Embed Size (px)
Citation preview
MODELO ESTATÍSTICO PARA A EFICIENCIA DE REMOÇÃO DE DBO DA ESTAÇÃO DE TRATAMENTO DE EFLUENTES DE UMA
INDÚSTRIA DE CELULOSE
COSTA, Gabriela Leite da1
MORAES, Francisco de Assis Bertini2
RESUMO: Este trabalho é uma modelagem estatística sobre o processo de tratamento de efluentes de uma indústria de papel e celulose. O objetivo é aumentar a eficiência da remoção de DBO identificando as possíveis co-variaveis que influenciam neste processo, fazendo com que possibilite a simulação de resultados. O modelo estatístico é de regressão linear múltipla e correlaciona a eficiência de remoção da DBO, com o pH, temperatura, vazão, DBO de entrada do efluente no sistema, sólidos suspensos totais e oxigênio dissolvido. Obtemos neste trabalho um modelo com significância estatística na correlação, determinando os pesos de influência de cada co-variavel o que permite a correta simulação e otimização deste tratamento, a fim de buscar uma gestão adequada da ETE para os melhores resultados de mínimo impacto ambiental.
PALAVRAS-CHAVES: Modelagem estatística, tratamento de efluentes, DBO, lodo ativado, regressão linear múltipla.
ABSTRACT: This work is a statistical modeling of the effluent treatment process of a pulp and paper industry. The objective is to increase the efficiency of BOD removal by identifying the possible covariables that influence this process, to improve possibilities of simulations. The statistical model is of multiple linear regression and correlates the efficiency of DBO removal, with the pH, temperature, flow rate, input DBO of the effluent in the system, total suspended solids and dissolved oxygen. We obtain in this work a model with statistical significance in the correlation, determining the influence weights of each covariable, which allows the correct simulation and optimization of this treatment, in order to seek proper management of the ETE for the best results with minimum environmental impact.
KEYWORDS: Statistical modeling, effluent treatment, DBO, activated sludge, multiple linear regression.
1 Gabriela Leite da Costa é graduanda em Engenharia Química (2017) pela Faculdade Municipal Professor Franco Montoro, Mogi Guaçu, São Paulo. E-mail: [email protected]. 2 Francisco de Assis Bertini Moraes possui graduação em Engenharia Química pela Universidade Estadual de Campinas (1983) e mestrado em Engenharia de Produção pelo Centro Universitário de Araraquara (2011). Tem 35 anos de experiência na área de Engenharia Química e Engenharia de Produção, com ênfase nas áreas de processos químicos, cogeração de energia e processo de produção de celulose e papel. E-mail: [email protected].
1234
567
89
1011121314151617181920212223
24252627282930313233343536373839
1234567
2
1.) INTRODUÇÃO
O processo de produção de celulose consiste em dissolver e extrair a
lignina e resinas das fibras de celulose contidas na madeira. Cerca de 98%
desta lignina e resinas são extraídas no processo de polpação, concentradas
em processo de evaporação e enviadas para queima na caldeira de
recuperação, a qual fornecerá a energia térmica e elétrica para o
funcionamento da fábrica. Os 2 a 3% remanescentes seguirão junto com as
fibras para o processo de branqueamento, onde reagem com produtos
químicos clorados, mais reativos com a lignina e resinas e em seguida são
extraídas das fibras através de processo de lavagem com grandes quantidades
de água. Este resíduo lavado é encaminhado ao tratamento de efluentes para
redução de DBO e descarga ao manancial hídrico. As fibras seguem para a
produção de papel ou para secagem de celulose. (MORAES, 2011).
Sendo assim, as principais cargas de DBO dissolvidas no efluente de
uma fábrica de celulose e papel são provenientes dos resíduos gerados pela
água evaporada na evaporação e pelo processo de lavagem no
branqueamento. (MORAES, 2011).
As empresas atualmente estão dando uma maior importância às
consequências de seus processos produtivos, ou seja, que seus efluentes
líquidos, seus resíduos sólidos e emissões atmosféricas não prejudiquem a
qualidade do ecossistema ao seu redor, evidenciando uma preocupação com
as futuras gerações. (SILVEIRA, 2010).
O tratamento destas águas residuais ocorre normalmente pelo processo
biológico aeróbio, que consiste na reprodução do mecanismo de
biodegradação natural que ocorre nos rios, conhecido por autodepuração.
Pode ser definido como um processo fermentativo, aeróbio, contínuo, com
reciclo de biomassa, que é um inoculo aclimatado e constante, também
chamado de lodo ativado. (VAZOLLÉR et al., 1991).
O modelo estatístico será elaborado utilizando a técnica de análise de
regressão linear múltipla, sendo considerada de longe a técnica de
dependência mais amplamente usada e versátil, aplicável em cada faceta da
89
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
3
tomada de decisões em negócios. Seus usos variam desde os problemas mais
gerais até os mais específicos, e, em cada caso, relaciona um fator (ou fatores)
a um resultado específico (HAIR, 2007).
