Embed Size (px)
Citation preview
UNIVERSIDADE POSITIVO
PROGRAMA DE MESTRADO EM BIOTECNOLOGIA
ÁREA DE CONCENTRAÇÃO: BIOCOMBUSTÍVEIS
ESTUDO DA VIABILIDADE DE USO DE REDES NEURAIS
ARTIFICIAIS PARA A PREDIÇÃO DO RENDIMENTO DA
FERMENTAÇÃO ALCOÓLICA
EDERSON LUIS AMGARTEN
CURITIBA
2012
EDERSON LUIS AMGARTEN
ESTUDO DA VIABILIDADE DE USO DE REDES NEURAIS ARTIFICIAIS
PARA A PREDIÇÃO DO RENDIMENTO DA FERMENTAÇÃO
ALCOÓLICA
Dissertação apresentada ao Programa de
Mestrado em Biotecnologia Industrial da
Universidade Positivo.
Orientador: Prof. Dr. José Rodríguez León
Co-Orientador: Prof. Dr. Evandro Bona
CURITIBA
2012
III
Amgarten, Ederson Luis
Estudo da viabilidade de uso de redes neurais artificiais para a predição
do rendimento da fermentação alcoólica / Ederson Luis Amgarten;
Universidade Positivo. – 2012.
85 f. : il.
Orientador: José Rodríguez León
Co-orientador: Evandro Bona
Dissertação (mestrado) – Universidade Positivo
Inclui bibliografia
1. Fermentação alcoólica. 2. Rendimento de fermentação. 3. Modelo
neuronal perceptron de multicamadas.
I. Amgarten, Ederson Luis. II. León, José Rodríguez. III. Bona, Evan-
dro. IV. Universidade Positivo. V. Título.
CDU 2007 606
IV
TÍTULO: “ESTUDO DA VIABILIDADE DE USO DE REDES NEURAIS ARTIFICIAIS PARA A PREDIÇÃO DO
RENDIMENTO DA FERMENTAÇÃO ALCOÓLICA”
ESTA DISSERTAÇÃO FOI JULGADA E ADEQUADA COMO REQUISITO PARCIAL PARA OBTENÇÃO
DO TÍTULO DE MESTRE PROFISSIONAL EM BIOTECNOLOGIA INDUSTRIAL (Linha de Pesquisa
Biocombustíveis). A DISSERTAÇÃO FOI APROVADA EM SUA FORMA FINAL EM SESSÃO PÚBLICA DE
DEFESA, NO DIA 19 DE MARÇO DE 2012, PELA BANCA EXAMINADORA COMPOSTA PELOS SEGUINTES
PROFESSORES:
1) Prof. Dr. Prof. Dr. José Angel Rodriguez Leon - (Orientador)
2) Prof. Dr. Wilerson Sturm - (Examinador)
3) Prof. Dr. Daniel Ernesto Rodriguez Fernandez - (Examinador)
CURITIBA – PR, BRASIL
PROFª DRª VANETE THOMAZ SOCCOL
COORDENADORA DO MESTRADO PROFISSIONAL EM BIOTECNOLOGIA INDUSTRIAL
DA UNIVERSIDADE POSITIVO
V
Dedico esta dissertação a minha esposa amada, meu amor, Dione, pelo
amor, compreensão, apoio, incentivo e pelas horas de companheirismo, por
me apoiar e me mostrar que podemos alcançar nossos sonhos e objetivos.
Mas principalmente por ter sido minha companheira e amiga, por ter estado
sempre ao lado, durante todo caminho que percorri até chegar e por nunca
me deixar desistir.
VI
Agradecimentos
- Agradeço a Jeová Deus que me deu a vida e me tem abençoado com amor,
saúde e paz.
- À minha família, minha esposa pelo incentivo, apoio e compreensão em
todos os momentos.
- Agradeço aos meus colegas do SENAI, pelo companheirismo nas aulas de
mestrado e principalmente à Silvana e Valdomiro pelas horas de viagens
que compartilhamos juntos.
- Aos professores Saul Nietzsche, Marcelo Barga, Evandro Bona, Vanete
Soccol, pelas sugestões, correções, colaborações e informações.
- Aos funcionários da Universidade Positivo pela ajuda e colaboração.
- À Universidade Positivo pela estrutura oferecida para a realização de
estudos e trabalhos.
- À UTFPR pelo trabalho em conjunto na montagem das redes
VII
RESUMO
O uso de etanol como combustível é explorado no Brasil como aditivo para a gasolina
desde 1931 quando foi oficialmente regulamentado, e a partir de 1975, com o programa
PROÁLCOOL o país tornou-se o primeiro país no mundo a ter parte de sua frota de
automóveis movidos por este biocombustível. Atualmente a importância da produção de
etanol se justifica pelo seu caráter renovável, por suas vantagens ambientais e econômicas
como substituto de combustíveis fósseis. Somente nos últimos 30 anos, de uso de etanol como
combustível, o país economizou mais de um bilhão de barris de petróleo. O crescente
interesse mundial em produzir fontes de energia renováveis impulsiona o desenvolvimento de
novas tecnologias a fim de aperfeiçoar os processos produtivos diminuindo as perdas
inerentes ao processo o que permitirá produzir mais sem, necessariamente, elevar às áreas de
plantio de cana, antes reservadas a produção de alimentos. Têm-se nos modernos sistemas
computacionais disponíveis hoje uma forte aliada na busca desse aperfeiçoamento, a rede
neural artificial (RNA). O trabalho aqui proposto apresenta a utilização de redes neurais
artificiais na construção de um modelo matemático preditor do rendimento de fermentação.
As entradas utilizadas no modelo foram selecionadas pelo método estatístico de correlação
linear a partir de uma série de parâmetros monitorados em usinas de produção de etanol e
açúcar. Uma análise teórica baseada em informações fornecidas por outros autores foi
necessária para confirmação dos resultados estatísticos. Finalmente, os parâmetros escolhidos
foram testados em três diferentes combinações dentro de uma rede neural perceptron de
múltiplas camadas (MLP- Mult Layer Perceptron), com resultados promissores para o uso
dessa tecnologia em processos envolvendo sistemas biológicos tão complexos como a
fermentação alcoólica.
Palavras chaves: Fermentação Alcoólica, Rendimento de fermentação, Modelo
Neuronal Perceptron de multicamadas.
VIII
ABSTRACT
The use of ethanol as fuel is explored in Brazil as an additive to gasoline since 1931
when it was officially regulated, and since 1975, with the program PROÁLCOOL the nation
became the first country in the world to be part of its fleet of vehicles powered by this biofuel.
Currently the importance of ethanol production is justified by its renewable character and for
its environmental and economic advantages as a substitute for fossil fuels. Only in the last 30
years of using ethanol as fuel, the country saved more than one billion barrels of oil. The
growing worldwide interest in producing renewable energy drives the development of new
technologies to improve production processes, reducing losses inherent in the process, which
would produce more without necessarily raising the cane growing areas, previously reserved
for food production. Have been in modern computer systems available today, a strong ally in
the pursuit of improvement, the artificial neural network (ANN). The work presented here
shows the use of artificial neural networks to construct a mathematical model that predicts the
performance of fermentation. The entries in the model used was selected by statistical method
of linear correlation from a number of parameters monitored in plants for the production of
ethanol and sugar. A theoretical analysis based on information provided by other authors was
necessary to confirm the statistical results. Finally, the chosen parameters were tested in three
different combinations within a neural network multilayer perceptron (MLP Mult-Layer
Perceptron) with promising results for using this technology in processes involving biological
systems as complex as the alcoholic fermentation.
Keywords: Alcoholic Fermentation, fermentation yield, Multilayer Perceptron Neural
Model.
