonstrando a ausência dessa doença no seu
organismo.
Os valores p são usados para indicar se um resultado é ou não significativo . O valor
p, que é o ponto de corte e muitas vezes é definido em 0,05, denota a probabilidade
de obter um efeito igual ou mais extremo do que aquele observado, se a hipótese nula
for verdadeira. Embora o valor p reflita uma probabilidade, ele é freqüentemente
usado para efeitos de separação em duas partes (LIU e XU, 2010).
A avaliação do valor p é um ingrediente fundamental em testes de hipóteses
estatísticas. Maioria das vezes, o valor p pode ser obtido de acordo com a distribuição
assintótica da estatística de teste, quando o tamanho da amostra é suficientemente
grande. Mas em muitas aplicações, a distribuição assintótica é incerto devido ao
33
tamanho de amostra insuficiente ou não está disponível para estatísticas de teste
complicado. Procedimentos baseados em re-amostragem, como permutação, têm sido
amplamente utilizados para avaliar o valor de p em tais situações.
4.11 Outliers
Outliers são observações com uma combinação única de características
diferentes das outras observações. De um ponto de vista prático, os outliers têm
efeito na análise empírica , quando aumenta ou diminui drasticamente o valor de
comparação médio, aumentando o desvio padrão da amostra. Outro ponto é de que os
outliers devem ser vistos de uma forma representativa da amostra, mostrando que
eles devem ser retirados para não causar distorções na amost ra.
Outliers não podem ser categorizados como benéficos ou maléficos para uma
amostra, e sim devem ser vistos de acordo com o contexto das informações. Quando
benéficos os outliers mostram que o evento pode ocorrer de uma forma diferente da
vista. Em contrapartida pode ser maléfico quando não são representativos do evento,
ocasionando distorções na amostra, devendo ser então eliminados das amostras.
Eles podem ser classificados em quatro classes diferentes: A primeira classe
se refere à erros de procedimento, como erro de entrada de dados , e devem ser
eliminados.
A segunda classe de outliers ocorre como observação extraordinária de um
evento, como por exemplo, em eventos metereológicos quando ocorrem chuvas fora
do normal, ventos muito acima da média, terremotos devastadores. Esses eventos
anormais podem ser levados em conta a critério, como parte de medidas preventivas
em casos de acidentes, ou podem ser descartados por apresentarem valores muito
acima da média e ser de difícil acontecimento.
A terceira classe apresenta anomalias sem explicação no evento, porém que
podem representar um perfil válido para o evento em teste. Pode-se escolher por usar
ou não este tipo de outlier durante testes estatísticos.
E por final, a quarta classe de outliers contém observações que caem dentro do
range de valores observados para o evento, porem são únicos em suas combinações
com as variáveis do evento. Neste caso deve-se usar o valor do outlier como número
no evento, a menos que alguma evidência específica esteja disponível comprovando
que este outlier não é membro válido do evento.
34
Os outliers podem ser identificados pelo exame da distribuição das amostras
analisando aqueles pontos que ficam fora do range (baixo ou alto) da distribuição.
Na abordagem típica, primeiro se convertem os valores de dados padrão, que
tem uma média de 0 e um desvio padrão de 1. Sendo os valores expressos em um
formato padronizado, as comparações são mais fáceis de fazer.
Assim que os potenciais outliers são identificados, pode-se gerar perfis para
cada outlier identificando a(s) variável(is) responsável(is) pelo acontecimento do
outlier. Em adição a esta análise visual, podem-se usar métodos de análise
multivariada como análise discriminante ou regressão múltipla para identificar as
diferenças entre os outliers e as outras observações.
Depois que os outliers estão identificados e com seus perfis traçados, deve-se
decidir em reter ou remover os outliers. Segundo Hair Jr.et. al.( 2010) , os outliers
devem ser retidos a menos que demonstrem provas que sejam muito discrepantes e
que os outliers não sejam elementos representativos da amostra. Se eles
representarem um elemento da amostra, eles devem ser mantidos para assegurar a
generalização da amostra. Se deletados, corre-se o risco se limitar e generalização do
experimento.
35
5. METODOLOGIA
Partindo dos resultados de três autores da literatura que realizaram seus
trabalhos sobre os processos oxidativos avançados UV/H 2O2, Fenton e foto-Fenton,
serão analisados estatisticamente os dados obtidos pelos experimentos dos
pesquisados e em cima desses dados modeladas redes neurais com o auxílio do
software Matlab, para predição de um modelo de degradação oxidativa avançada para
os efluentes estudados nos experimentos desses três autores. Além disso, serão
avaliados os resultados obtidos pelas redes neurais comparados os valores simulados
com os resultados .
Para a construção das redes neurais serão inseridas como variáveis iniciais, as
variáveis que são apresentadas na tabela 5. E como variável de saída será utilizada a
porcentagem de degradação que os efluentes inicias sofreram durante o processo de
tratamento.
Tabela 5: Variáveis de entrada nos processos oxidativos avançados
Dados de entrada UV/H2O2 Fenton Foto-Fenton
pH X X X
Temperatura X X X
Concentração de íons Fe X X
Incidência de luz X X
Concentração de efluente X X X
Volume de H2O2 X X
36
6. MATERIAIS E MÉTODOS
A metodologia do trabalho envolve a análise de dados de trabalhos de outros
pesquisadores na área de processos oxidativos avançados. Serão analisadas as
variáveis iniciais de cada experimento a fim de se obter os dados necessários para
que se possam ser criadas tabelas com os valores dos resultados dos experimentos
dos autores em função das variáveis inicias que serão então usados para a simulação
da rede neural.
As variáveis iniciais que serão usadas para a simulação das redes neurais serão
apresentadas na tabela 5.
De acordo com as variáveis de entrada, serão montadas tabelas no programa
Excel, que serão utilizadas para inserir os dados no programa Matlab, o qual será
usado para a modelagem das redes neurais.
Como variável de saída das redes neurais, será utilizada a porcentagem de
degradação dos efluentes em COT.
Para as análises dos dados de entrada, será utilizado o software Minitab 16.1,
Software de análise de dados usando os princípios da estatística. Para a realização
das redes neurais, será utilizado o software Matlab conhecido por suas características
em simulação de processos, principalmente no campo de redes neurais.
