Utilização de modelagem preditiva e análise de dados no processo de secagem de lodo biológico em uma fábrica de celulose Kraft.

Abstract

Este trabalho investiga a baixa eficiência de um processo de secagem de lodo biológico em uma fábrica de celulose Kraft, um problema crucial devido ao impacto significativo na eficiência operacional e sustentabilidade ambiental. A pesquisa visa aprimorar o entendimento e a previ sibilidade dos resultados desse processo através do desenvolvimento de um modelo preditivo baseado em Redes neurais artificiais (RNA), especificamente MultiLayer perceptron (MLP), e utilizando a metodologia de análise de dados Cross industry standard process for data mining (CRISP-DM). Para realizar a modelagem preditiva, características relevantes foram analisadas utilizando a técnica de SHapley additive exPlanations (SHAP), que proporciona uma interpreta ção detalhada dos fatores que mais influenciam as previsões. O ajuste fino dos hiperparâmetros foi realizado com o auxílio da ferramenta Keras-Tuner, permitindo a exploração de diferentes configurações da rede neural para melhorar a precisão do modelo. Os resultados obtidos indicam que o modelo desenvolvido conseguiu prever com alta precisão a consistência dos sólidos após a secagem, com um Mean absolute error (MAE) de 0,84% e um coeficiente de determinação R 2 de 0.78, confirmando que o modelo é capaz de capturar as complexidades do processo de secagem, oferecendo uma ferramenta robusta e confiável para a tomada de decisão na gestão de resíduos. O estudo reforça a aplicabilidade das técnicas de aprendizado de máquina na indústria de celulose, sugerindo que tais abordagens podem proporcionar insights valiosos para um melhor controle de operações industriais, com implicações diretas na eficiência e sustentabilidade. Recomenda-se a validação futura do modelo em outras instalações industriais para explorar sua adaptabilidade e eficácia em diferentes contextos operacionais.