IX
ÍNDICE
1 INTRODUÇÃO .....................................................................................................................1
2 OBJETIVOS ..........................................................................................................................2
2.1 OBJETIVO GERAL .................................................................................................................... 2
2.2 OBJETIVOS ESPECÍFICOS ......................................................................................................... 2
3 REVISÃO BIBLIOGRÁFICA ...............................................................................................3
3.1 FERMENTAÇÃO ALCOÓLICA .................................................................................................. 3
3.1.1 Breve histórico da fermentação alcoólica ......................................................................... 3
3.1.2 Fermentação Alcoólica Em Processos Industriais ............................................................ 5
3.1.3 Fatores físico-químicos e microbiológicos que interferem no rendimento da fermentação
......................................................................................................................................................... 5
3.1.4 Influência Das Condições Ambientais Nos Processos Fermentativos .............................. 6
3.2 CÁLCULO DO RENDIMENTO DA FERMENTAÇÃO ................................................................... 12
3.2.1 Rendimento Estequiométrico ........................................................................................... 12
3.2.2 Rendimento por subprodutos ........................................................................................... 13
3.3 REDES NEURAIS ARTIFICIAIS – RNA. ................................................................................... 15
3.3.1 Treinamento ..................................................................................................................... 15
3.3.2 Perceptron ....................................................................................................................... 16
3.3.3 Perceptron de Múltiplas Camadas .................................................................................. 19
3.3.4 Algoritmo da retropropagação (ou backpropagation) .................................................... 21
3.3.5 O estudo de redes neurais em processos de produção de etanol. ................................... 22
4 MATERIAIS E MÉTODOS................................................................................................. 27
4.1 A NATUREZA DOS DADOS UTILIZADOS ................................................................................. 27
4.2 O TIPO DE PROCESSO DE FERMENTAÇÃO .............................................................................. 30
4.3 A ESCOLHA DOS PARÂMETROS PARA A CONSTRUÇÃO DA REDE NEURAL. ........................... 31
4.3.1 Análise de estatística de correlação ................................................................................ 31
X
4.3.2 Análise teórica ................................................................................................................. 31
4.3.3 Análise de Sensibilidade .................................................................................................. 32
4.4 A ESCOLHA E A MONTAGEM DA REDE NEURAL .................................................................... 33
4.4.1 Usando redes neurais do tipo perceptron de múltiplas camadas para predizer o
rendimento da fermentação .......................................................................................................... 33
4.5 OS RECURSOS COMPUTACIONAIS ......................................................................................... 34
5 RESULTADOS E DISCUSSÃO ........................................................................................... 36
5.1 RESULTADOS DAS ANÁLISES PARA A ESCOLHA DE FATORES PARA A REDE NEURAL ........... 36
5.1.1 Seleção dos parâmetros da Usina A (A2008) para a montagem da rede neural MLP-1 ... 36
5.1.2 Seleção dos parâmetros da Usina B (B2008, B2009 e B2010). ............................................... 39
5.2 RESULTADOS DAS REDES NEURAIS ...................................................................................... 43
5.2.1 Resultados da Rede Neural MLP-1. ................................................................................ 44
5.2.2 Resultados da Rede Neural MLP-2. ................................................................................ 47
5.2.3 Resultados da Rede Neural MLP-3. ................................................................................ 55
6 CONCLUSÕES ................................................................................................................... 59
7 CONSIDERAÇÕES FINAIS E SUGESTÕES PARA TRABALHOS FUTUROS ................ 60
8 REFERÊNCIAS BIBLIOGRÁFICAS ................................................................................. 61
9 ANEXOS ............................................................................................................................. 68
9.1 ANEXO 1 – INTERPRETAÇÃO DOS DADOS DO LABORATÓRIO INDUSTRIAL E MÉTODOS
ANALÍTICOS ....................................................................................................................................... 68
9.1.1 Percentual de Açúcares Redutores na cana (AR cana) ................................................... 68
9.1.2 Açúcares Redutores Totais (ATR) ................................................................................... 68
9.1.3 Acidez da Cana ................................................................................................................ 68
9.1.4 Dextrana na Cana ........................................................................................................... 69
9.1.5 Percentual de Álcool na Cana ......................................................................................... 69
9.1.6 Quantidade de Bastonetes no Caldo Primário (x10^5). .................................................. 69
9.1.7 Frequência de Paradas de Fábrica ................................................................................. 69
9.1.8 Temperatura Mosto ......................................................................................................... 70
XI
9.1.9 Percentual de impureza no Mosto ................................................................................... 70
9.1.10 Unidades Formadoras de Colônias no Mosto ................................................................. 70
9.1.11 Mosto Acidez gH2S04/L (titulação) .................................................................................. 70
9.1.12 Mosto % ART ................................................................................................................... 70
9.1.13 Mosto Nitrogênio Amoniacal ........................................................................................... 70
9.1.14 Viabilidade Vinho ............................................................................................................ 71
9.1.15 Tempo de Fermentação ................................................................................................... 71
9.1.16 Rendimento da Fermentação ........................................................................................... 71
XII
Lista de Figuras
Figura 3.1 - Neurônio biológico. Fonte: Bona (2008). ......................................................................... 17
Figura 3.2 - Topologia de um perceptron simples. Fonte: Eyng (2006). ............................................. 18
Figura 3.3 - Arquitetura de uma rede neural artificial. Fonte: Eyng (2006). ....................................... 20
Figura 3.4- Evolução dos erros de treinamento (cinza) e de teste (preto) durante o treinamento da
RNA. Fonte: Oliveira et al. (2009). .............................................................................................. 22
Figura 4.1- Fluxograma de batelada alimentada. Fonte: adaptado de Melle-Boinot. .......................... 30
Figura 5.1- Comparação rendimento x dextrana B2008 ......................................................................... 42
Figura 5.2 - Parâmetros escolhidos de entrada para rede neural de predição do rendimento da
fermentação MLP-1. ..................................................................................................................... 44
Figura 5.3 - Estrutura da rede MLP-1. ................................................................................................. 45
Figura 5.4 - Representação gráfica da série original (azul) e da prevista pela rede neural (verde) do
rendimento da fermentação para a rede MLP-1............................................................................ 46
Figura 5.5 - Parâmetros escolhidos de entrada para rede neural de predição do rendimento da
fermentação MLP-2. ..................................................................................................................... 47
Figura 5.6 - Gráfico para a escolha da melhor rede. ............................................................................ 48
Figura 5.7 - Estrutura rede MLP-2 (Usina B) MLP-2 7:1-11-8-1:1. .................................................... 49
Figura 5.8 – Histograma do rendimento da fermentação usina A ( número de observações X
rendimento da fermentação). ........................................................................................................ 50
Figura 5.9 - Histograma do rendimento da fermentação usina B ( número de observações X
rendimento da fermentação). ........................................................................................................ 51
Figura 5.10 - Representação gráfica da série original (azul) e da prevista pela rede neural (vermelha)
do rendimento da fermentação para a rede MLP-2. ...................................................................... 52
Figura 5.11 - Resultados com os dados de teste para MLP-2 (seleção). .............................................. 52
Figura 5.12 - Diagrama de estrutura RNA MLP-2 (completo) MLP 19:19-15-13-1:1. ....................... 53
Figura 5.13 - Representação gráfica da série original (azul) e da prevista pela rede neural (vermelha)
do rendimento da fermentação para a rede MLP-2 (completa). ................................................... 54
Figura 5.14 - Estrutura da rede MLP-3 (MLP 11:11-12-4-1:1). .......................................................... 56
Figura 5.15 - Representação gráfica da série original (azul) e da prevista pela rede neural (vermelha)
do teor alcoólico para a rede MLP-3. ........................................................................................... 57
Figura 5.16 - Gráfico com os resultados de teste da MLP-3. ............................................................... 58
XIII
Lista de tabelas
Tabela 3.1 - Agentes tóxicos e seus efeitos inibidores para Saccharomyces cerevisiae. ..................... 10
Tabela 4.1- Parâmetros analisados da Usina A2008. .............................................................................. 28
Tabela 4.2- Parâmetros analisados na Usina B durante as três safras (2008 a 2010). .......................... 29
Tabela 5.1- Análise de correlação do conjunto de dados usina A (A2008). ........................................... 37
Tabela 5.2 - Análise de correlação do conjunto de dados Usina B (B2008, B2009 e B2010). ..................... 40
Tabela 5.3 - Análise de correlação desconsiderando a safra do conjunto de dados Usina B. .............. 41
Tabela 5.4 - Escolha da rede neural MLP-1. ........................................................................................ 45
Tabela 5.5 - Ranks para os parâmetros segundo coeficientes de sensibilidade e de correlação linear. 47
Tabela 5.6 - Resultado das interações neurais testadas para escolha da MLP-2. ................................. 48
Tabela 5.7 - Parâmetros utilizados na rede neural MLP-2. .................................................................. 49
Tabela 5.8 - Comparação entre a rede MLP-2 e MLP-2 (completo). ................................................... 53
Tabela 5.9 - Número de interações (redes neurais) testadas para escolha da MLP-3. .......................... 55
Tabela 5.10 - Análise de sensibilidade e parâmetros de entrada da MLP-3. ........................................ 56
XIV
Lista de equações
Equação 3.1: ............................................................................................................................... 4
Equação 3.2 ................................................................................................................................ 7
Equação 3.3 ................................................................................................................................ 8
Equação 3.4 ................................................................................................................................ 8
Equação 3.5 .............................................................................................................................. 12
Equação 3.6 .............................................................................................................................. 13
Equação 3.7 .............................................................................................................................. 13
Equação 3.8 .............................................................................................................................. 13
Equação 3.9 .............................................................................................................................. 14
Equação 3.10 ............................................................................................................................ 14
Equação 3.11 ............................................................................................................................ 18
Equação 3.12 ............................................................................................................................ 18
Equação 3.13 ............................................................................................................................ 19
Equação 3.14 ............................................................................................................................ 19
1
1 INTRODUÇÃO
Em uma entrevista dada a agência internacional de notícias Reuters (LUNA, 2011), o
então presidente da Petrobrás Biocombustível (PETRÓLEO BRASILEIRO S.A.), Miguel
Rossetto, maior empresa estatal brasileira de combustíveis, mencionou o interesse no
investimento de tecnologias inovadoras na busca de um aumento da produção de etanol.