Portanto, o presente trabalho tem como objetivo a modelagem estatística
de um sistema de tratamento de efluentes por lodo ativado de uma indústria de
papel e celulose, trazendo tabelas e gráficos com os resultados obtidos através
de dados fornecidos, pois irá ser baseada em teoria, experiência prévia e nos
objetivos da pesquisa distinguindo as variáveis independentes preveem cada
variável dependente, verificando que algumas variáveis dependentes se tornam
independentes em relações subsequentes, além disso, iremos ver que muitas
das mesmas variáveis afetam cada uma das variáveis dependentes, mas com
diferentes efeitos.
2.) O PROCESSO DE LODO ATIVADO
Para auxiliar no entendimento da utilização de dados e formulação de
modelos estatísticos no processo de tratamento de água, segue abaixo a
descrição do processo de tratamento de água e as etapas ilustradas na figura
1.
O processo de tratamento por lodo ativado é estritamente biológico e
aeróbio, sendo necessário um pré-tratamento que consiste na retirada de
sólidos por decantação em clarificadores. Conforme o fluxograma da figura 1, o
efluente então segue para a torre de resfriamento com o objetivo de manter a
temperatura na entrada do tratamento em 35 a 37˚C, seguindo para uma lagoa
de homogeneização. Encaminha-se então ao reator biológico, onde ocorre a
degradação da matéria orgânica através das bactérias aeróbias presentes no
lodo ativado. Depois passa por clarificadores onde o sobrenadante segue para
uma lagoa de polimento para posterior descarte no corpo hídrico. Esta lagoa é
para manter uma vazão de descarte constante, pois tudo que entra no
tratamento sai, e na entrada ocorrem muitas variações, assim, o que muda é o
nível desta última lagoa, e não a vazão de saída. O sólido sedimentado no
clarificador retorna para um adensador, onde seu sobrenadante retorna para a
1011
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
4
lagoa de aeração e seu sólido decantado, contendo micro-organismos mortos,
segue para duas prensas desaguadoras, que desidratam o lodo e este segue
para o processo de compostagem. (NICOLAU, 2002).
FIGURA 1: Fluxograma do processo de lodo ativado.Fonte: Nolli, 2015.
O lodo ativado são flocos formados num efluente bruto ou decantado pelo
crescimento de bactérias ou outros micro-organismos, na presença de oxigênio
dissolvido e, acumulado em concentrações suficientes graças ao retorno de
outros flocos previamente formados, ele é produzido.
A ocorrência de flocos densos pode-se ser também visto na figura 2,
onde é necessário que as principais condições ambientais dentro dos reatores
estejam controladas, tais como: meio neutro em termos de pH, presença dos
principais nutrientes, geralmente nitrogênio e fósforo, oxigênio deve ser
adicionado em quantidade suficiente, controle da presença de substâncias
tóxicas ou potencialmente inibidoras. (CLAAS, 2007).
As principais variáveis para o adequado controle do processo são:
temperatura, normalmente controlada na entrada do tanque de aeração; pH,
controlado no tanque de mistura de efluente ao tanque de aeração; DBO ou
demanda bioquímica de oxigênio indica a concentração de material
Retorno de Lodo
Lagoa de Emergência
Corpo Hídrico
CompostagemDescarte de Lodo
Lagoa de Estabilização
Torre de Resfriamento
Efluente TratadoClarificadores
Reator Biológico
Lagoa de Equalização
Fábrica Integrada de Papel e Celulose
Tratamento PrimárioRetirada de Sólidos
1213
104
105
106
107108109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
5
biodegradável no líquido; DQO ou demanda química de oxigênio indica a
concentração de material biodegradável e não biodegradável no líquido; IVL ou
índice volumétrico do lodo serve para avaliar quão sedimentável ele é; OD ou
oxigênio dissolvido é residual deste no tanque de aeração; N-NH3 ou índice do
nível nutricional e a capacidade de nitrificação do sistema; IL ou idade do lodo,
ou ainda, tempo de permanência do lodo no sistema; FC ou fator de carga é a
relação da carga de DQO pela massa viva no sistema. (NICOLAU, 2002).
FIGURA 2: Estrutura de um floco bem formado. Fonte: Yano, 2012.
Além do carbono, os micro-organismos necessitam de outros nutrientes
para o funcionamento de seu metabolismo, os principais são: nitrogênio e
fósforo, comumente adicionados ao sistema na forma de ureia e ácido
fosfórico, respectivamente. (SOTEMANN et al, 2005). Uma das variáveis mais
importantes para o controle do sistema de lodos ativados é a baseada na
relação existente entre a matéria orgânica do efluente a ser tratado e a
quantidade de microrganismos necessários para degradá-la, conhecida como
relação alimento/microrganismo (A/M). (CAO et al., 2005). Outra variável
primordial do processo é a taxa de recirculação do lodo e seu descarte, onde o
volume de lodo em excesso que deverá ser retirado, está diretamente
relacionado à sua idade e ao volume do reator, determina também, a
quantidade de sólidos suspensos totais e camada de lodo no decantador
secundário. (DIEZ et al., 2002).