Os dados para a realização das redes neurais serão retirados de três trabalhos,
sendo os autores: Moraes (2003), De et. al. (1999) e Mota (2005)
Em seu trabalho, Moraes (2003) realiza a foto degradação do fenol através do
uso do processo foto-Fenton. Inicialmente o autor usa uma solução de fenol de 0,037
mol/L , que segundo o auto é preparada adicionando 100 mL de fenol em 2,7L de
água. O pH da solução foi ajustado em 3 com o auxílio de ácido sulfúrico .
Procedidas estas etapas, a contagem do tempo de reação era iniciada, executando-se
simultaneamente, as adições das soluções de FeSO4.7H2O (volume de 100 mL) e de
H2O2 (volume de 100 mL), esta última adicionada lentamente por meio de uma
bomba peristáltica, durante as duas horas iniciais de experimento. Todos os
experimentos tiveram uma duração de três horas de reação em temperatura ambiente
a 30ºC sob iluminação UV através de uma lâmpada de mercúrio de 450W. As
amostras do experimento foram então analisadas através do aparelho marc a
37
Shimadzu modelo TOC-5000A , que faz a análise do carbono orgânico total da
amostra. Os experimentos foram realizados através de um planejamento
experimental, onde foram variados os níveis da concentração do fenol, íons Fe+2
e
H2O2. Os níveis escolhidos das variáveis estão na tabela 6 e as combinações do
planejamento experimental na tabela 7:
Tabela 6: Valores das concentrações das variáveis propostas por Moraes (2003) para o
planejamento experimental de seu experimento, envolvendo três níveis para cada variável.
[Fenol] (mg/L) [Fe+2
] (mM) [H2O2] (mM)
100 0,3 10
550 0,65 55
1000 1,0 100
Tabela 7: Resultado do planejamento experimental realizado por Moraes (2003) para a
realização dos experimentos de degradação do fenol através do processo foto-Fenton.
[Fenol] (mg/L) [Fe+2] (mM) [H2O2] (mM)
550 0,65 55
100 0,3 10
1000 0,3 10
100 0,3 100
1000 0,3 100
550 0,65 55
100 1 10
1000 1 10
100 1 100
1000 1 100
550 0,65 55
No trabalho de De et. al. (1999) os autores promoveram a degradação do fenol
através do processo UV/H2O2 utilizando uma solução de fenol e clorofenóis da
qualidade de grau PA que foram obtidos de Qualigens na Índia, H2O2 30% m/m da
qualidade de grau PA obtido a partir da Merck, Índia. Utilizaram uma dosagem de
UV de 24W/L em um reator de 3,4L , totalizando uma potência de 75W. Além disso,
a temperatura foi mantida na condição de operação de 27ºC, e o pH inicial da solução
38
mantido em 7 .Todas as soluções aquosas de substratos foram preparadas em água
destilada. Amostras do meio de reação foram retiradas posteriormente do reator e
diluídas usando água destilada para a análise do substrato. As amostras foram
analisadas através do espectrômetro da marca Shimadzu modelo UV-160A. Os
experimentos foram realizados de três modos, com incidência de luz UV e sem
adição de peróxido de hidrogênio, com adição de peróxido de hidrogênio e sem
incidência de luz UV e por fim com a incidência de luz UV e adição de peróxido. Os
experimentos foram realizados durante 60 minutos e em cada experimento foi variada
a concentração da solução de fenol e clorofenóis (solução de substrato) inicial e a
concentração da solução de peróxido de hidrogênio, com incidência ou não da luz
UV. Os níveis das variáveis estão apresentados na tabela 8.
Tabela 8: Níveis das variáveis propostas pelos autores De et. al. (1999) para a realização do
experimento de degradação de uma solução contendo fenol e clorofenóis através do
processo UV/H2O2.
UV (75W) [Solução de Substrato] (ppm) [H2O2] (ppm)
Ausência de luz UV
Incidência de luz UV
100
500
1000
0
600
3000
6000
O arranjo das variáveis para a realização dos experimentos realizados por De
et. al. (1999) se encontram na tabela 9.
Tabela 9: Arranjo das variáveis para que se pudessem ser realizados o experimentos de De
et. al. (1999).
UV (75W) [Solução de Substrato] (ppm) [H2O2] (ppm)
Ausência de luz UV 100 0
Ausência de luz UV 500 0
Ausência de luz UV 1000 0
Ausência de luz UV 100 600
Ausência de luz UV 500 3000
Ausência de luz UV 1000 6000
Incidência de luz UV 100 600
39
Incidência de luz UV 500 3000
Incidência de luz UV 1000 6000
No trabalho de Mota (2005) o autor estudou a degradação de uma solução de
fenol através do processo Fenton. Inicialmente foram usadas soluções de fenol
contendo 100 mg/L de fenol , solução de 1mM de Fe+2
e solução 300mM de H2O2. Os
experimentos foram conduzidos através da degradação de 100 mg/L durante 150
minutos , amostras foram analisadas através do aparelho da marca Shimadzu modelo
TOC 500A. Para a realização dos experimentos o autor propôs realizar os
experimentos através de um planejamento experimenta l, onde foi adotado um
planejamento de estrela, com cinco níveis para cada variável, a tabela 10 mostra os
níveis das variáveis propostas por Mota (2005).
Tabela 10: Níveis das variáveis propostas para o estudo da degradação do fenol pelo
processo Fenton proposto por Mota (2005).
[Fenol] (mg/L) [Fe+2
] (mM) [H2O2] (mM)
100
0,27 20
0,67 46,4
1,63 110
2,6 173,6
3 200
A tabela 11 mostra os arranjos experimentais obtidos pelo planejamento de
experimento de estrela realizado por Mota (2005).
40
Tabela 11: Arranjo experimental proposto por Mota (2005) através da análise de
experimento para a degradação de solução contendo fenol.
[Fenol] (mg/L) [Fe+2
] (mM) [H2O2] (mM)
100 0,27 110
100 3 110
100 0,67 46,4
100 2,6 46,4
100 0,67 173,6
100 2,6 173,6
100 1,63 200
100 1,63 110
100 1,63 20
100 1,63 110
Os dados obtidos pelos pesquisadores serão analisados quanto a estatística do
processo e serão posteriormente utilizados para que possam ser construídas as redes
neurais para cada processo em função das variáveis que foram apresentadas pelos
autores e esses mesmos dados serão utilizados para validar suas respectivas redes
neurais a fim de dar maior credibilidade ao uso das rede na descrição dos processos
oxidativos avançados.
41
7. RESULTADOS E DISCUSSÃO
A partir dos resultados obtidos pelos pesquisados (Anexo A) foram realizadas
primeiramente análises estatísticas nos dados para se conhecer a distribuição dos
dados em função da sua freqüência.