Rossetto afirmou que um dos desafios é o crescimento vertical, ou seja, investir para
aumentar a produção nas áreas já plantadas. “Hoje produzimos 7 ou 8 mil litros por hectare;
temos que passar para 11 ou 12 mil litros”, acrescentou.
Aumentar a produtividade envolve o desenvolvimento de tecnologias capazes de
aperfeiçoar os processos envolvidos no plantio, corte, transporte da cana-de-açúcar como
também os processos de obtenção do etanol a partir da cana de açúcar. Dentro desses
processos um dos que mais se destacam é o processo de fermentação alcoólica que segundo
Lopes atinge um rendimento que varia de 82 a 91% em relação ao estequiométrico (LOPES,
2006). Rendimento considerado ainda muito baixo para se alcançar um patamar aceitável de
produtividade.
Diante do desafio apresentado e da importância econômica e ambiental relacionada à
produção de etanol como combustível, novas tecnologias devem ser aplicadas ao processo de
fermentação existente. Hoje muito se faz em matéria de monitoração de parâmetros
associados à fermentação alcoólica, no entanto, uma análise precisa e especialista desses
parâmetros ainda se faz necessária. E para essa análise já é possível utilizar de técnicas
computacionais capazes de resolver os complexos sistemas biológicos, tais como modelos
fenomenológicos, redes neuronais e híbridas neuronais (MANTOVANELI, 2005).
A grande vantagem de se utilizar uma rede neuronal é o fato de esta possuir alta
capacidade de ajustar seu desempenho para aproximar-se o mais exatamente possível aos
resultados que ocorrem in loco em processos fermentativos reais, podendo, de certa forma,
prever os resultados mesmo em face de múltiplas variáveis aleatórias.
Outra vantagem mencionada por Mantovaneli (2005) para o uso de redes do tipo
Functional Link é que a estimação dos seus pesos é um problema linear, logo o treinamento
destas redes é rápido e tem convergência garantida, o que facilita bastante a utilização de um
esquema adaptativo.
2
2 OBJETIVOS
2.1 OBJETIVO GERAL
O objetivo deste projeto é propor um modelo de rede neural capaz de prever o
rendimento da fermentação em função da variação de parâmetros monitorados durante um
processo fermentativo, permitindo assim elaborar estratégias para melhorar o desempenho de
usinas de produção de etanol.
2.2 OBJETIVOS ESPECÍFICOS
Identificar os principais parâmetros físico-químicos, microbiológicos e de produção
responsáveis pelo rendimento em processos de fermentação alcoólica;
Estudar o uso das redes neurais na descrição do processo de fermentação alcoólica;
Projetar, treinar e validar uma rede neural capaz de predizer com uma taxa de erro de
0,05 na previsão (dados de teste) do rendimento da fermentação.
3
3 REVISÃO BIBLIOGRÁFICA
3.1 FERMENTAÇÃO ALCOÓLICA
A fermentação alcoólica é um processo anaeróbico em que as enzimas, no interior da
levedura, realizam uma transformação química do açúcar em etanol e gás carbônico. (LIMA
et al., 2001b)
A transformação de açúcar (glicose), em etanol e CO2, é conhecida como glicólise, e é
uma característica comum a todo organismo vivo. A levedura como ser vivo independente,
realiza a fermentação do açúcar com o objetivo de conseguir a energia química necessária
para sobreviver, sendo o etanol considerado um subproduto desse processo (AMORIM et
al.,1996).
Portanto, para se beneficiar desta característica metabólica desses microrganismos, se
deve compreender melhor as condições ideais para que a célula possa produzir com maior
eficiência esse subproduto que tanto interessa ao homem.
3.1.1 Breve histórico da fermentação alcoólica
A utilização das leveduras pelo homem remonta a mais remota antiguidade, sendo os
produtos da fermentação conhecidos pelos homens. Há mais de 4.000 anos os egípcios
fabricavam o pão e produziam bebidas alcoólicas a partir de cereais e frutas (CAVALIERI et
al., 2003). Jarros de vinho com mais de 7.000 anos de idade foram encontrados em escavações
realizadas nas montanhas de Zagros no Irã e acham-se expostas na Universidade da
Pensilvânia (PHILLIPS, 2000).
No entanto, o entendimento de como os processos envolvidos na fermentação
alcoólica ocorre, foram sendo elucidados com passar das épocas (AMORIM et al., 1996).
Esses microrganismos (leveduras) foram primeiramente observados por Leeuwenhoek
(1632-1723) através de um rudimentar microscópio, ao observar uma amostra de fermentação
de cerveja no ano de 1680.
Em 1815, Gay Lussac propõe uma equação química para descrever o processo de
fermentação alcoólica da glicose, até então considerado uma reação química, dada por:
4
Equação 3.1:
C6H12O6 = 2C2H5OH + 2CO2
Glicose álcool etílico dióxido de carbono
Em 1818, Erxleben relaciona a fermentação à ação de microrganismos chamados de
levedura, e explicitando que a reação tem o caráter biológico e não químico como muitos
imaginavam na época.
Entre 1834 e 1837, três cientistas, o francês Gagniard-Latour e os alemães Schwan e
Kützing, independentemente chegaram a única conclusão de que a fermentação é realizada
pelos corpos ovais descobertos por Leeuwenhoek. Então propuseram chamar esses
organismos de Saccharomyces ou fungos do açúcar e posteriormente de leveduras. Kützing
justificou a fermentação como um processo associado à multiplicação das leveduras. Algum
tempo depois, Turpin, afirmou que não há fermentação sem multiplicação das leveduras
(ORD e STOCKEN, 1999).
A comprovação do papel vital das leveduras no processo de fermentação veio a ser
reconhecido em 1856, pelo químico francês Louis Pasteur. Naquela época acreditava-se que
as leveduras eram compostos químicos sem vida. Louis Pasteur provou o contrário ao
demonstrar que somente as células viáveis das leveduras (células vivas) eram capazes de se
reproduzir e gerar a fermentação em condições anaeróbicas (ORD e STOCKEN, 1999).
Estava então elucidado o segredo da fermentação alcoólica? Ainda faltava algo mais
para esclarecer esse mistério milenar. Anos depois da morte de Pasteur, mais apropriadamente
em 1897, os irmãos Buchner conseguiram realizar uma fermentação somente com um extrato
de levedura livre de células. Chegaram à conclusão que isso se devia a um elemento ativo
existente no interior da célula (que passou a ser conhecido como enzima), dissolvido no suco
da levedura a qual chamaram de zimasa alcoólica (ORD e STOCKEN, 1999). Finalmente
estava totalmente compreendido o fenômeno da fermentação alcoólica. A partir desse
conhecimento foi possível estudar e aprimorar o processo de fermentação através de melhores
controles sobre as fases reprodutivas e fermentativas das leveduras, suas necessidades
específicas e a influência de fatores externos sobre estas atividades (AMORIM et al., 1996).