Bactérias Filamentosas (Estrutura Rígida do Floco)
Protozoários
Partículas Coloídais Aderidas
Bactérias Formadoras de Flocos
Matriz de Polissacarídeos
1415
124
125
126
127
128
129
130
131
132133134
135
136
137
138
139
140
141
142
143
144
145
146
147
6
3.) MODELAGEM ESTATÍSTICA POR REGRESSÃO LINEAR MULTIPLA
Modelagem com regressão linear múltipla é uma técnica que permite
separar relações para cada conjunto de variáveis dependentes. Em seu sentido
mais simples, essa técnica permite a estimação apropriada e mais eficiente
para uma série de equações de regressão linear múltipla, separadas,
estimadas simultaneamente (HAIR, 2007). Ou seja, com está modelagem
estatística utilizando a técnica de regressão linear múltipla permite ao
pesquisador avaliar inúmeras relações de dependência inter-relacionadas em
diferentes níveis de complexidade.
O modelo de regressão que envolve mais de um regressor (variável
independente) é chamado de regressão linear múltipla (ou MLR do inglês
Multiple Linear Regression). Por esse tipo é possível observar os efeitos das
variáveis regressoras sobre as variáveis respostas (HAIR, 2007). Modelos
estatísticos de regressão linear múltipla são geralmente utilizados para a
construção de modelos empíricos. Ou seja, o modelo fenomenológico que
relaciona y e x1, x2,...,xn é desconhecido, mas, sobre certos domínios das
variáveis independentes, o modelo de regressão linear é uma aproximação
adequada (MORAES, 2011).
Em geral, a variável dependente, ou resposta y, está relacionada com n
variáveis independentes ou regressoras. O modelo y = β0 + β1.x1 + β2.x2 ...
βn.xn é chamado de modelo linear de regressão múltipla com n regressores.
Os β1, β2, β3, ..., βn, são chamados de coeficientes de regressão.
Conforme recomendado por HAIR (2007), para especificar corretamente
o modelo, é utilizado um processo que envolve a construção de um diagrama
de caminhos de relações causais; a conversão do diagrama de caminhos em
um conjunto de modelos estrutural e de mensuração; a escolha do tipo de
matriz de dados e estimação do modelo proposto; a avaliação da identificação
do modelo estrutural, a avaliação dos critérios de qualidade de ajuste e a
interpretação dos resultados.
Conforme dito anteriormente, o significado de um modelo estrutural é o
modelo de “caminhos”, que relaciona variáveis independentes com
1617
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
7
dependentes. Em tais situações, teoria, experiência prévia ou outras
orientações permitem ao pesquisador distinguir quais variáveis independentes
preveem cada variável dependente. E já o de modelo de mensuração permite
ao pesquisador examinar uma série de relações de dependência
simultaneamente, sendo particularmente útil quando uma variável dependente
se torna independente em subsequentes relações de dependência.
O diagrama de caminhos pode se dizer que o pesquisador esboça as
relações de interdependência, utilizando-se de teoria, experiência prévia ou
outras orientações. Portanto, há uma necessidade desse esboço por parte do
pesquisador, que deve orientar-se mais por teoria do que por resultados
empíricos, em que cada componente dos modelos estrutural e de mensuração
deve ser explicitamente definido, eliminando possibilidades de ajustes com
pouca generalização.
As variáveis de um diagrama de caminhos podem ser colocadas em uma
entre duas classes: exógenas e endógenas. Sendo as variáveis exógenas,
também conhecidas como variáveis fonte ou variáveis independentes, não são
“ocasionadas” ou previstas por quaisquer outras variáveis do modelo, sendo
assim, não há setas apontando para essas variáveis, elas são os “X”. Já as
variáveis endógenas são os “Y”, significa que elas são previstas por uma ou
mais variáveis, elas podem prever outras variáveis endógenas, nesse caso
vemos as inter-relações que apontam para a necessidade de modelos
estruturais, mas uma variável exógena pode estar causalmente relacionada
apenas com variáveis endógenas. Portanto, a diferença entre exógenas e
endógenas ou podemos chama-las de independentes e dependentes é
determinada exclusivamente pelo pesquisador.
Após desenvolver o modelo estrutural e representado no diagrama de
caminhos, o pesquisador está pronto para especificar o modelo em termos
mais formais. Traduzir um diagrama de caminhos em uma série de equações é
um procedimento direto, como podemos ver na tabela 1 ilustra-se esse
processo para o diagrama de caminhos.
1819
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
8
TABELA 1: Tradução de diagrama de caminhos para equações
Y1 = CTE X1 X2 X3 X4 X5 Y1 Y2 Y3 Y4 Y5 + εiY1 = a1 +a2X1 +a3X2 + ε1Y2 = a4 +a5X3 +a6Y1 + ε2Y3 = a7 +a8Y1 + ε3
Y4 = a9 +a10X4 + ε4
Y5 = a11 +a12X5
+a13Y2
+a14Y3
+a15Y4 + ε5
Variáveis Exógenas Variáveis EndógenaVariável Endógena Erro
Fonte: Hair, 2007.
Após a ilustração na tabela, a figura 3 mostra-nos o diagrama de
caminhos e as equações ajustadas pelo método de regressão linear múltipla.
