Utilização de técnicas de aprendizado de máquina em um processo de bioadsorção de corantes sintéticos

Abstract

Uma das etapas do tratamento dos efluentes industriais têxteis, via de regra, ocorre através do processo de adsorção, o qual pode atuar na remoção de um ou mais corantes sintéticos presentes no corpo hídrico. O processo de bioadsorção, definido pela aplicação de um bioadsorvente proveniente de resíduos agroindustriais, apresenta eficácia na metodologia de remoção, a qual mitiga possíveis impactos ecossistêmicos oriundos da caracterização e disposição dos corantes sintéticos no meio ambiente, dispondo-se de forma economicamente viável e sustentável quimicamente. A análise quantitativa das concentrações iniciais e finais dos corantes sintéticos em efluentes, convencionalmente, é baseada em metodologia analítica, como quimiométrica e espectrofotométrica, com a aferição dos dados empíricos de laboratório; entretanto, a fim de reduzir o tempo demandado pelo tratamento dos dados, pela seletividade e pelo alto custo de investimento de insumos, nesta Dissertação foram aplicadas duas técnicas de Inteligência Artificial, baseadas em metodologias computacionais de Aprendizado de Máquina, as Redes Neurais Artificiais e as Máquinas de Vetores de Suporte, para a validação de um modelo de melhor ajuste e representatividade do comportamento dos dados, sendo alternativa de substituição à metodologia analítica convencional. As análises basearam-se na utilização da casca da mandarina como adsorvente e dos corantes sintéticos, Azul de Metileno, Violeta Cristal, Alaranjado de Metila e Verde Brilhante, como adsorbatos, tanto caracterização monocomponente quanto bicomponente. A técnica de Máquinas de Vetores de Suporte validou um modelo de melhor ajuste em ambas caracterizações.One of the stages of effluent treatment occurs in textile industries, as a rule, through the adsorption process, which can act in the removal of one or more synthetic dyes present in the water body. The bioadsorption process, defined by the bioadsorbent from agro-industrial containers, the qualification in the sustainable removal methodology, the qualification in the sustainable removal methodology mitigates possible impacts of the characterization and disposal of synthetic materials in the environment, available in a viable and economically viable way chemically . Analysis of initial and final metrics of synthetic data, conventionally, is based on analytical analysis, such as chemometrics, with the measurement of laboratory analytical data; However, in order to reduce the data processing time, selectivity and the input investment dissertation, in order to reduce the time applied by the Artificial Intelligence Machine, in this cost end, will be applied in computational methodologies of Learning, In order to cost Learning machines, Neural Networks Art. and as Support Vector Machines, for the validation of a better fit model and behavior behavior, being an alternative to replace the conventional analytical methodology. The use of tangerine peel as an adsorbent and synthetic dyes, Methylene Blue, Crystal Violet, Methyl Orange and Bright Green, as adsorbents, both one-component and two-component characterization. The Support Vector Machine technique validated a best-fit model in both characterizations.