Devido à sua importância econômica em processos biotecnológicos a levedura
Saccharomyces pode ser considerada o eucariótico mais estudado e cujo metabolismo é o
mais conhecido (AMORIM et al., 1996).
5
3.1.2 Fermentação Alcoólica Em Processos Industriais
Trabalhar com microrganismos exige cuidados, pois algumas alterações em condições
ambientais no meio fermentativo podem levar ao colapso ou baixo rendimento de todo o
processo de fermentação. A transformação do açúcar em etanol e CO2 envolve um total de 12
reações em uma determinada sequência específica, sendo cada reação catalisada por uma
enzima em particular. As enzimas são em geral, compostos proteicos muito sensíveis as
variações de temperatura, pH, nutrientes minerais, vitaminas, inibidores, substâncias do
próprio metabolismo, etc. Podendo ter seu desempenho estimulado ou reduzido em razão
desses fatores. (LIMA et al., 2001b)
Em matéria de processos industriais, duas variáveis sofrem constantes alterações: a
matéria-prima e o microrganismo. Mudanças no clima, no tipo de solo, na adubação e até
mesmo a composição do mosto (maior proporção de caldo ou melaço) podem interferir na
matéria-prima. O microrganismo também pode mudar, pois à medida que ocorrem diversas
fermentações pode ocorrer a substituição das leveduras inoculadas por leveduras nativas e
selvagens, que em função de um ambiente mais favorável, se sobrepõem dominando a
fermentação (ANDRIETTA, 1994). Segundo Lima et al. (2001b), esse fenômeno pode ser
constatado pela técnica de cariotipagem que identifica a cepa da levedura pelo seu DNA.
Para cada microrganismo existe uma característica específica relacionada aos parâmetros
cinéticos que descrevem seu metabolismo, originando diferentes situações de rendimento
(ANDRIETTA, 1994).
3.1.3 Fatores físico-químicos e microbiológicos que interferem no rendimento da
fermentação
Obviamente quando se pretende produzir algo, se deseja alcançar o melhor rendimento
possível de matéria-prima e energia gasto neste processo. Para atingir este objetivo, em
processos industriais, é utilizada uma série de mecanismos para controlar os aspectos relativos
à transformação da matéria-prima de forma eficiente evitando desperdícios. Em processos
biotecnológicos as transformações são creditadas a seres vivos microscópicos que, para
cumprir seu trabalho, devem dispor de uma série de fatores ambientais, físicos, químicos e
microbiológicos específicos para alcançar um bom desempenho nessa tarefa (AMORIM et al.,
1996).
6
Deve-se levar também em consideração o fato de que a ação principal do
microrganismo, no caso uma levedura, é garantir sua sobrevivência e reprodução, sendo o
produto metabolizado somente uma consequência dessas duas tarefas anteriores. Portanto,
cabe ao homem, explorando a capacidade de adaptação da levedura, aumentar a produção de
um determinado metabólito por garantir condições especiais para que esse processo ocorra.
Ter isso em mente leva a um estudo detalhado de como reage um microrganismo diante dos
diversos fatores citados anteriormente. (LIMA et al., 2001a)
3.1.4 Influência Das Condições Ambientais Nos Processos Fermentativos
Segundo descreve Amorim et al. (1996), o desempenho do processo fermentativo é
fortemente influenciado pelo tipo de levedura que está envolvida neste. Portanto, as
características genéticas de um microrganismo tem uma grande relevância quando se trata de
se obter bons resultados em matéria de rendimento alcoólico. Outro aspecto muito importante
a ser considerado está na identificação do efeito que os fatores ambientais têm sobre o
crescimento e formação do produto.
Segundo a literatura, os principais fatores que limitam a produtividade dos
microrganismos chamados de levedura, responsáveis pela fermentação alcoólica aqui
estudada são (AMORIM et al., 1996):
a) Temperatura;
b) Acidez (pH);
c) Nutrientes;
d) Concentração de Etanol;
e) Agentes tóxicos;
f) Pressão osmótica e;
g) Contaminação com outros microrganismos.
Conforme a descoberta feita pelos irmãos Buchner em 1897, as enzimas contidas no
citoplasma celular são as responsáveis pela função de catalisar as 12 reações envolvidas na
transformação do açúcar (glicose) em etanol e gás carbônico, sendo nessa região da célula que
7
ocorre a fermentação alcoólica. Essas enzimas, denominadas glicolíticas, sofrem a ação de
muitos fatores (nutrientes, minerais, vitaminas, inibidores, substâncias do próprio
metabolismo, pH, temperatura e outros), que de alguma forma podem estimular ou inibir a
atividade enzimática, podendo causar alterações no desempenho do processo fermentativo
proporcionado pelas leveduras. (LIMA et al., 2001b)
O estudo de como cada um desses principais fatores influencia no resultado do
rendimento da fermentação é muito importante para o entendimento dos mecanismos
relacionados à eficiência da levedura em produzir etanol.
3.1.4.1 Efeito da temperatura
O crescimento microbiano e a formação de produto são os resultados de uma série
complexa de reações químicas conhecidas como metabolismo, e como todas as reações
químicas, elas são influenciadas pela temperatura (DALE et al., 1990). O crescimento pode
ser descrito como um balanço entre células que nascem e células que morrem (SCHIMIDELL
et al., 2001), e pode ser descrito conforme equação 3.2.
Equação 3.2:
dX.X .X
dt
Onde
: taxa específica de crescimento celular
: taxa específica de morte celular
Ocorre o crescimento dos microrganismos quando a taxa específica de crescimento
celular é maior que a taxa específica de morte celular. Ambas as taxas dependem da
temperatura. Em geral, em função dessas características pode-se concluir que existe sempre
uma temperatura ótima para cada microrganismo, onde o crescimento microbiano é maior.
Schimidell et al. (2001) definiram que as taxas de crescimento e morte celular
possuem uma relação com a velocidade das reações químicas catalisadas pelas enzimas,
8
portanto utilizando-se a Equação de Arrhenius, é possível demonstrar qual a relação entre a
temperatura e essas taxas, conforme expostas nas equações 3.3 e 3.4, respectivamente:
Equação 3.3:
aEA.exp
R.T
Equação 3.4:
aE 'A '.
R.T
As temperaturas ótimas para a produção industrial de etanol situam-se na faixa de 26 a
35 ºC. A velocidade da fermentação aumenta com o aumento da temperatura, mas esse
aumento favorece a contaminação bacteriana, aumentando a competição pelo substrato
(glicose) e reduzindo consequentemente o rendimento (LIMA et al., 2001b).
Levando em consideração os fatores citados torna-se de extrema importância o
controle da temperatura, justificando seu monitoramento no processo industrial.
3.1.4.2 Efeito do pH
O potencial hidrogeniônico (pH) é um fator significativo para os processos de
fermentação industrial devido a sua importância, tanto no crescimento da levedura, como na
formação do produto. Pode ser também, um indicativo de contaminação bacteriana, por essa
razão ele deve ser monitorado nas fermentações industriais. (OLIVA-NETO, 2008).
Amorim et al. (1996) indicam que o pH dos mostos industriais encontram-se na faixa
de 4,5 a 5,5 com uma boa capacidade tamponante. As leveduras mantêm sua homeostase de
forma quase independente dos valores de pH do meio e isto as ajuda a se manterem viáveis
mesmo quando, no processo de tratamento ácido, a acidez chega a níveis de pH entre 2 e 3,2.
Este processo visa a diminuição da carga de contaminação bacteriana (LIMA et al., 2001b).
Podem ocorrer variações do pH durante as fermentações por diversas razões, algumas
delas relacionadas a variações devido ao consumo de fontes de nitrogênio, bem como a
variações originadas pela formação de ácidos, tais como acético, láctico, pirúvico, succínico
(DORTA et al., 2006).
9
3.1.4.3 Efeito da concentração de nutriente
Em uma alta concentração de nutrientes, no caso açúcares, têm-se observado um
aumento na velocidade de fermentação e aumento na produtividade (LIMA et al., 2001b). No
entanto, segundo observado por Amorim et al. (1996), a relação ideal para se obter os
melhores rendimentos, encontra-se entre 3,3 a 3,8 kg de ART (açúcares redutores totais)
mosto e kg de levedura seca. Muito acima desses valores o rendimento começa a declinar
motivado pelo estresse osmótico na levedura ocasionado pela alta concentração de açúcares e
pela alta toxidade do etanol. (BISSON e BUTZKE, 2000; MALACRINÒ et al., 2005).