X1
X2
Y1
Y2X3
Y3
X4
Y5
Y4
X5
Y1 = a1 + a2 X1 + a3 X2 + є1
Y2 = a4 + a5 X3 + a6 Y1 + є2
Y3 = a7 + a8 Y1 + є3
Y4 = a9 + a10 X4 + є4
Y5 = a11 + a12 X5 + a13 Y2 + a14 Y3 + a15 Y4 + є5
Y variáveis endógenas , X variáveis exógenas , є erro
FIGURA 3: Diagrama de caminhos e equações correspondentes.
Fonte: Hair, 2007.
Como recomendação para a correta especificação do modelo, um
processo de sete estágios pode ser utilizado (HAIR, 2007), sendo eles:
1. Desenvolvimento de um modelo teórico;
2021
212
213214
215
216
217218219220
221
222
223
9
2. Construção de um diagrama de caminhos de relações casuais;
3. Conversão do diagrama de caminhos em um conjunto de modelos
estrutural e de mensuração;
4. Escolha do tipo de matriz de dados e estimação do modelo proposto;
5. Avaliação da identificação do modelo estrutural;
6. Avaliação dos critérios de qualidade de ajuste e
7. Interpretação e modificação do modelo, se teoricamente justificadas.
Ao desenvolver as equações que relacionam as diferentes variáveis,
como de entrada e de saída e a determinação dos parâmetros associados é
conhecido como modelagem matemática de processos. As variáveis de
entrada são entradas manipuladas e perturbações e que afastam o processo
do seu estado estacionário e são a principal razão para o uso de controle de
processos.
Quando determinado o modelo do processo, a resolução numérica
encontrada das equações permite determina os valores que as variáveis de
saída deverão adotar em diferentes condições de operação, este procedimento
é chamado de simulação de processos.
Lembrando que esta forma de análise é mais rápida e segura do que
realizar testes em uma planta real. Cabe salientar, a importância de lembrar
que o modelo é uma aproximação das "leis" que regem o comportamento da
planta industrial, e, portanto pode se ocorrer diferenças entre o comportamento
do processo e o comportamento previsto pelo modelo.
Sendo assim, esta análise de regressão múltipla é a técnica de
dependência mais amplamente usada e versátil, podendo ser aplicável em
cada faceta da tomada de decisões em engenharia e negócios. Podendo ser
usada desde os problemas mais gerais até os mais específicos e em cada
situação pode se relacionar um fator ou até fatores a um resultado específico.
Esta técnica MLR apresenta a vantagem de utilizar variáveis originais, sendo
os modelos obtidos fáceis de serem interpretados.
Neste trabalho, iremos construir os modelos do diagrama de caminhos e
apresentados no item 3, e, com a utilização do software MINITAB versão 14, os
2223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
10
resultados das equações de predição dos MLR serão apresentados e
analisados de forma detalhada no item 5.
4.) METODOLOGIA
Como podemos ver em Silva e Menezes (2005), do ponto de vista de sua
natureza, a presente pesquisa é aplicada, pois tem como objetivo gerar
conhecimentos para aplicação prática dirigida à solução de problemas
específicos.
Do ponto de vista da forma de abordagem do problema, essa pesquisa é
quantitativa, pois visa coletar e analisar variáveis dependentes e independentes
por meio de técnicas estatísticas.
Através de seus objetivos, esta pesquisa como podemos ver é
classificada como descritiva, pois descreve relações entre variáveis através da
construção de um modelo matemático.
Portanto, do ponto de vista dos procedimentos técnicos, esta pesquisa
caracteriza-se como uma pesquisa bibliográfica e estudo de caso, pois através
do conhecimento dos fenômenos é articulado de forma teórica usando
conceitos, modelos, experiência prévia e proposições bem definidos. Nesta
situação, o tratamento dos dados é conduzido com o objetivo específico de
testar a adequação dos conceitos desenvolvidos e a validade das fronteiras
dos modelos (modelo estrutural). É importante salientar que, nesta pesquisa,
as informações são coletadas de uma fração de um tratamento, que deve
necessariamente ser capaz de generalizar descobertas sobre a amostra que
representa.
Sendo assim esta análise nos pede habilidade e conhecimento conceitual
do problema, normalmente formalizado com a construção de um modelo
estrutural que permite testar uma série de relações que constituem o modelo
em larga escala ou um conjunto de princípios fundamentais. Essas são tarefas
para as quais a modelagem com regressão linear múltipla é bem adequada.
Dessa forma, a proposta de trabalho envolve os seguintes itens:
a.) Técnicas: Modelagem de equações com regressão linear múltipla.
2425
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
11
b.) Processo: Planta de tratamento de efluentes por lodo ativado da
empresa International Paper do Brasil na unidade de Mogi Guaçu-SP.
c.) Variáveis a serem preditas: Vazão de entrada do efluente, Concentração
e carga da DBO de entrada e saída, Temperatura de entrada e saída,
pH, Sólidos suspensos totais, Oxigênio dissolvido e Eficiência de
remoção da DBO.
d.) Dados: Dados mensais do período de 01 de Março de 2017 a 30 de Abril
de 2017.
e.) Programas e Softwares: MINITAB 14 e Excel para construção dos
modelos de regressão linear múltipla e Power Point para apresentação
dos gráficos.