Pelos resultados apresentados pelos pesquisados os dados não apresentavam
uma distribuição padrão, também não seguiam a distribuição normal, formando
conjuntos aleatórios de dados como é de se esperar para a degradação nos processos
oxidativos avançados empregados.
No trabalho de Mota (2005) pode-se verificar através da figura 6 a alta
freqüência de degradações elevadas (acima de 80%) mostrando que os níveis das
variáveis propostas pelo autor e o planejamento experimental maximizaram a
degradação, favorecendo a diminuição da concentração do fenol e aumentando sua
mineralização. Além disso, através da análise estatística, pode-se verificar que a
média aritmética (onde se somam todos os valores e se divide pelo número de valores
somados) de degradação obtida por Mota (2005) foi de aproximadamente 53%, e
através da análise do intervalo de confiança, a média do experimento varia entre
46,6% a 60,9% de degradação mostrando que o nível de gradação do experimento
ficou em torno de 50%, ou seja, metade de carga orgânica inicialmente colocada para
reagir em duas horas foi totalmente convertida em CO2 e água, compostos sem
nenhuma toxicidade.
Pode-se observar também que os dados não seguem o padrão da normalidade,
sendo essa afirmação comprovada através do teste de Anderson-Darling, onde o valor
de p é menor que 0,05, ou seja, a chances dos valores de degradação seguirem a
distribuição normal são menos que 5%, ficando fora do intervalo de confiança, além
disso, pode-se perceber um achatamento da curva normal, comprovada pelo valor de
kurtosis que é de aproximadamente -1,41 que indique a normal está achatada em
relação a normal padrão. O valor de skewness é de aproximadamente -0,28 que indica
que a normal está muito pouco deslocada para a direita do seu valor médio (no caso
50% de degradação).
42
100806040200
20
15
10
5
0
20
15
10
5
0
Mediana
Média
807060504030
1º Q uartil 26,750
Mediana 57,200
3º Q uartil 86,825
Máximo 102,300
46,638 60,899
34,876 78,188
29,311 39,520
A -Q uadrado 3,43
P-V alor< 0,005
Média 53,768
Desv io Padrão 33,654
V ariância 1132,578
Skewness -0,28845
Kurtosis -1,41329
N 88
Mínimo 0,000
Teste de Normalidade de A nderson-Darling
95% C onfiança para Média
95% C onfiança para Mediana
95% C onfiança para Desv io Padrão95% Intervalo de Confiança
Sumário para conversão - Processo Fenton
Figura 6: Análise estatística do experimento de Mota (2005).
A figura 7 mostra os dados obtidos por De et. al. (1999) onde os autores
estudaram a degradação de uma solução contendo fenol e clorofenóis através do
processo UV/H2O2. Pela análise estatística realizada nos experimentos de De et. al.
(1999) nota-se uma grande freqüência nas degradações com baixo índice de
conversão, sendo isto comprovado pelo valor de skewness de aproximadamente 1,27
denotando que a curva normal está deslocada para a esquerda. Isso se deve ao curto
tempo (60 minutos) em que os experimentos foram realizados, evitando que a
maioria da quantidade dos compostos fenólicos inicialmente adicionados ao meio de
reação fosse degradada de forma expressiva. Pode-se destacar também que alguns
dos experimentos foram realizados somente com a luz ultravioleta, sem a adição do
peróxido de hidrogênio, ocorrendo a formação de baixa quantidade de radicais
hidroxila, provenientes somente de algumas quebras das moléculas de água, e
conseqüentemente a pequena taxa de degradação. Além disso, a média de degradação
do experimento ficou em torno de 27%, abaixo da média atingida por Mota (2005)
quando usado o reagente de Fenton. O deslocamento da curva normal apresentada na
figura 7 evidencia a baixa quantidade dos compostos que foi degrada como também o
valor de baixa freqüência de experimentos que conseguiram maior degradação. Os
experimentos que conseguiram maior degradação utilizaram menores concentrações
de reagente e concentração de H2O2 de 600 ppm com a incidência de luz UV. Logo,
como a carga orgânica inicial foi baixa, os radicais hidroxila formados durante o
43
processo puderam atacar as moléculas mais eficientemente e aumentar a taxa de
degradação.
100806040200
10,0
7,5
5,0
2,5
0,0
10,0
7,5
5,0
2,5
0,0
Mediana
Média
353025201510
1º Q uartil 4,325
Mediana 18,900
3º Q uartil 37,025
Máximo 97,500
17,800 36,672
8,962 25,897
22,620 36,379
A -Q uadrado 2,34
P-V alor< 0,005
Média 27,236
Desv io Padrão 27,889
V ariância 777,781
Skewness 1,27095
Kurtosis 0,58507
N 36
Mínimo 1,000
Teste de Normalidade de A nderson-Darling
95% C onfiança para Média
95% C onfiança para Mediana
95% C onfiança para Desv io Padrão95% Intervalo de Confiança
Sumário para conversão - Processo UV/H2O2
Figura 7: Análise estatística do experimento de De et. al. (1999).
Os experimentos de Moraes (2003) foram analisados estatisticamente e os
resultados apresentados na figura 8. Os experimentos de Moraes (2003) apresentaram
alta freqüência quanto à baixa degradação do fenol como reagente inicial. A análise
desses resultados pode ser feita através da figura 8, onde se percebe visualmente o
aumento da freqüência em relação a valores de baixa conversão e ao deslocamento da
curva normal para a esquerda, deslocamento comprovado pelo valor de skewness de
aproximadamente 0,94 mostrando que a curva normal está deslocada para a esquerda.
Além disso, a média de degradação dos experimentos ficou na faixa de 32%, abaixo
dos valores de Mota (2005) citado acima, mostrando que as variáveis propostas por
Moraes (2003) não atenderam às necessidades do processo foto -Fenton para uma
degradação satisfatória.
O baixo rendimento obtido por Moraes (2003) pode ser atribuído a alta
concentração de fenol inicialmente proposta pelo pesquisador, e pela pequena
quantidade de íons Fe+2
e H2O2 que foram introduzidos inicialmente, formando uma
baixa concentração de radicais hidroxila e posteriormente não degradando de forma
tão eficaz o composto inicial. Entretanto se pode notar alguns valores com alta taxa
de degradação, valores de degradação que foram atingidos através da degradação de
concentrações iniciais menores de fenol e maiores concentrações de íons Fe+2
e
44
H2O2, produzindo maior quantidade de radicais hidroxila e aumentando a taxa de
degradação. Ressalta-se também que esse experimento ut ilizou uma alta potência de
luz UV para a geração de radicais hidroxila, mas sem muito sucesso já que a maioria
dos resultados apresentaram baixa degradação.