Outra possibilidade de inibição tem a ver com a concentração de algumas substâncias
específicas que podem estar no meio. Tais substâncias podem ser tanto agentes tóxicos, como
uma alta concentração dos metabólitos produzidos pela própria levedura (AMORIM et al.,
1996).
3.1.4.4 Concentração de etanol
Muitos estudos realizados sobre o aumento de concentração do etanol e produtividade
da levedura Saccharomyces cerevisiae, demonstram o efeito inibidor que altas concentrações
de etanol no substrato ou no meio tem sobre a cinética de fermentação (SILVA, 1997;
CASEY e INGLEDEW, 1976). Isto ocorre em grande parte devido às alterações da
composição da camada lipídica da membrana celular podendo ocasionar o rompimento da
parede celular e a morte do microrganismo. Algumas enzimas como hexoquinase, álcool
desidrogenase, invertase, frutose-1,6-bifosfato aldolase e piruvato descarboxilase são
consideradas por alguns autores como as mais sensíveis a grandes concentrações de etanol
(CASEY e INGLEDEW, 1976; SHARMA e TAURO, 1987; MILLAR et al., 1982). A síntese
de proteínas estressoras pode ser considerada outra razão para essa inibição
(HALLSWORTH, 1998, MARTINI et al., 2004).
Concentrações elevadas de etanol (acima de 10ºGL) limitam o rendimento e
produtividade durante a fermentação industrial (WALKER-CAPRIOGLIO et al., 1985). A
toxidade gerada por estas concentrações tem uma influência sobre a capacidade de a levedura
sobreviver em temperaturas mais elevadas ocasionando a sua morte (CARVALHO,1996).
10
3.1.4.5 Agentes tóxicos
Muitos minerais, às vezes encontrados no meio, se mostram prejudiciais à
multiplicação e à fermentação, quer inibindo a atividade das enzimas quer alterando a
permeabilidade de membranas celulares (AMORIM et al., 1996).
Na Tabela 3.1 são demonstrados alguns dos efeitos inibidores do crescimento e da
fermentação causados por alguns minerais comumente encontrados durante uma fermentação
alcoólica a partir de cana de açúcar.
Tabela 3.1 - Agentes tóxicos e seus efeitos inibidores para Saccharomyces cerevisiae.
Cátion Efeito
Au, Ag Potentes inibidores do crescimento e fermentação; alteram a permeabilidade da membrana
com perda massiva de K+. Inibe o crescimento com concentração de 10 μM, e inibe
fermentação com 100 μM.
Al Toxico ao nível das membranas. Concentrações de 2 mM diminuem o crescimento.
Cd, Pd, Os Absorção acompanhada da perda de K+ 10 μM inibe o crescimento bloqueando a síntese de
proteínas. A fermentação é inibida com 0,1 mM. Inibe a absorção de cátions bivalentes.
Cr Inibe o crescimento a 10 μM e a fermentação a 30 mM bloqueando a absorção de açúcar.
Hg Inibe a fermentação em 0,1 mM, impede a síntese de ATP na mitocôndria e inibe a invertase.
Causa perda de K+.
Pb, Sn Inibição com 0,1 mM. Efeitos tóxicos diminuídos pela adição de fosfato.
Th 2 mM inibe o crescimento e 40 mM inibe a absorção de açúcar. Ação sobre as membranas
U 10 μM inibe o crescimento e 0,1 mM inibe a fermentação. Bloqueia a absorção de açúcar,
ligando-se aos grupos fosfóricos e carboxílicos das membranas.
Va 0,4 mM inibe o crescimento. Ação semelhante ao U. Em baixas concentrações estimula
síntese de proteínas e de tiamina.
Na, Li Fermentação e crescimento comprometidos com 1 M. Aumentam a energia de manutenção.
F Bloqueia crescimento e fermentação a 4 mM, inibindo enzimas glicolíticas (enolase).
Fonte: Rodney & Greenfield (1984)
11
3.1.4.6 Pressão osmótica
A elevada pressão osmótica do meio pode aumentar a toxicidade do ácido lático que
em baixa pressão osmótica (0,6) inibe o crescimento de Saccharomyces cerevisiae a partir de
5 g/L. Já em alta pressão osmótica (1,6) inibe a partir de 2,5 g/L. (NGANG et al. 1989).
3.1.4.7 Contaminação
Em um processo industrial de produção de etanol existem muitos focos de
contaminação microbiana, provenientes desde o momento em que a cana-de-açúcar se
encontra no campo até o momento em que o caldo ou mosto entram nos fermentadores. Esses
microrganismos podem ter sobrevivido aos tratamentos de caldo e às condições de pH,
temperatura e produtos inibitórios no meio fermentativo (como antibióticos) e se
estabeleceram nas dornas de fermentação (ANGELIS, 2010).
A existência de bactérias junto com as leveduras no meio fermentativo cria uma
competição entre estas duas espécies pelo substrato, diminuindo a produção de etanol, pois
somente as leveduras têm em sua rota metabólica a transformação do açúcar em etanol e CO2.
Os níveis de bactérias que representam um processo de fermentação sadio encontram-se
próximos de 105 células/mL (ANDRIETTA et al, 2006).
Alcançar uma assepsia completa em processos industriais de fermentação é muito
difícil em razão das dimensões do processo. Portanto é comum encontrar-se contaminação
bacteriana, em especial de Lactobacillus e Bacillus. Dependendo da intensidade dessa
contaminação, ocorre o comprometimento do rendimento do processo fermentativo.
Temperaturas altas de fermentação favorecem a contaminação bacteriana, o aumento do
tempo de fermentação e o estresse da levedura. A contaminação bacteriana está associada ao
aumento da acidez do meio, em razão da formação de ácido láctico e, embora não confirmado
de forma conclusiva, sobre as causas da floculação da levedura (LIMA et al., 2001b).
Até que ponto a contaminação bacteriana pode influenciar no rendimento fermentativo
pode ser observado no trabalho de Serra et al. (1979), que registrou uma queda de 15% do
rendimento devido a ação das bactérias. Alterthum et al. (1984), demonstraram em seus
experimentos, quedas de rendimento na faixa de 14 a 90%, quando os níveis de contaminação
atingiram os valores de 108 a 10
9 cel/mL.
Além dos efeitos prejudiciais causados pela contaminação bacteriana no ambiente
fermentativo, em muitos casos esta ocorre ainda no processo de corte da cana-de-açúcar,
12
sendo detectada pela presença de dextrana, gerando perdas no rendimento da fermentação. A
causa dessa contaminação se dá principalmente por bactérias do gênero Leuconostoc que são
produtores de biopolímeros de forma gomosa como a dextrana. A dextrana causa perda da
viabilidade, nas células de levedura, levando a necessidade da substituição por novas células
(MUTTON, 2003).
Ficam claros os prejuízos causados pela contaminação bacteriana para a fermentação.
Como contramedida para reduzir ou limitar a proliferação bacteriana, o uso de antibióticos é
comumente aplicado nas usinas de fabricação de etanol (AMORIM et al., 1996).
3.2 CÁLCULO DO RENDIMENTO DA FERMENTAÇÃO
Um fator importante para identificar o desempenho de processos fermentativos e
corrigir problemas na fermentação é o cálculo de rendimento da fermentação.
Existem dois métodos utilizados para isso:
Cálculo de Rendimento Estequiométrico e;
Cálculo de Rendimento por Subprodutos.
Esses dois métodos são descritos nos próximos tópicos.
3.2.1 Rendimento Estequiométrico
O cálculo do rendimento estequiométrico, segundo proposto por Schimidell et al.
(2001), é o observado na equação abaixo:
Equação 3.5:
C12H22O11 H2O 2C6 H12O64CH3 CH2 OH 4CO2
342g sacarose 18g água 2*180g Açúcares invertidos 4*46g etanol 4*44g Gás carbônico
A equação da transformação de glicose a etanol e gás carbônico acima, sem levar em
conta a produção de mais células e de subprodutos é conhecida como equação de Gay Lussac.