5.) ESTUDO DE CASO E RESULTADOS OBTIDOS
O estudo de caso foi feito na empresa International Paper do Brasil Ltda,
que possui três unidades produtivas no Brasil (Mogi Guaçu-SP, Luiz Antonio-
SP e Três Lagoas-MS), com capacidade instalada de 820 mil toneladas/ano de
celulose e 1 milhão de toneladas/ano de papel para imprimir e escrever. Sendo
que cerca de 50% das vendas são destinadas ao mercado interno e as
exportações destinadas a países de todos os continentes, mas o estudo de
caso refere-se à Unidade Mogi Guaçu-SP – adquirida pela IP em 1959 –
atualmente a mesma atua de forma integrada, com capacidade de produção de
1.000 toneladas/dia de celulose e 1.200 toneladas/dia de papel, contendo uma
linha única de produção de celulose e quatro máquinas de papel.
Como podemos ver a figura 4 ilustra as principais áreas da indústria e
suas contribuições de carga poluente à estação de tratamento por lodo ativado
e ao manancial hídrico.
2627
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
12
Linha de Fibras Recuperação
Fábrica de Papel
Tratamento de Efluentes
Celulose Branqueada
Papel
Licor PretoLicor Branco
Madeira
Eficiência de 98% de remoção de DBO
Carga DBO: 12500 Kg/dVazão: 55000 m³/dConc DBO: 227 ppm
Carga DBO: 250 Kg/diaVazão: 55000 m³/diaConc DBO: 4,5 mgO2/L
Carga DBO: 2500 Kg/dVazão: 15000 m³/dConc DBO: 167 ppm
Carga DBO: 7000 Kg/dVazão: 30000 m³/dConc DBO: 233 ppm Carga DBO: 3000 Kg/d
Vazão: 10000 m³/dConc DBO: 300 ppm
.
FIGURA 4: Contribuições para a estação de tratamento de efluentes.
Fonte: Nolli, 2015.
A planta de tratamento de efluentes por lodo ativado vem operando de
forma satisfatória, mantendo todos os parâmetros em conformidade com a
legislação pertinente, licença de operação e a capacidade do meio ambiente
circundante. A figura 5 nos mostra resumidamente esta estação.
DecantadorPrimário
DecantadorSecundário
Ar
TanquePolimento
Tanque de Aeração
Gradeamento
EfluenteBruto
DescargaPara o Rio
Prensa
TorreResfriamento
Solidos p/Compostagem
Lodo Secundário
Tratamento SecundárioLodo-Ativado Polimento
Sopradores
Tratamento Primário
Adensador
Tanque deEqualização
FIGURA 5: Tratamento de Efluentes por Lodo Ativado.Fonte: Moraes, 2011.
As variáveis disponibilizadas pela IP-Mogi Guaçu-SP são referentes ao
período de 01 de Março de 2017 a 30 de Abril de 2017, tendo como base
2829
314315
316
317
318
319
320
321322323
324
325
13
dados por dia. Através da resposta da eficiência de remoção de DBO (EFC –
%) foi identificada as co-variáveis ou fatores previamente mostrados que
poderiam estar relacionados com a variabilidade dos dados, sendo elas: Vazão
de entrada do efluente (Q – m3/h), DBO de entrada do efluente (DBOe – mg/l),
Carga da DBO de entrada do efluente (C_DBOe – kg/dia), Temperatura de
entrada (Te – ºC), Temperatura de saída (Ts – ºC), pH de entrada do efluente
(ph), Sólidos suspensos totais (SST – ppm), Oxigênio dissolvido (OD – ppm),
DBO de saída do efluente (DBOs – mg/l), Carga da DBO de saída do efluente
(C_DBOs – kg/dia), conforme figura 6.
FIGURA 6: Ilustração das variáveis envolvidas na modelagem.Fonte: Elaborado pelo Autor.
Portanto para selecionarmos e verificarmos as co-variáveis que
realmente estão influenciando na eficiência de remoção de DBO, realizamos
pré-avaliações de correlações para que o modelo represente adequadamente o
processo, através do software MINITAB versão 14, conforme figura 7.
Conforme podemos ver na figura 7 pela avaliação nota-se que as co-
variáveis de influência no modelo são: a DBO de entrada do efluente (DBOe), a
Vazão de entrada do efluente (Q), Temperatura (T), Sólidos suspensos totais
(SST) e o Oxigênio dissolvido, o pH encontra-se na faixa de 6,4 a 7 esta não
mostrou correlação com a eficiência de remoção de DBO de saída do efluente
(DBOs).
Usando o software MINITAB versão 14 e considerando-se o modelo com
as cinco co-variáveis selecionadas apresentado abaixo, construiu-se a tabela 2,
contendo os estimadores de mínimos quadrados (EMQ) para os coeficientes de
3031
326
327
328
329
330
331
332
333
334
335336337338339
340
341
342
343
344
345
346
347
348
349
350
351
14
regressão, os erros padrão (EP) dos estimadores obtidos, a estatística t de
Student observada e os valores-p.
FIGURA 7: Correlações para a DBO de saída do efluente (DBOs).Fonte: Elaborado pelo Autor.