9075604530150
9075604530150
Mediana
Média
353025201510
1º Q uartil 5,628
Mediana 16,428
3º Q uartil 59,882
Máximo 97,122
25,971 37,357
12,506 22,483
29,500 37,617
A -Q uadrado 10,10
P-V alor< 0,005
Média 31,664
Desv io Padrão 33,065
V ariância 1093,269
Skewness 0,946477
Kurtosis -0,653028
N 132
Mínimo 0,000
Teste de Normalidade de A nderson-Darling
95% C onfiança para Média
95% C onfiança para Mediana
95% C onfiança para Desv io Padrão95% Intevalo de Confiança
Sumário para conversão - Processo foto-Fenton
Figura 8: Análise estatística do experimento de Moraes (2003).
Na figura 9 foi produzido um gráfico através das médias das conversões de
degradação nos tempos de reação propostos por cada autor. Os valores foram
plotados em forma de gráfico de conversão em função do tempo. Nota -se que o
processo que obteve maior degradação foi o processo Fenton, realizado por Mota
(2005). Se verifica que as três curvas do experimento apresentaram um perfil de
curva logarítmica, levando a conclusão de que a partir de um certo período de tempo,
a degradação do fenol através do processo oxidativo avançado é muito pequena ,
necessitando de intervalos de tempo muito grandes para que se possa alcançar
aumentos significativos na degradação. Outro ponto que se pode ressaltar é que at é
aproximadamente 10 minutos de reação, todos os processos apresent avam conversões
muito próximas devido à cinética de formação inicial de radicais hidroxila, já que
após os 10 minutos, cada experimento apresentou uma variação na velocidade de
45
degradação, o que pode ser deduzido que a cinética dos processos para a degradação
dos compostos não é a mesma.
200150100500
90
80
70
60
50
40
30
20
10
0
Tempo (min)
Po
rce
nta
ge
m m
éd
ia d
e d
eg
rad
açã
o (
%)
Fenton - Mota (2005)
Foto Fenton - Moraes (2003)
UV/H2O2 - De et. al. (1998)
Processos Oxidativos
Degradação média (%) em função do tempo (min)
Figura 9: Degradação média entre os processos oxidativos avançados em função do tempo.
Em posse dos dados obtidos através dos experimentos realizados pelos autores
Moraes (2003), Mota (2005) e De et. al. (1999) foram construídas redes neurais para
cada processo oxidativo avançado a fim de propor um modelo matemático que se
adequasse as condições experimentais de cada processo e tendo como resultado a
porcentagem de degradação em cada processo.
As redes neurais foram criadas pelo através do programa Matlab, sendo
treinadas por 10000 épocas, com uma possibilidade de falha de 100 vezes e erro
quadrático máximo de 0,00005. Foram criadas três redes neurais para cada processo
oxidativo avançado.
Os dados obtidos através da rede neural para a modelagem dos dados dos
experimentos de Mota (2005) é apresentada na tabela 12 onde se encontram os pesos
para os neurônios da camada oculta. Através dos pesos dos neurônios, a rede
consegue construir um modelo matemático que se adéqua aos dados experimentais.
Esse modelo matemático é apresentado na figura 10, onde se apresentam os gráficos
com os coeficientes de correlação para o treinamento, validação e teste da rede
neural. A rede foi executada durante 109 épocas, atingindo a possibilidade máxima
de falhas, com um gradiente de erro de 0,618.
46
Tabela 12: Valores dos pesos dos neurônios para a rede neural do processo Fenton.
Neurônios
Bias
Parâmetro 1º 2º 3º
Concentração Fenol (mg/L) 1,256 1,340 1,545 -2,526
Fe+2
(mmol/L) -0,129 -0,158 1,252 1,5767
H2O2 (mmol/l) -1,307 1,580 -0,921 -0,9306
Tempo (min) -2,210 -1,660 -1,505 -1,9902
Temperatura (ºC) -2,913 0,402 0,666 -1,2324
pH 2,496 -1,521 -0,322 2,133
Figura 10: (a) Ajuste linear dos dados do processo Fenton pelo treinamento da rede neural;
(b) validação da rede neural com pontos experimentais; (c) teste da rede neural com pontos
experimentais; (d) gráfico geral com o ajuste de curva para o experimento utilizando o
processo Fenton.
(a) (b)
(c) (d)
47
Segundo o modelo da rede neural para o processo Fenton, a equação
determinada pela rede neural para a descrição dos experimentos de Mota (2005) pode
ser descrita pela equação 20:
(20)
A figura 11 mostra um gráfico comparativo entre os valores médios dos
tempos para os experimentos realizados e para os dados gerados através do modelo
da rede neural. Além disso, pela análise matemática utilizando o software Minitab se
pode dizer que os dados simulados apresentam um valor de correlação de 98,7%
(figura 12), o que nos indica que há uma grande correlação entre os dados, indicando
que a possibilidade dos dados obtidos pela rede neural estarem 1,3% errados,
assumindo significância de 95%. Logo se pode dizer que a rede neural simulada
através dos dados obtidos por Mota (2005) pelo software Matlab tem uma boa
descrição dos valores do processo experimental Fenton.
160140120100806040200
90
80
70
60
50
40
30
20
10
0
Tempo (min)
De
gra
da
çã
o (
%)
Fenton (experimental)
Fenton (rede neural)
Gráfico Fenton (experimental); Fenton (rede neural) vs Tempo
Figura 11: Gráfico comparativo entre os valores experimentais e os modelados
matematicamente pela rede neural para o processo Fenton.
48
Figura 12: Coeficiente de correlação obtido software Minitab para os dados experimentais e
simulados do processo Fenton.
Nos experimentos de Moraes (2003), realizados através do processo de foto-
Fenton, encontraram-se os pesos das conexões entre os neurônios e estes estão
apresentados na tabela 13. A rede foi executada durante 938 épocas, atingindo o
número máximo de erros permitidos e com um gradiente de er ro de 0,582.
Tabela 13: Valores dos pesos dos neurônios para a rede neural do processo foto -Fenton.