13
Assim, 342 gramas de sacarose produzem 360 gramas de açúcares redutores totais,
que por sua vez produzem 184 gramas de etanol, ou seja, cada 100 gramas de sacarose
correspondem a 53,80 gramas de etanol.
No entanto, essa fórmula não é adequada para o cálculo de rendimento da fermentação
em usinas, pois em uma fermentação, parte dos açúcares presentes no meio é consumida em
reações paralelas necessárias para a síntese de etanol. Outros produtos como glicerol e ácidos
orgânicos (principalmente ácido acético e succínico) podem ser formados (AMORIM, 2005).
3.2.2 Rendimento por subprodutos
O rendimento da fermentação na indústria ( ( )) é usualmente
determinado de acordo com os subprodutos gerados no processo. O cálculo originalmente foi
proposto pelo então Centro de Tecnologia Copersucar (1987) e posteriormente descrito por
Fernandes (2003).
Levando em consideração a formação de subprodutos e seu impacto no cálculo do
rendimento da fermentação utiliza-se as seguintes equações para utilizar no cálculo de
rendimento.
KI = perdas de fermento:
Equação 3.6:
KI =
KG = glicerol produzido
Equação 3.7:
KG =
Kart = perdas de açúcares totais
%FVOLANTE: Porcentagem de
fermento no vinho do volante
GLVT: Porcentagem de álcool
(vol/vol) do vinho turbinado
Glicerol: Teor de glicerol produzido em
%m/v
14
Equação 3.8:
KART =
Kac = acidez produzida
Método balanço de massas:
Equação 3.9:
KAC=
[ ((
) ) ((
) )]
[
((
)
)]
Onde:
Acidezdorna: Quantidade de ácidos totais na dorna em gH2SO4/L.
Acidezpé: Quantidade de ácidos totais no pé-de-cuba em gH2SO4/L.
Acidezmosto: Quantidade de ácidos totais no mosto em gH2SO4/L.
%FDorna: Porcentagem de fermento na dorna.
%Fpé: Porcentagem de fermento no pé-de-cuba.
ºGLdorna: Porcentagem de álcool (vol/vol) da dorna.
ºGLpé: Porcentagem de álcool (vol/vol) do pé-de-cuba.
Calculados todos os coeficientes, o rendimento fermentativo por este método
de subprodutos será dado pela seguinte equação:
Equação 3.10:
( )
( )
ARRT: teor de açúcares redutores
residuais total.
15
3.3 REDES NEURAIS ARTIFICIAIS – RNA.
Redes neurais são unidades de processamento de informação compostas por um
conjunto de elementos conectados, unidades ou nós de processamento simples, cuja
funcionalidade baseia-se no funcionamento de um neurônio cerebral. A habilidade de
processamento da rede está na memória armazenada nas conexões dessas unidades, chamadas
de pesos, que são adquiridas por um processo chamado de aprendizagem, a partir de padrões
de treinamento (GURNEY, 1997).
Segundo Haykin (2001), as redes neurais artificiais obtém sua capacidade de
processamento através do que ele chama de “plasticidade” do neurônio em desenvolvimento,
que se assemelha com a maneira como o sistema nervoso natural adapta-se ao seu meio
ambiente. Segundo ele, os neurônios artificiais imitam seus correspondentes naturais a fim de
ajustar o funcionamento da rede neural artificial ao modo como o cérebro realiza uma tarefa
em particular.
3.3.1 Treinamento
O que leva o cérebro interpretar um determinado estímulo externo, na maioria dos
casos, é definido por ligações sinápticas cerebrais reforçadas através do que se conhece como
“experiência” (HAYKIN, 2001). A experiência está ligada intimamente com o aprendizado.
De maneira similar, as redes armazenam o conhecimento adquirido por meio de interações
com o meio ambiente. A capacidade da RNA em fornecer respostas próximas ao alvo
desejado está relacionada à sua capacidade de aprender por exemplos e fazer interpolações e
extrapolações do que podem aprender e uma fase chamada de treinamento (EYNG, 2006).
A estratégia no uso de rede neural para resolver um determinado problema é escolher
uma arquitetura de rede, melhor adaptada para o problema, e um processo de aprendizagem
pelo qual exemplos representativos dos conhecimentos a serem adquiridos são apresentados à
rede que se auto-organiza para integrar, dentro de sua estrutura, a informação a ser
apresentada, ajustando acertadamente o peso sináptico das conexões neurais. A aprendizagem
geralmente requer a exibição, para a rede, de exemplos de aprendizagem muitos milhares de
vezes (THIBAULT et al., 1990).
Na fase de treinamento, a rede extrai informações relevantes de padrões de informação
apresentados a ela, criando assim sua própria representação do problema. O aprendizado é
16
então feito por meio de ajustes dos parâmetros da rede chamados pesos sinápticos que se
encontram entre as unidades de processamento (neurônios). Ao final do processo de
treinamento, a rede terá adquirido o conhecimento sobre o ambiente e armazenado esse
conhecimento nos próprios pesos (PICOLI, 2006). Um conjunto de regras bem definidas para
a solução de um problema de aprendizado é denominado de algoritmo de aprendizado. Há um
número diversificado de tipos de algoritmos de aprendizado específicos para os diferentes
tipos de Redes Neurais, sendo que a diferença entre um e outro é notada pela forma como os
pesos são ajustados.
Segundo Carvalho et al. (1998), os métodos de treinamento desenvolvidos podem ser
agrupados em três paradigmas principais:
a) Aprendizado Supervisionado: quando é utilizado um agente externo que indica
à rede a resposta desejada para o padrão de entrada;
b) Aprendizado Não Supervisionado (auto-organização): quando não existe um
agente externo indicando a resposta desejada para os padrões de entrada;
c) Reforço: quando um agente externo avalia a resposta fornecida pela rede.
3.3.2 Perceptron
Um neurônio biológico faz uma somatória de todos os estímulos de entrada e produz
um impulso de saída somente se a soma for maior que um determinado valor, denominado
como valor limiar. Os estímulos (sinais de entrada) chegam até o neurônio por meio dos
dendritos, os quais se conectam as saídas de outros neurônios por meio de junções chamadas
sinapses. Os sinais são propagados como ondas pelo axônio da célula e convertidos para
sinais químicos nas sinapses. Estas junções podem alterar a eficiência com que o sinal é
transmitido; algumas sinapses são boas junções, e passam um forte sinal adiante, enquanto
que outras, muito ruins, permitem a passagem de um sinal fraco. Ao receber os sinais
provenientes das diversas entradas o corpo celular dispara, se o total de entradas excederem o
valor limiar (BEALE, 1990).
17
Figura 3.1 - Neurônio biológico. Fonte: Bona (2008).
Os neurônios artificiais surgiram a partir de estudos relacionados à procura por
dispositivos artificiais capazes de imitar o modelo biológico.
Em 1943, Mcculloch e Pitts construíram um modelo de neurônio artificial baseado na
modelagem de um neurônio biológico e sua capacidade computacional.
No modelo proposto, os dendritos foram substituídos por entradas, as conexões destas
entradas com o neurônio artificial seriam estabelecidas por meio de elementos chamados
pesos, que quando multiplicados às suas respectivas entradas, simulariam as sinapses. Desta
forma, para simular sinapses mais fortes, os pesos aplicados seriam maiores, amplificando o
respectivo sinal de entrada. Dentro do neurônio artificial, uma função de soma foi
incrementada, sendo o seu resultado aplicado a outra função contendo um limiar de ativação.
Sendo alcançado o limiar de ativação o então proposto neurônio artificial reproduziria um
sinal de saída (EYNG, 2006).
Apesar da importância do trabalho de Mcculloch e Pitts (1943), ainda faltava algo para
concretizar o uso do modelo desenvolvido. Faltavam ainda técnicas de aprendizagem para que
o modelo pudesse ser capaz de ajustar seus pesos sinápticos segundo o conhecimento
adquirido durante a aprendizagem. Em 1958 esse problema veio a ser resolvido pelo trabalho
de Frank Rosenblatt. Rosenblatt apresentou um modelo denominado perceptron, composto
18
por uma estrutura de rede baseada no modelo proposto por Mcculloch e Pitts, mas acrescido
de um algoritmo de treinamento (EYNG, 2006).
A Figura 3.2 demonstra a topologia do perceptron, para uma única saída.
Figura 3.2 - Topologia de um perceptron simples. Fonte: Eyng (2006).
