Estimando o Teor de Umidade na Secagem de Mídia Filtrante

O teor de umidade (TU) é um fator chave no Processo de Secagem de produtos de mídia filtrante. Saber o TU ajuda os fabricantes a otimizar a secagem, economizando tempo e energia. Em muitos casos, medir o TU diretamente durante a secagem não é possível. Por isso, métodos alternativos para estimar o TU são necessários.

Na fabricação, secar mídias filtrantes é um dos processos que mais consomem energia e tempo. O tempo de secagem pode variar por vários fatores, incluindo as condições antes da secagem e a umidade do ar ao redor. Essa variabilidade pode levar à secagem excessiva, o que desperdiça energia e tempo.

Para evitar a secagem excessiva, ter informações precisas sobre o TU durante o processo de secagem é vantajoso. Saber o TU permite que os fabricantes interrompam o processo de secagem no momento certo, em vez de confiar em um cronograma fixo.

Como medir o TU diretamente não é viável, os pesquisadores têm buscado modelar o processo de secagem. A secagem envolve ciência complexa, incluindo transferência de calor, massa e momento. Isso torna desafiador entender todos os fatores envolvidos. No entanto, vários métodos de computação suave têm se mostrado eficazes para estimar o TU durante a secagem.

Diversos estudos compararam diferentes métodos para estimar o TU, incluindo k-vizinhos mais próximos, Regressão de Vetores de Suporte (SVR), Regressão de Floresta Aleatória (RFR) e Redes Neurais Artificiais (ANN). Dentre esses, RFR e SVR mostraram ser os melhores para estimar o TU. Além disso, as ANNs foram bem-sucedidas em estimar o TU para uma variedade de materiais.

Embora muitos estudos tenham sido feitos sobre a secagem de produtos alimentícios, há uma lacuna em relação à secagem de mídias filtrantes, que normalmente têm uma espessura diferente dos itens alimentares. Este estudo tem como objetivo preencher essa lacuna desenvolvendo um método para estimar o TU de mídias filtrantes durante a secagem.

#Conjunto de Dados e Metodologia

A pesquisa envolveu a análise de um conjunto de dados criado a partir de 161 experimentos de secagem industrial. Esse conjunto de dados fornece insights valiosos sobre o processo de secagem de mídias filtrantes. O estudo também compara um novo método baseado em ANN com métodos existentes para estimar o TU.

O objetivo é compartilhar o conjunto de dados e desenvolver um método para estimar com precisão o TU durante a secagem, ajudando, assim, as práticas de fabricação. O artigo é estruturado para abordar seleção de modelo, configuração experimental, resultados e conclusões.

#Desenvolvendo a Rede Neural Artificial

Os pesquisadores encararam o problema de estimar o TU como um desafio de regressão. Eles configuraram uma ANN com características de entrada e a projetaram para produzir a estimativa do TU. O objetivo era fazer as previsões da ANN ficarem o mais próximas possível das medições reais de TU.

Treinar a ANN requer uma consideração cuidadosa de vários fatores, incluindo o tipo de arquitetura, as funções de ativação usadas e a taxa de aprendizado. Esse é um processo detalhado de encontrar a melhor estrutura para garantir estimativas precisas.

Para este estudo, foi escolhida uma arquitetura simples de perceptron multicamada (MLP). O design da arquitetura envolve várias camadas ocultas com Unidades Lineares Retificadas (ReLU) como função de ativação. A camada de saída usa uma função de ativação linear para permitir uma faixa de valores de TU.

O treinamento também incluiu vários hiperparâmetros que precisaram ser ajustados para obter o melhor desempenho. Uma abordagem sistemática combinou o algoritmo ASHA com validação cruzada para garantir que a arquitetura da ANN fosse otimizada para estimar o TU.

#Configuração Experimental

Os experimentos de secagem foram realizados usando um forno de teste capaz de secar quatro amostras diferentes de mídia filtrante ao mesmo tempo. As temperaturas e outras configurações no forno foram controladas para mimetizar as condições de fabricação do mundo real.

Durante os experimentos, os pesquisadores mediram os pesos iniciais e finais das amostras de mídia filtrante para calcular o TU. Eles dividiram o processo de secagem em duas fases para reunir dados abrangentes. A primeira fase modelou práticas reais de secagem industrial, enquanto a segunda fase buscou remover toda a umidade das amostras para determinar a massa sólida.

A coleta de dados automatizada ajudou a reunir características importantes para a ANN, incluindo tempo de secagem, temperatura, pressão do forno e massa inicial do filtro. Um total de 161 experimentos produziu 322 pontos de dados para análise.

#Modelos de Estimativa Competitivos

Os pesquisadores compararam a nova abordagem baseada em ANN com métodos existentes. Eles analisaram vários métodos de ponta para estimar o TU, incluindo modelos de secagem em camada fina semi-empíricos, SVR, RFR e modelos ANFIS.

Os modelos de secagem em camada fina consideram especificamente o tempo de secagem como sua principal entrada, enquanto os métodos de aprendizado de máquina usados neste estudo levaram múltiplas variáveis em conta. Ao comparar esses métodos, os pesquisadores procuraram identificar qual poderia estimar o TU em mídias filtrantes com mais precisão.

#Resultados e Discussão

Os resultados mostraram que o modelo ANN proposto superou os modelos tradicionais de secagem em camada fina na estimativa do TU ao longo de todo o processo de secagem. A ANN foi capaz de produzir estimativas precisas com baixas taxas de erro, tornando-a adequada para aplicações práticas na fabricação.

A ANN que incluiu dados de condições iniciais teve um desempenho melhor na estimativa do TU em várias condições. Em contrapartida, métodos como RFR e SVR tendiam a ter dificuldades, especialmente em cenários mais complexos. Os resultados indicaram que, embora RFR tivesse um desempenho aceitável, foi afetado por outliers, levando a erros mais altos.

O estudo revelou que a faixa mais crucial para os fabricantes está abaixo de 10% de TU. Nessa faixa, todos os modelos testados mostraram bom desempenho, mas a ANN exibiu mais promessas para aplicações no mundo real.

No geral, as descobertas demonstram que ANNs, quando combinadas com parâmetros de secagem relevantes, são ferramentas eficazes para estimar o TU em mídias filtrantes volumosas. A pesquisa também destaca que, embora métodos tradicionais de modelagem tenham seu lugar, abordagens mais novas de aprendizado de máquina oferecem vantagens significativas ao lidar com condições complexas e variáveis.

#Conclusão

Este estudo apresenta um valioso conjunto de dados e um método eficaz baseado em ANN para estimar o teor de umidade em mídias filtrantes durante o processo de secagem. Os resultados sugerem que usar ANNs pode levar a uma melhor tomada de decisão na fabricação, permitindo uma utilização mais eficiente dos recursos e melhor qualidade do produto.

Em essência, a pesquisa enfatiza a importância da estimativa precisa de TU para otimizar processos de secagem. As descobertas também pavimentam o caminho para estudos futuros, sugerindo que melhorias adicionais poderiam envolver a análise de dados temporais para prever como o TU muda ao longo do tempo, levando, por fim, a cronogramas e condições de secagem otimizados.

Esses avanços destacam o potencial de métodos de aprendizado de máquina e orientados a dados para melhorar processos industriais, beneficiando tanto fabricantes quanto consumidores ao melhorar a eficiência e a qualidade do produto.