Neurônios
Bias Parâmetro 1º 2º 3º 4º
Concentração Fenol (mgC/L) 1,2188 1,4238 -6,5292 -0,25802 -6,0379
Fe+2
(mmol/L) -3,6092 6,5241 -4,0673 7,2086 -2,974
H2O2 (mmol/L) -1,0125 0,55385 0,15811 0,17958 -3,0206
Tempo (min) 0,32219 -0,00128 -0,09096 1,7282 3,7204
O modelo matemático simulado pela rede neural foi avaliado quanto ao
coeficiente de correlação para o treinamento, validação e teste dos dados
experimentais usados. Tais testes estão apresentados na figura 13.
Como apresentado na figura 13, a equação matemática simulada pela rede
neural para a degradação da solução de fenol utilizando o processo foto -Fenton
realizada pelo autor Moraes (2003) é a apresentada na equação 21.
(21)
49
Figura 13: (a) Ajuste linear dos dados do processo foto-Fenton pelo treinamento da rede
neural; (b) validação da rede neural com pontos experimentais; (c) teste da rede neural com
pontos experimentais; (d) gráfico geral com o ajuste de curva para o experimento utilizando
o processo foto-Fenton.
Na figura 14 está um gráfico comparativo entre as médias dos valores das
degradações nos tempos de reação entre os valores experimentais e os valores
obtidos através da simulação para os experimentos realizados por Moraes (2003).
Percebe-se que as duas curvas estão muito próximas uma da outra, evidenciando que
os dados simulados são consistentes com os dados reais. Para a comprovação dessa
veracidade, executou-se uma análise de correlação entre os dados reais e simulados,
através do software Minitab. Os resultados obtidos encontram-se na figura 15. Pelo
teste realizado a correlação entre os dois dados é de 99,4% assumindo 95% de
(a) (b)
(c) (d)
50
significância, ou seja, a chance de os valores simulados pela rede neural serem falsos
e estar se assumindo por verdadeiros é de 0,6%.
200150100500
60
50
40
30
20
10
0
Tempo (min)
De
gra
da
ção
(%
)
Foto Fenton (experimental)
Foto Fenton (rede neural)
Gráfico Foto Fenton (exp); Foto Fenton (rede) vs Tempo
Figura 14: Gráfico comparativo entre os valores experimentais e os modelados
matematicamente pela rede neural para o processo foto- Fenton.
Figura 15: Coeficiente de correlação obtido software Minitab para os dados experimentais e
simulados do processo foto-Fenton.
Os experimentos realizados por De et. al. (1999) também foram simulados
através de rede neural e os resultados dos pesos sinápticos encontrados para os
neurônios da camada oculta apresentados na tabela 14. A rede foi treinada durante
100 épocas, atingindo um gradiente de erro de 0,00854 na 100ª validação realizada.
51
Tabela 14: Valores dos pesos dos neurônios para a rede neural do processo UV/H 2O2.
Neurônios
Bias
1º 2º 2º 2º
UV 1,2034 -4,7725 5,1222 0,12093 -1,8661
Concentração Fenol (ppm) 2,4786 -1,0325 1,5686 1,4043 -0,33837
H2O2 (ppm) -0,04163 1,5835 1,8308 0,82336 0,81037
Tempo 1,6564 1,0706 -2,4789 0,26714 0,13655
Temperatura (ºC) 0,19983 -0,58809 0,28345 2,7703 0,93382
pH -0,66155 0,60795 1,694 0,92691 -2,1772
Pelo modelo matemático estabelecido pela rede neural para os experimentos
de De et. al. (1999) a equação que determina a porcentagem de degradação dos
compostos fenólicos presentes na solução inicial pode ser dada através da equação
22.
(22)
Para obtenção da rede neural e ajuste dos pesos apresentados na tabela 15, a
rede neural teve de simular os dados. Sendo assim, houve o treino, validação e teste
da rede neural com os dados que foram inseridos e obtidos através do experimento do
autor. A figura 16 ilustra os resultados obtidos nas etapas de aprendizagem da rede
neural.
Com os dados obtidos pela rede neural, foi executada a análise de correlação
entre os dados experimentais e os dados simulados através do software Minitab. Os
resultados da correlação entre os dados experimentais e simulados foi de 99% com
uma significância de 95%, sendo assim os dados obtidos com o uso da rede neural
descrevem com muita eficácia os dados experimentais obtidos através da degradação
da solução contendo fenol e clorofenóis realizados por De et. al (1999). Esse
resultado se encontra na figura 17.
52
Figura 16: (a) Ajuste linear dos dados do processo UV/H2O2 pelo treinamento da rede
neural; (b) validação da rede neural com pontos experimentais; (c) teste da rede neural com
pontos experimentais; (d) gráfico geral com o ajuste de curva para o experimento
utilizadando o processo UV/H2O2
Figura 17: Coeficiente de correlação obtido software Minitab para os dados experimentais e
simulados do processo UV/H2O2.
(a) (b)
(c) (d)
53
A figura 18 apresenta um gráfico com as médias dos valores das degradações
nos tempos de reação entre os valores experimentais e os valores obtidos na
simulação do processo UV/H2O2. Nota-se que os resultados obtidos pela rede neural
são bem próximos dos reais, comprovando o coeficiente de correlação obtido na
figura 17.
6050403020100
40
35
30
25
20
Tempo (min)
De
gra
da
çã
o (
%)
UV/H202 (experimental)
UV/H2O2 (rede neural)
Gráfico UV/H202 (experimental); UV/H2O2 (rede neural) vs Tempo
Figura 18: Gráfico comparativo entre os valores experimentais e os modelados
matematicamente pela rede neural para o processo UV/H 2O2.
De posse dos coeficientes de correlação das redes neurais, construiu -se a
tabela 15 para se determinar qual dos três processos se adequou melhor ao uso de
redes neurais como método de modelagem matemática.
Tabela 15: Comparativo entre as simulações dos processos oxidativos avançados através de
rede neural artificial.
Processos oxidativos R² Épocas Gradiente de erro Correlação
Fenton 0,98218 109 0,618 0,987
Foto-Fenton 0,98156 938 0,582 0,994
UV/H2O2 0,98991 100 0,00854 0,990
54
Através da tabela 15, pode-se dizer que o experimento que mais se adaptou à
simulação por rede neural foi o experimento realizado por De et. al. (1999). Os dados
da rede neural construída obtiveram os melhores R² e também os menos gradientes de
erro, significando que o modelo proposto para esse tipo de experimento é altamente
confiável.
Os experimentos realizados pelos processos Fenton e foto -Fenton tiveram
também coeficientes de correlação e R² altos, o que indica que os modelos
matemáticos propostos para esses experimentos também podem ser considerados
aceitáveis como modelos para descrição desses processos de oxidação.