TABELA 2: Estimadores de mínimos quadrados
Preditor EMQ EP do Estimador Estatística t Valor -p (*)Constante -121,21 23,73 -5,11 0,000DBOe 0,10306 0,01012 10,16 0,000Q 0,018881 0,004247 4,45 0,000T 0,09843 0,395 2,49 0,016SST 0,012516 0,005028 2,49 0,016OD -12,692 2,991 -4,24 0,000(*) significativo em 5% (0,05)
Fonte: Elaborado pelo Autor.
Dos resultados da tabela 2, podemos verificar que as co-variáveis: DBOe,
Q, T, SST e OD apresentam efeitos significativos na resposta Y, pois os
valores-p correspondentes são menores do que 0,05. Esses resultados
afirmam as hipóteses preliminares da influência das co-variáveis.
Um estimador da variância σ2 do erro é dado a partir da soma de
quadrados residual por S2 = 3,86783 e o coeficiente de determinação que
3233
352
353
354355356357358
359360361
362
363
364
365
366
367
15
mede a qualidade do ajuste do modelo aos dados é igual à R2 = 0,955
(95,5%) e R2 ajustado = 0,951 (95,1%) (um indicativo do adequado ajuste do
modelo aos dados). A adequabilidade do modelo (normalidade dos erros,
variância constante, erros não correlacionados) também é verificada a partir de
gráficos dos resíduos conforme podemos ver na figura 8.
Standardized Residual
Perc
ent
420-2-4
99,999
90
50
10
10,1
Fitted ValueSt
anda
rdiz
ed R
esid
ual
604020
210-1-2
Standardized Residual
Freq
uenc
y
2,41,20,0-1,2-2,4
16
12
8
4
0
Observation Order
Stan
dard
ized
Res
idua
l
605550454035302520151051
210-1-2
Normal Probability Plot of the Residuals Residuals Versus the Fitted Values
Histogram of the Residuals Residuals Versus the Order of the Data
Residual Plots for DBOs
FIGURA 8: Normalidade dos erros, variância constante, erros não correlacionados.Fonte: Elaborado pelo Autor.
Dos estimadores de mínimos quadrados (EMQ) para os parâmetros de
regressão βI, I = 1, 2, 3, 4 e 5, verifica-se que aumentos em DBOe, Q, T e SST
(β1 = 0,103, β2 = 0,0189, β3 = 0,984 e β4 = 0,0125) levam a um aumento
médio na resposta Y, pois os sinais dos estimadores são positivos. Dessa
forma, pode-se concluir, há aumento na eficiência de remoção de DBO de
saída do efluente com o aumento dos valores desses fatores (DBO de entrada
do efluente, vazão de entrada do efluente, temperatura do efluente e sólidos
suspensos totais). Da mesma forma, um aumento nos níveis de OD (oxigênio
dissolvido) leva a uma redução na eficiência de remoção de DBO de saída do
efluente (β5 = -12,7), pois o sinal do EMQ é negativo.
O modelo de primeira ordem ajustado é dado por:
DBOs = - 121 + 0,103 DBOe + 0,0189 Q + 0,984 T + 0,0125 SST - 12,7 OD.
3435
368
369
370
371
372
373374375376
377
378
379
380
381
382
383
384
385
386
387
388
16
Portanto conforme a equação obtida anteriormente com as co-variáveis
DBOe, Q, T, SST e OD, podemos obter uma DBOs calculada através da
mesma, conforme ilustrado nos gráficos da figura 9 e 10, segue uma breve
comparação com os valores reais e pelo tempo.
FIGURA 9: Comparação entre os valores de DBOs – Calculado x Real.Fonte: Elaborado pelo Autor.
FIGURA 10: Comparação entre os valores de DBOs em função do tempo.Fonte: Elaborado pelo Autor.
3637
389
390
391
392
393394395396
397398399
400
17
6.) CONSIDERAÇÕES FINAIS
Por conta da natureza quantitativa e descritiva deste trabalho, escolheu-
se por verificar se a utilização da técnica de modelagem por regressão linear
múltipla é uma ferramenta viável, alternativa aos modelos teóricos (com base
fenomenológica). A modelagem mostrou-se capaz para abordar um processo
de complexidade reconhecida: a influência das variáveis do sistema de
tratamento de efluentes numa indústria de papel e celulose.
Com o emprego da técnica de simulação gráfica, é possível identificar
condições recomendadas para obter uma máxima eficiência de remoção de
DBO de saída e o que se deve fazer caso ocorra diminuição ou aumenta da
mesma, em relação às variáveis que compõe este sistema.
As técnicas aqui empreendidas possibilitam a replicação de estudos
similares em outras unidades fabris (a partir de dados reais), visando sua
eficiência econômica e, consequentemente, a sustentabilidade da cadeia
industrial. Salienta-se que os dados aqui reportados não foram encontrados na
literatura industrial.
7.) REFERÊNCIAS BIBILOGRÁFICAS
CAO, Y.S., et al. Performance analysis of anoxic selector in upgrading activated sludge process in tropical climate. Water Science and Technology.v. 52, p. 27-37, 2005.
CLAAS, I. C. Lodos ativados: princípios teóricos fundamentais, operação e controle. Porto Alegre: Evangraf, 136p. 2007.