O modelo neural descrito acima inclui um termo limiar, denotado por bk. Este termo
possui a função de causar uma redução na entrada da função transferência, vk.
Desta forma, para o neurônio k, a função de transferência vk corresponde a somatória
das entradas (x1,x2,...,xN), multiplicadas pelos seus respectivos pesos (w1k,w2k,...,wNk),
acrescida do termo limiar (bk) conforme equação 3.11.
Equação 3.11:
∑
Equação 3.12:
( )
Onde:
19
x1,x2,...,xN= Sinais de entrada.
w1k,w2k,...,wNk= Pesos sinápticos do neurônio k.
bk= Termo Limiar.
φ(vk)= Função de ativação.
vk= Entrada da função de ativação.
O termo limiar, bk, é um parâmetro externo ao neurônio k. Desta forma este termo
pode ser adicionado a somatória da Equação 3.11, na forma de uma entrada adicional x0,
caracterizada por x0 = +1, sendo o peso sináptico a ela associado o próprio bk (wk0 = bk). A
equação, conforme sugere Eyng (2006), pode ser escrita da seguinte forma:
Equação 3.13:
∑
A função de ativação, denotada por φ, é responsável por fornecer o sinal
correspondente à saída do neurônio yk. A função de ativação do perceptron é a função degrau
da Equação 3.14.
Equação 3.14:
( ) {
3.3.3 Perceptron de Múltiplas Camadas
Segundo Haykin (2001), a rede perceptron de múltiplas camadas, ou MLP (Multilayer
Perceptron) como é mais conhecida, consiste de um conjunto de unidades sensoriais que
constituem uma camada de entrada, uma ou duas camadas ocultas de nós computacionais e
uma camada de saída. O sinal se propaga através da rede, no sentido das entradas em direção
as saídas, passando camada por camada da rede.
20
As redes MLP têm obtido muito sucesso em diversas aplicações onde se faz necessário
o uso de poder computacional para resolver problemas difíceis. Seu grande sucesso deriva de
seu treinamento supervisionado com um algoritmo conhecido como algoritmo de
retropropagação de erro (error back-propagation). Este algoritmo baseia-se na regra de
aprendizagem por correção de erro (HAYKIN, 2001).
A arquitetura apresentada na Figura 3.3 mostra um exemplo de rede neural
“feedforward” completamente conectada, ou seja, cada neurônio em uma determinada camada
está conectado aos demais da camada seguinte.
Figura 3.3 - Arquitetura de uma rede neural artificial. Fonte: Eyng (2006).
A aprendizagem por retropropagação de erro envolve dois passos através das camadas
da rede. Um passo para frente, a propagação, onde um padrão de atividade (vetor de entrada)
é aplicado aos nós sensoriais, meio pelo qual ela se comunica com o ambiente externo, e seu
efeito se propaga camada após camada. Ao final um sinal correspondente à saída emerge
produzido como a reposta real da rede. No passo para trás, os pesos sinápticos são ajustados
de acordo com uma regra de correção de erro. Especificamente, a resposta real da rede é
subtraída de uma resposta desejada (alvo apresentado à rede durante a fase de aprendizado)
FUNÇÃO
ERRO
21
para produzir um sinal de erro, sendo útil para o algoritmo de aprendizagem
“Backpropagation” (HAYKIN, 2001; EYNG, 2006).
3.3.4 Algoritmo da retropropagação (ou backpropagation)
As redes neurais tem a capacidade de fazer generalizações, geram suas próprias regras
para a compreensão de um determinado problema, com base nos dados obtidos durante uma
série de dados para treinamento. Isto se dá em razão de um algoritmo de aprendizagem, que
atualiza os pesos sinápticos entre as conexões em função dos resultados obtidos durante a fase
de propagação (BONA, 2008).
Em 1986, Rumelhart e Mcclelland propuseram o algoritmo de retropropagação,
também conhecido como regra delta. Nele o objetivo é minimizar o erro gerado entre a
resposta da simulação e a desejada, sendo necessário, o ajuste nos pesos sinápticos associados
às entradas dos neurônios (EYNG, 2006).
Uma apresentação completa do conjunto de treinamento é denominada, época ou
interação, e o processo de aprendizagem continua até os pesos sinápticos e os níveis de
“bias” se estabilizarem e o erro quadrático médio convergir para um valor mínimo
(HAYKIN, 2001). Na Figura 3.4, observa-se um gráfico que demonstra a progressão do Erro
Médio Quadrático em direção a um valor mínimo.
22
Figura 3.4- Evolução dos erros de treinamento (cinza) e de teste (preto) durante o treinamento da
RNA. Fonte: Oliveira et al. (2009).
Assim, o erro calculado na camada de saída é retropropagado às camadas anteriores,
servindo de base para a modificação de todos os pesos, até que a resposta obtida pela rede seja
satisfatória (HAYKIN, 2001).
3.3.5 O estudo de redes neurais em processos de produção de etanol.
A demanda por combustíveis renováveis e o fato do etanol ser uma das fontes
renováveis de energia mais viáveis, associado, a tecnologia dos motores flex que permite o
uso de qualquer proporção etanol/gasolina, aumentaram significativamente o consumo e a
produção do etanol no Brasil (MANTOVANELI, 2005). O aumento de áreas de cultivo de
cana-de-açúcar tem causado muita preocupação, pois alguns temem que essas áreas de cultivo
avancem sobre terras antes destinadas a produção de alimentos. A baixa eficiência em
produzir etanol por hectare de terra plantada tornou-se uma preocupação que tem levado a
muitos estudos sobre novos métodos e práticas agrícolas, novas cepas de leveduras e mesmo a
técnicas de melhorias dos processos produtivos. Inseridos nesse cenário, encontram-se
estudos relacionados ao uso de redes neurais como ferramentas preditivas e de controle na
otimização e consequente aumento do rendimento na produção e extração do etanol.
23
Meleiro et al. (2005) utilizaram redes neurais artificiais para desenvolver um
controlador adaptativo multivariável para aplicação em processos biotecnológicos.
Verificaram que “soft-sensors” baseados em redes neurais artificiais e modelos híbridos são
ferramentas computacionais confiáveis para sistemas de identificação “on-line” e podem ser
usados como bons suportes para estratégias de controle adaptativo.
Um dos primeiros trabalhos relacionados à utilização de sistemas não lineares em
processos de fermentação alcoólica foi o realizado por Meleiro (2002), onde propunha a
elaboração de controladores baseados em sistemas neurais. Ele propôs a utilização de redes
neurais em estudos de casos envolvendo dois processos fermentativos para a produção de
etanol. Um deles, baseado num sistema Melle-Boinot, muito utilizado nas usinas brasileiras, e
outro, um sistema alternativo que utiliza apenas uma dorna acoplada a uma centrífuga, um
tanque de tratamento de leveduras e um tanque “flash”, cuja principal função é extrair
continuamente parte do etanol produzido. Os resultados obtidos, segundo o autor,
demonstraram a capacidade superior, em relação a controladores lineares, do uso da técnica
de redes neurais no projeto de controladores de processos biológicos.
Em 2004, Pramanik investigou o uso de técnicas de redes neurais artificiais para
ajudar na predição de parâmetros tais como massa de células e concentração de etanol sobre
condições variáveis de fermentação e comparou os resultados obtidos por seus experimentos
com aqueles obtidos através das simulações gerados pelas redes neurais artificiais. Tratava-se
então dos primeiros testes de desempenho de redes neurais aplicadas à predição de parâmetros
biológicos realizados em laboratório. Para tanto, Pramanik utilizou suco de uva como
substrato em fermentações do tipo batelada e monitorou os parâmetros de entrada tais como
pH, temperatura, concentração de açúcar inicial e também a concentração em função do
tempo. Seus resultados revelaram um ótimo desempenho na predição desses parâmetros, com
especial precisão dentro da faixa dos dados de treinamento da rede neural.
Outro trabalho relevante para o desenvolvimento de redes neurais em processos de
fermentação alcoólica foi o desenvolvido por Mantovaneli (2005). A autora propôs a
modelagem de um sistema híbrido neural para um processo de fermentação alcoólica
utilizando balanços de massa combinados com redes neurais do tipo “Functional Link”. Neste
trabalho também foi implementado um esquema para atualização dos pesos da rede sempre
que esta não descrevesse o comportamento dinâmico da planta. O modelo foi aplicado a uma
planta de produção de etanol e os resultados obtidos foram satisfatórios, pois demonstraram
24
um bom desempenho diante das perturbações da planta, evidenciando uma boa capacidade de
generalização diante destas perturbações.