Contudo não se pode dizer qual dos três processos representou melhor
degradação em relação ao fenol, já que as condições experimentais empregadas em
cada processo foi diferente, e até mesmo a solução inicial não foi a mesma, já que De
et. al. (1999) utilizaram uma solução contendo fenol e clorofenóis, o que pode variar
os resultados quando comparados à degradação do processo.
55
8. CONCLUSÃO
Os processos os oxidativos avançados UV/H2O2, Fenton e foto-Fenton se
mostraram de grande aplicabilidade na degradação de compostos fenólicos,
reduzindo a carga inicial do poluente. Pelos experimentos realizados, as condições
que demonstraram a maior degradação foram as dos experimentos realizados p or
Mota (2005). Nos experimentos realizados pelo autor se consegue atingir até 90% de
degradação da carga inicial do reagente em 150 minutos. Pode-se dizer que as
condições aplicadas por Mota (2005) tiveram grande influência no estudo da
degradação, já que este foi o experimento que apresentou maior degradação em
relação aos três processos analisados. As condições inicias dos outros dois
experimentos (Moraes (2003) e De et. al. (1999)) podem não ter sido favoráveis à
degradação do processo, desfavorecendo a produção de radicais hidroxila e
diminuindo a taxa de degradação.
Pelos trabalhos dos três autores ficou evidente a importância da formação dos
radicais hidroxila no processo de degradação do fenol. Quanto maior a concentração
de radicais gerados, maior a degradação atingida. Vale ressaltar que a forma da curva
de degradação pelos processos oxidativos avançados apresentou perfil logarítmico,
demonstrando que para valores muito altos de tempo, a conversão permanece a
mesma. Sendo assim, para se atingir maiores conversões devem ser variadas as
condições do experimento, por exemplo, maior concentração de íons Fe+2
, maior
concentração de peróxido de hidrogênio, assim como menor concentração de fenol (o
que pode ser viável em casos de tratamentos industriais de efluentes que se deseja
tratar altas concentrações de efluentes , assim se consegue atingir maiores níveis de
degradação). Contudo ao se variar as concentrações dos reagentes iniciais, pode -se
encarecer o processo, sendo inviável uma futura passagem de um projeto de bancada
para um projeto industrial.
Outro ponto que se destacou nos experimentos foi que em pequenos tempos de
reação, as degradações médias das soluções iniciais foram praticamente as mesmas, o
que evidencia que a cinética para os três processos em pequenos tempos, tem a
mesma característica, além do que , para altos tempos a cinética se mostrou muito
parecida , com perfil logarítmico como dito a cima, mostrando que a cinética de
degradação dos três processos analisados tem características muito semelhantes e que
são dependentes da concentração do radical hidroxila, já que para cada processo
56
houve uma taxa de degradação diferente evidenciando que a produção de radicais
hidroxila foi diferente devido as condições iniciais dos processos.
Pode-se dizer que utilização de redes neurais nos processos oxidativos
avançados consegue simular de forma satisfatória as condições experimentais que são
utilizadas em tais processos. Somente com regressões lineares ou regressões
multivariadas não se conseguem obter modelos que descrevem matematicamente com
certo de grau de confiabilidade o processo oxidativo avançado em geral. Neste caso
faz-se a necessidade de usar simulações matemáticas mais robustas que consigam
assimilar as interações entre as variáveis. Logo o uso de redes neurais provou-se
eficiente modelando os processos oxidativos UV/H2O2, Fenton e foto-Fenton,
obtendo altos valores de correlação entre os resultados experimentais e os resultados
simulados através das redes neurais. Vale ressaltar também que o modelo matemático
que foi desenvolvido para cada experimento tem por característica de emprego
somente o processo oxidativo para qual foi desenvolvido, não podendo ser usado
para outros tipos de processo oxidativo. Essa característica se dá devido ao fato dos
pesos ajustados pela rede neural serem diferentes para cada conjunto de variáveis
inicias que são inseridas na rede neural, portanto conjuntos de variáveis que diferem
entre si e que tenham interações diferentes entre si, não podem ser usadas em
modelos para os quais não foram aplicadas anteriormente.
Dentre as redes neurais que foram construídas a rede neural que mais se
destacou foi a rede construída para o processo UV/H2O2 utilizando os dados dos
autores De et. al. (1999). Essa rede teve o maior coeficiente de correlação linear com
os dados obtidos, apresentou o menor gradiente de erro e ainda foi a segunda melhor
rede com coeficiente de correlação entre os dados experimentais e os dados
simulados. Com um menor número de dados experimentais, mais difícil seria para a
rede neural conseguir validar e testar o modelo matemático, contudo a rede neural
para o processo UV/H2O2 conseguiu atingir melhor desempenho em relação as outras
duas.
57
9. REFERÊNCIAS BIBLIOGRÁFICAS
AHMED, B. et al. Photo-Fenton Treatment of Actual Agro-Industrial Wastewaters.
Industrial & Engineering Chemistry Research , 2011. p. 6673–6680.
AMBRÓSIO, P. E. Redes neurais artificiais no apoio ao diagnóstico diferencial
de lesões intersticiais pulmonares. Universidade de São Paulo. Ribeirão Preto.
2002.
AYGÜN, A.; YILMAZ, T.; NAS, B. Removal of COD and colour from young
municipal landfill leachate by Fenton process. Environmental Technology, 14
Dezembro 2010. p. 1635-1640.
BABUPONNUSAMI, A.; MUTHUKUMAR, K. Advanced oxidation of phenol:A
comparison between Fenton,electro-Fenton,sono-electro-Fenton and photo-electro-
Fenton processes. Chemical Engineering Journal, 2012. p. 1-9.
BACH, A.; SHEMER, H.; SEMIAT, R. Kinetics of phenol mineralization by Fenton-
like oxidation. Desalination, Abril 2010.
BAUTISTA, P. et al. Highly stable Fe/γ-Al2O3 catalyst for catalytic wet peroxide
oxidation. J Chem Technol Biotechnol, 86, Novembro 2011. p. 497–504.
BRAGA, A. D. P.; CARVALHO, A. P. D. L. F. D.; LUDEMIR, T. B. Redes Neurais
Artificiais: Teoria e Aplicações. Rio de Janeiro: LTC, 2000.
COELHO, P. T. Estudo da degradaçãode Fenol e seus intermediários pelo
processo UV/H2O2. Universidade de São Paulo. São Paulo, p. 112. 2011.