DIEZ, M. C. et al. Operational factors and nutrient effects on activated sludge treatment of Pinus radiata kraft Mill wastewater. Bioresource Technology, v. 83, p. 131-138, 2002.
HAIR; Anderson Tatham; Black. Análise Mutivariada de Dados. 5a edição. Bookman Editora. Porto Alegre, RS, 2007.
MORAES, F. de A. B., Modelo para estimativa do consumo de madeira e insumos energéticos para industria de celulose e papel, programa de mestrado profissional em engenharia de produção, Centro universitário de Araraquara, S.P., 2011.
NICOLAU, A. et al., Importância da identificação das espécies responsáveis pelo crescimento filamentoso nas ETARS. In: ENCONTRO NACIONAL DE
3839
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419420421422423
424425
426427428
429430
431432433434
435436
18
SANEAMENTO BÁSICO; SIMPÓSIO LUSO-BRASILEIRO DE ENGENHARIA SANITÁRIA E AMBIENTAL, 2002. [cd-rom]. [s.l.: s.n., 2012].
NOLLI, Carlos Eduardo. Aplicação da metodologia kaizen no controle de bulk filamentoso do processo de lodo ativado na indústria de papel e celulose. In: V Congresso de Sistemas LEAN, 2015. UFSC – Florianópolis, SC.SILVEIRA, Gustavo Echenique. Sistema de Tratamento de Efluentes Industriais. Trabalho de Conclusão de Curso (Graduando em Engenharia Química) – Universidade Federal do Rio Grande do Sul – UFRGS, Porto Alegre, Rio Grande do Sul, 2010.
SOTEMANN, S.W. et al. Integrated biological, chemical and physical processes kinetic modeling part-1- Anoxic-aerobic C and N removal in activated sludge system. Water SA. v. 31, p. 529-544, 2005.
VAZOLLÈR, R. F.; GARCIA, A. D.;CONCEIÇÃO NETO, J.Microbiologia de Lodos Ativados- Série Manuais. CETESB-Companhia de Tecnologia de Saneamento Ambiental. São Paulo: CETESB, p.23.1991.
YANO, A. A. Estudo sobre o controle do intumescimento filamentoso, utilizando cloro em lodos ativados de indústria alimentícia. Dissertação de Mestrado. UFMT, Cuiabá, 2012.
SILVA, E. L.; MENEZES, E. M. Metodologia da pesquisa e elaboração de dissertação. 138 p. 4ª. Edição. Universidade Federal de Santa Catarina, UFSC, 2005.
4041
437438
439440441442443444445446
447448449
450451452
453454455
456457458459460461462463464465466467468469470471472473474475476477478479480481
19
APÊNDICEDB
OVa
zão
Tem
pera
tura
Tem
pera
tura
Sólid
ospH
Resi
dual
O2
DBO
Efici
enci
aEn
trad
aEfl
uent
eEn
trad
aSa
ída
Susp
enso
sEn
trad
aSa
ída
Saíd
aRe
moç
ãoTo
rre
Torr
eTo
rre
Torr
eTq
.Aer
ação
Eflue
nte
Tq.A
eraç
ãoDe
cant
ador
DBO
mg/
lm
3/h
CC
ppm
ppm
mg/
l%
%kg
/dia
kg/d
ia%
01/0
3/20
1775
018
5045
3743
266,
81,
855
92,7
92,7
3330
024
4292
,702
/03/
2017
720
1900
4436
4289
6,7
1,9
4893
,393
,332
832
2189
93,3
03/0
3/20
1771
018
0046
3842
376,
72
4693
,593
,530
672
1987
93,5
04/0
3/20
1774
518
2044
3742
456,
51,
754
92,8
92,8
3254
223
5992
,805
/03/
2017
735
1835
4437
4325
6,5
1,8
5392
,892
,832
369
2334
92,8
06/0
3/20
1745
518
5043
3636
786,
82,
316
96,5
96,5
2020
271
096
,507
/03/
2017
465
1900
4336
3876
6,4
2,2
1995
,995
,921
204
866
95,9
08/0
3/20
1747
518
0043
3639
086,
52,
421
95,6
95,6
2052
090
795
,609
/03/
2017
446
1820
4638
3890
6,6
2,3
1496
,996
,919
481
612
96,9
10/0
3/20
1745
018
3545
3739
586,
62,
318
96,0
96,0
1981
879
396
,011
/03/
2017
750
2350
4539
4230
6,7
1,8
6890
,990
,942
300
3835
90,9
12/0
3/20
1772
022
6044
3942
386,
51,
961
91,5
91,5
3905
333
0991
,513
/03/
2017
710
2450
4638
4198
6,8
264
91,0
91,0
4174
837
6391
,014
/03/
2017
745
2240
4438