CORSOLINIA, S. et al. Persistent organic pollutants in edible fish: a human and
environmental health problem. Microchemical Journal, 79, 2005. p. 115-123.
DE MELLO, M. T. Aplicação de Redes Neurais Artificiais no Processo de
Precificação de Ações. Universidade Federal de Pelotas. Pelotas. 2004.
58
DE, A. K. et al. Estimation of OH radical reaction rate constants for phenol and
chlorinated phenols using UV/H2O2 photo-oxidation. Journal of Hazardous
Materials B, 64, 1999. p. 91-104.
DUESTERBERG, C. K.; WAITE, T. D. Process optimization of fenton oxidation
using kinetic modeling, 40, 2006. p. 4189-4195.
FREIRE, R. S. et al. Novas tendências para o tratamento de resíduos industriais
contendo espécies organocloradas. Química Nova, 23, n. 4, 2000. p. 504-511.
GOGATE, P. R.; PANDIT, A. B. A review of imperative technologies for wastewater
treatment I: oxidation technologies at ambient conditions. Advances in
Environmental Research, 8, 2004. p. 501–551.
GOI, A.; TRAPIDO, M. Hydrogenperoxidephotolysis, Fenton reagent and photo-
Fenton for the degradation of nitrophenols: a comparative study. Chemosphere, 46,
Fevereiro 2002. p. 913–922.
GUERRA, R. Ecotoxicological and chemical evaluation of phenolic compounds in
industrial effluents. Chemosphere, 44, 2001. p. 1737.
HAIR JR., J. J. et al. Multivariate Data Analysis. 7. ed. [S.l.]: Pearson, 2010.
HAYKIN, S. Redes Neurais: princípios e práticas. 2ª. ed. São Paulo: ARTMED
EDITORA S.A., 1999.
HOPFIELD, J. Neural networks and physical systems with emergent collective
computational abilities. Proc. Natl. Acad. Sci. U. S. A. , n. 79 (8), p. p 2554–2558,
1982.
JUNG, Y. J. et al. Removal of amoxicillin by UV and UV/H2O2 processes. Science
of The Total Environment , 420, 15 Março 2012. p. 160–167.
59
KAVITHA, V.; PALANIVELU, K. The role of ferrous ion in Fenton and photo-
Fenton processes for the degradation of phenol. Chemosphere, 55, 2004. p. 1235–
1243.
KHAMARUDDIN, P. F.; BUSTAM, M. A.; OMAR, A. A. Using Fenton’s Reagents
for the Degradation of Diisopropanolamine: Effect of Temperature and pH.
International Conference on Environment and Industrial Innovation. Cingapura:
IACSIT Press. 2011. p. 12-17.
KUROKAWA, E.; BORNIA, A. C. Utilizando o Histograma como uma ferramenta
estatística de análise da produção de água tratada de Goiânia. XXVIII Congresso
Interamericano de Ingeniería Sanitaria y Ambiental. Cancún: [s.n.]. 2002.
LEHMANN, E. L.; ROMANO, J. P. Testing statistical hypotheses. 3ª. ed. Nova
Iorque: Springer, 2005.
LENT, R. et al. How many neurons do you have? Some dogmas of quantitative
neuroscience under revision. European Journal of Neuroscience, 35, 13 Dezembro
2011. p 1-9.
LIN, K. et al. Kinetics and Products of Photo-Fenton Degradation of Triazophos.
Journal of Agricultural and Food Chemistry , 52, 2004. p. 7614−7620.
LIU, X.; XU, X. A new generalized p-value approach for testing the homogeneity of
variances. Statistics & Probability Letters, 80, Outubro 2010. p. 1486–1491.
LUDWIG JR, O.; COSTA, E. M. M. Redes Neurais: Fundamentos e Aplicações com
Programas em C. Rio de Janeiro: Editora Ciência Moderna Ltda, v. I, 2007.
LUNDY-EKMAN, L. Neurociência: Fundamentos para a reabilitação. Tradução de
Fernando Diniz Mundim;., et al. Rio de janeiro: Elsevier Editora Ltda., 2008.
MARINI, F. et al. Artificial neural networks in chemometrics: History,examples and
perspectives, Roma, n. 88, 2008. p. 178-185.
60
MCCULLOCH, W. S.; PITTS, W. H. A logical calculus of the ideas imminent in
nervous activity. Bull. Math. Biophys, n. 5, 1943. p 115-133.
MECKLIN, C. J.; MUNDFROM, D. J. An Appraisal and Bibliography of Tests for
Multivariate Normality. International Statistical Review, Netherlands, 72, 2004. p.
123-138.
MEVAWALLA, Z. N.; MAY, G. S.; KIEHLBAUCH, M. W. Neural Network
Modeling for Advanced Process Control Using Production Data, 24, n. 2, Maio 2011.
p. 189-189.
MINSKY, M.; PAPERT, S. Perceptrons: An Introduction to Computational
Geometry. 3ª. ed. Cambridge: MIT Press, 1987.
MISHRA, V. S.; MAHAJANI, V. V.; JOSHI, J. B. Wet Air Oxidation. Industrial &
Engineering Chemistry Research, 34, 1995. p. 2-48.
MORAES, J. E. F. D. Aplicação do Processo foto-Fenton na Degradação de
Efluentes Industriais Contendo Poluentes Orgânicos. Universidade de São Paulo.
São Paulo. 2003.
MOTA, A. L. N. Desenvolvimento de um Reator Fotoquímico Aplicável no
Tratamento de Efluentes Fenólicos Presentes na Indústria do Petróleo .
Universidade Federal do Rio Grande do Norte. Rio Grande do Norte. 2005.
NAGEL-HASSEMER, M. E. et al. Processo UV/H2O2 como pós-tratamento para
remoção de cor e polimento final em efluentes têxteis. Química Nova, São Paulo, v.
35, p. p. 900-904, 2012.
NIEVOLA, J. C. Redes Neurais Artificiais. 1. ed. Porto Alegre: Editora da
Sociedade Brasileira de Computação - ESBC, v. 1, 2004. p. 1-50 p.
OTURAN, M. A. et al. Oxidative degradation of herbicide diuron in aqueous medium
by Fenton‟s reaction based advanced oxidation processes. Chemical Engineering
Journal, 171, 2011. p. 127-135.
61
PIMENTEL, M. et al. Phenol degradation by advanced electrochemical oxidation
process electro-Fenton using a carbon felt cathode, 83, Outubro 2008. p. 140–149.
PONTES, R. F. F. et al. A mechanistic kinetic model for phenol degradation by the
Fenton process. Journal of Hazardous Materials, 176, 2010. p. 402–413.
RESOLUÇÃO CONAMA nº 357 de 17 de Março de 2005. [S.l.]: [s.n.].
RYAN, T. Estatística Moderna para Engenharia . Tradução de Luiz Cláudio de
Queiroz Faria. Rio de Janeiro: Elsevier Editora Ltda, 2009.
SANTANA, C. M. Estudo da Degradação de Corante Têxtil em Matrizes Aquosas
por meio dos Processos Oxidativos Avançados O3-H2O2/UV e Foto-Fenton.
Universidade de São Paulo. São Paulo. 2010.
SHIN, H. et al. Assessment of modified Anderson–Darling test statistics for the
generalized extreme value and generalized logistic distributions. Stochastic
environmental research and risk assessment , Hongjoon, 26, 2012. p. 105-114.
SILVA, F. D. L.; BEZERRA, J. R.; DE CARVALHO, P. C. M. Aplicação de Rede
Recorrente na Previsão da Velocidade dos Ventos . IV Conferencia Latino
Americana de Energía Solar (IV ISES_CLA) y XVII Simposio Peruano de Energía
Solar (XVII- SPES). Cusco: [s.n.]. 2010.
TEIXEIRA, C. P. A. B.; JARDIM, W. F. Caderno temático - Volume 03 -
Processos oxidativos avançados. [S.l.]: Laboratório de Química Ambiental ,
Unicamp, 2002.
TIBURTIUS, E. R. L. Contaminação de águas por BTX e processos utilizados na
remediação de sítios contaminados. Química Nova, 27, n. 3, 2004. p. 441-446.
WACKERLY, D.; SCHEAFFER, W. Mathematical Statistics with Applications . 7.
ed. Belmont: Thomson Higher Education, 2008.
62
WU, C.-H.; CHANG, C.-L. Decolorization of Reactive Red 2 by
advancedoxidationprocesses: Comparative studies of homogeneous and
heterogeneous systems. Journal of Hazardous Materials, 128, Fevereiro 2006. p.
265–272.
ZUPAN, J. Basics of art ificial neural networks. In: LEARDI, R. Basics of artificial
neural networks. In: Leardi, R. Nature-Inspiraed Methods in Chemometrics Genetic
Algorithms and Artificial Neural. 1. ed. [S.l.]: ELSEVIER SCIENCE, 2003. Cap. 7,
p. 200-227.
63
64
ANEXOS
Anexo A
Resultados dos experimentos de De et. al. (1999).
Degradação (%)
Tempo(min)
UV Concentração Fenol
(ppm)
H2O2
(ppm)
Temperatura
(ºC) pH 5 15 30 60
1 100 0 27 7 3,7 4 7,5 9,2
1 500 0 27 7 1,7 2,6 4,2 4,7
0 1000 0 27 7 1 2,4 3,2 4,1
0 100 600 27 7 8,3 16,1 21 23
0 500 3000 27 7 11 16,2 21 24
0 1000 6000 27 7 12 17,2 22 26
1 100 6000 27 7 51 82,9 94 98
1 500 3000 27 7 30 39,3 63 77
1 1000 6000 27 7 29 27 59 64
65
Resultados dos experimentos de Mota (2005).
Degradação (%)
Tempo (min)
Concentração
Fenol (mgC/L)
Fe+2
(mmol/L)
H2O2
(mmol/l)
Temperatura
(ºC) pH 0 5 10 30 60 90 120 150
100 0,27 110 30 3 0 15,8 18,1 33,2 54,8 73,7 85,4 89,5
100 3 110 30 3 0 23,5 27,5 43,2 64,7 76,3 88,1 85,4
100 0,67 46,4 30 3 0 20,7 29,4 43,7 81,9 93,2 94,5 94,3
100 2,6 46,4 30 3 0 20,5 27,6 61 64,2 80,1 84,7 84,6
100 0,67 173,6 30 3 0 26,2 28,3 58 79,8 88,5 96,8 102,3
100 2,6 173,6 30 3 0 29,5 35,2 49,4 69,8 79 86 88,7
100 1,63 200 30 3 0 22,9 32,5 54,5 80,8 89,6 88,9 91,5
100 1,63 110 30 3 0 26,5 34 55,7 77,8 87,1 90,7 92,8
100 1,63 20 30 3 0 6,3 5,3 6,8 33,1 70,1 81 91,3
100 1,63 110 30 3 0 29,3 34,7 56,4 79,4 87,4 92 92,3
100 1,63 110 30 3 0 28,3 32,7 54,6 78,4 87,3 90,9 91,6
66
Resultados dos experimentos de Moraes (2003).
Degradação (%)
Tempo (min)
Concentração
Fenol (mgC/L)
Fe+2
(mmol/L)
H2O2
(mmol/L) 0 2 5 10 20 40 45 60 90 120 150 180
550 0,65 55 0,0 2,8 3,8 7,1 11,1 16,3 22,3 23,3 36,0 63,0 66,5 67,5
100 0,3 10 0,0 0,9 0,0 1,9 7,5 16,0 23,6 42,5 77,4 93,4 92,5 95,3
1000 0,3 10 0,0 2,8 4,1 5,1 5,4 6,5 7,5 10,1 11,2 13,1 14,2 14,7
100 0,3 100 0,0 0,9 5,6 11,2 11,2 19,6 30,8 47,7 77,6 77,6 80,4 90,7
1000 0,3 100 0,0 1,7 2,3 4,4 5,7 8,5 7,6 9,5 11,4 13,0 15,5 15,2
550 0,65 55 0,0 4,4 5,6 10,8 12,3 19,2 23,8 32,2 59,5 70,2 72,7 75,5
100 1 10 0,0 11,8 21,8 29,1 74,5 84,5 92,7 89,1 91,8 94,5 95,5 95,5
1000 1 10 0,0 1,3 4,3 7,4 10,6 13,6 15,0 16,5 21,6 29,9 30,3 32,7
100 1 100 0,0 33,8 47,5 84,9 96,4 95,0 96,4 96,4 95,7 92,8 97,1 93,5
1000 1 100 0,0 4,1 3,9 6,4 16,3 19,6 20,4 18,4 25,3 39,8 60,0 62,5
550 0,65 55 0,0 5,4 4,8 5,8 11,0 17,8 20,0 22,6 25,0 30,6 32,0 35,0
Recommended