4236
6,4
265
91,3
91,3
4005
134
9491
,315
/03/
2017
735
2310
4437
4328
6,7
2,2
6491
,391
,340
748
3548
91,3
16/0
3/20
1745
519
0043
3640
056,
82,
420
95,6
95,6
2074
891
295
,617
/03/
2017
465
1900
4336
4015
6,8
2,3
2095
,795
,721
204
912
95,7
18/0
3/20
1747
519
0043
3638
906,
92,
318
96,2
96,2
2166
082
196
,219
/03/
2017
446
1900
4637
3985
72,
320
95,5
95,5
2033
891
295
,520
/03/
2017
450
1900
4536
4020
6,8
2,2
1995
,895
,820
520
866
95,8
21/0
3/20
1775
018
3048
4341
506,
82,
256
92,5
92,5
3294
024
6092
,522
/03/
2017
720
1870
4942
4250
6,5
2,2
5492
,592
,532
314
2424
92,5
23/0
3/20
1771
018
2044
3943
216,
61,
764
91,0
91,0
3101
327
9691
,024
/03/
2017
745
1835
4438
4380
6,5
1,6
7090
,690
,632
810
3083
90,6
25/0
3/20
1773
518
5043
3742
306,
51,
569
90,6
90,6
3263
430
6490
,626
/03/
2017
455
1830
5036
4010
6,4
2,1
1896
,096
,019
984
791
96,0
27/0
3/20
1746
518
8049
3739
506,
72,
316
96,6
96,6
2098
172
296
,628
/03/
2017
475
1790
4335
3860
6,5
218
96,2
96,2
2040
677
396
,229
/03/
2017
446
1810
4235
3850
6,7
1,9
2394
,894
,819
374
999
94,8
30/0
3/20
1745
018
5044
3637
696,
82
1995
,895
,819
980
844
95,8
31/0
3/20
1748
018
3044
3738
596,
92
2295
,595
,421
082
966
95,4
Dado
s de
eflue
nte
líqui
do -
Fábr
ica
de C
elul
ose
- Int
erio
r de
São
Paul
o
Data
Ef.(c
onc.
)Ca
rga
DBO
entr
ada
Carg
a DB
Osa
ida
Ef.(c
arga
)
4243
482483
484
20
01/0
4/20
1756
018
2044
3638
696,
72,
128
95,0
95,0
2446
112
2395
,002
/04/
2017
545
1900
5039
4137
6,8
230
94,5
94,5
2485
213
6794
,503
/04/
2017
505
1890
5038
3956
6,8
225
95,0
95,0
2290
711
4595
,004
/04/
2017
525
1876
4537
4120
6,9
2,2
3294
,094
,023
638
1418
94,0
05/0
4/20
1757
918
7345
3741
596,
71,
929
95,0
95,0
2602
713
0195
,006
/04/
2017
580
1943
4639
4003
6,5
1,9
4193
,093
,027
047
1893
93,0
07/0
4/20
1761
219
4347
3740
076,
51,
737
94,0
94,0
2853
917
1294
,008
/04/
2017
635
1956
4938
3980
6,5
1,6
4393
,293
,229
809
2027
93,2
09/0
4/20
1767
019
4849
3941
456,
71,
748
92,8
92,8
3132
422
5592
,810
/04/
2017
750
1954
4941
4141
6,8
1,8
6491
,591
,535
172
2990
91,5
11/0
4/20
1768
018
8948
4042
586,
91,
561
91,0
91,0
3082
827
7591
,012
/04/
2017
620
1901
4538
4128
6,8
1,8
4393
,093
,028
287
1980
93,0
13/0
4/20
1760
018
7645
3741
636,
71,
948
92,0
92,0
2701
421
6192
,014
/04/
2017
620
1850
4438
4258
6,8
1,9
4393
,093
,027
528
1927
93,0
15/0
4/20
1754
318
7944
3739
876,
92
3094
,594
,524
487
1347
94,5
16/0
4/20
1751
018
6543
3741
206,
82
2794
,894
,822
828
1187
94,8
17/0
4/20
1748
018
3444
3741
466,
82,
122
95,5
95,5
2112
895
195
,518
/04/
2017
495
1845
4537
4040
6,9
2,3
2096
,096
,021
919
877
96,0
19/0
4/20
1756
818
7344
3740
356,
82,
131
94,5
94,5
2553
314
0494
,520
/04/
2017
543
1893
4337
4146
6,7
2,2
2994
,794
,724
670
1307
94,7
21/0
4/20
1753
218
5444
3638
566,
62,
225
95,3
95,3
2367
211
1395
,322
/04/
2017
589
1878
4436
3954
6,6
2,2
3494
,294
,226
547
1540
94,2
23/0
4/20
1763
018
9744
3939
866,
81,
945
92,8
92,8
2868
320
6592
,824
/04/
2017
680
1856
4439
4189
6,7
1,8
5292
,492
,430
290
2302
92,4
25/0
4/20
1770
018
4944
4143
196,
71,
763
91,0
91,0
3106
327
9691
,026
/04/
2017
675
1899
4540
4144
6,8
1,9
5791
,591
,530
764
2615
91,5
27/0
4/20
1765
018
7644
3939
546,
82
4293
,593
,529
266
1902
93,5
28/0
4/20
1755
718
8643
3741
226,
92,
232
94,2
94,2
2521
214
6294
,229
/04/
2017
542
1880
4337
4004
6,8
2,2
2894
,894
,824
455
1272
94,8
30/0
4/20
1749
518
8443
3641
676,
82,
325
95,0
95,0
2238
211
1995
,0
4445
485