Eyng (2006) utilizou controladores “feedforward-feedback”, baseados no modelo
inverso de redes neurais em uma coluna de absorção para a recuperação de etanol perdido
durante a fermentação, devido a complexidade do controle exigido nessa aplicação. Realizou
também uma série de comparações entre o método tradicional de controle PID e o uso de
controladores utilizando redes neurais artificiais. Seu trabalho conclui com a superioridade do
controlador neural, comprovada pelos valores obtidos para os parâmetros ITAE (integral do
erro absoluto ponderada pelo tempo), IAE (integral do erro absoluto) e ISE (integral do
quadrado do erro).
Meleiro et al. (2009) propuseram a elaboração de uma rede neural artificial aplicada a
identificação e controle de um processo de produção de etanol combustível, utilizando como
método um algoritmo de treinamento construtivo. Os métodos construtivos começam com
uma arquitetura mínima de rede e adicionam neurônios até que uma solução adequada seja
encontrada. A determinação da arquitetura de rede inicial nestes métodos é imediata. Além
disso, os algoritmos construtivos sempre efetuam a busca a partir de arquiteturas de dimensão
reduzida, resultando em um menor esforço computacional. (CASTRO et al., 1999). A
proposta de usar um algoritmo de treinamento construtivo foi aplicada com sucesso para
identificar um bioprocesso do tipo MIMO (Múltiplas entradas e múltiplas saídas),
providenciando um modelo multivariável capaz de fielmente descrever uma dinâmica
complexa, mesmo em predições de largas amplitudes.
Rivera et al. (2009) propuseram a utilização de um sistema de controle automatizado
utilizando “software-sensors” (sensores baseados em software) projetados utilizando o
princípio de redes neurais do tipo MLP. Foram utilizados sensores de pH, turbidez,
temperatura e vazão de CO2 como variáveis de entrada da rede neural dos “software-sensors”.
Os parâmetros estimados por essas variáveis de entrada foram concentração de biomassa, de
substrato e de produto. A Figura 3.5 demonstra que a comparação entre os resultados obtidos
pela análise laboratorial e os preditos pela rede neural artificial foram bem próximos.
25
Figura 3.5- Resultados do uso de redes neurais e “software-sensors”. Fonte Rivera et al. (2009)
Rivera et al. (2010) desenvolveram outro trabalho utilizando ANN-SS (Rede neural
artificial baseada em “software-sensors”), mas neste procuraram demonstrar a eficiência deste
tipo promissor de sensor, também em processos de fermentação contínua. O modelo proposto
no trabalho de Rivera e seus colaboradores contribuiu muito para o entendimento das
complexas relações entre as variáveis de processos em unidades de reação e separação, que é
de importância majoritária para que um processo de produção de etanol atinja um excelente
desempenho.
Todos os trabalhos mencionados neste referencial foram bastante importantes para o
entendimento do uso de redes neurais artificiais em processos fermentativos de produção de
etanol. No entanto, ainda pouco se tem aplicado em termos práticos nas usinas produtoras de
etanol no país. Por estas razões o objetivo deste trabalho é desenvolver redes neurais
artificiais, num enfoque diferente. Propõe-se estudar os dados já levantados pelo sistema de
controle da qualidade das usinas e inseri-los em uma rede neural artificial, com o objetivo de
predizer as melhores condições associadas a um rendimento ótimo e desta forma gerar
subsídios capazes de orientar ajustes nos parâmetros produtivos a fim de alcançar esse
rendimento.
26
Para tanto, inicialmente se faz necessário uma análise aprofundada das características
físico-químicas dos substratos e do produto final, bem como das características
microbiológicas que interferem no rendimento da fermentação em situações reais, isto é,
fatores comuns nas indústrias e não sob um ambiente controlado como em laboratórios.
27
4 MATERIAIS E MÉTODOS
4.1 A NATUREZA DOS DADOS UTILIZADOS
Muito se tem feito em matéria de modelamento matemático utilizando dados obtidos a
partir de experimentação em laboratório, no entanto, neste trabalho apresentado, optou-se por
utilizar como dados os registros de parâmetros relacionados à matéria prima (tempo de
queima, pureza da cana, ATR do caldo, etc.) e de processo de fermentação (acidez do mosto,
levedo na cuba, temperatura de fermentação, etc.) encontrados nos boletins das médias
semanais provenientes de usinas de produção de etanol combustível a partir de cana de
açúcar.
Esta decisão foi tomada em função desses dados já estarem sendo monitorados pela
maioria das indústrias, com métodos analíticos já conhecidos e implementados. Segundo
AMORIM et al. (1996) o acompanhamento analítico do processo de fermentação deve ser
feito semanalmente e posteriormente analisado, quando necessário ou ao final da safra, por
meio de análise de regressão (linear ou quadrática) múltipla, para poder identificar as causas
de perda ou da variação dos rendimentos de fermentação. No entanto, ainda não foram
desenvolvidos métodos padronizados para essa análise.
Os dados propostos para o estudo referem-se à série histórica da produção semanal de
etanol de cana-de-açúcar, coletadas através de boletins de dados semanais proveniente de duas
usinas distintas agora denominadas, por questões de confidencialidade, de usina A e usina B,
e compreenderam o período de safra referente aos anos de 2008, 2009 e 2010 perfazendo um
total de 3.217 observações.
As observações, também chamadas de registros, foram agrupadas em blocos distintos
e identificadas de forma a se facilitar sua identificação da seguinte forma:
Usina A2008 – Dados semanais provenientes da usina A e referentes ao ano de
2008;
Usina BAno – Dados semanais provenientes da usina B referentes aos anos de
2008, 2009 e 2010.
Os dados representam todos os parâmetros monitorados pelas respectivas usinas no
período considerado neste estudo. Tais parâmetros já são considerados por algum tempo como
28
impactantes no processo fermentativo (AMORIM et al.,1996) e podem ser observados nas
Tabela 4.1 e Tabela 4.2.
Tabela 4.1- Parâmetros analisados da Usina A2008.
Parâmetro Descrição N.° de registros
A1 Semana 25
A2 Açúcar Redutor da cana 25
A3 ATR cana (Açúcar total recuperável) 25
A4 Acidez da Cana 25
A5 Dextrana Cana 23
A6 % álcool da cana 25
A7 Bastonetes no Caldo Primário 25
A8 Frequência de paradas 25
A9 % ART Açúcar (Açúcares redutores totais) 24
A10 Mosto Impureza % 24
A11 Temperatura do mosto 20
A12 Mosto UFC (Grau de contaminação
bacteriana)
9
A13 Acidez do Mosto (gH2S04/l) 25
A14 Mosto % ART (Açúcares redutores totais) 21
A15 Nitrogênio Amoniacal Mosto 21
A16 Acidez H2SO4/Kg/Brix 24
A17 Temperatura do vinho 21
A18 Bastonetes Vinho 25
A19 % Levedo Vinho 25
A20 Viabilidade Vinho 25
A21 Tempo de fermentação 21
A22 Floculação 25
A23 % ART Biomassa 25
A24 pH levedo 25
A25 Rendimento da Fermentação % 25
Total de registros 583
29
Tabela 4.2- Parâmetros analisados na Usina B durante as três safras (2008 a 2010).
Parâmetro Descrição N.° de registros
B1 Semana 132
B2 Tempo de Queima (h) 129
B3 Pureza Cana (PCTS) (%) 126
B4 ATR Cana (%) 126
B5 Dextrana Cana (ppm/Brix) 126
B6 ART (T/dia) 126
B7 Mosto impureza (%) 126
B8 ART do mosto (%) 126
B9 Acidez do mosto (gH2SO4/L) 126
B10 N. Amoniacal do mosto (ppm) 123
B11 ARRT do Vinho (%) 123
B12 Teor Alcoólico do vinho (oGL) 126
B13 Acidez do vinho (gH2SO4/L) 126
B14 Glicerol no vinho (%) 123
B15 pH Levedo 123
B16 Levedo na Cuba (%) 123
B17 Levedo na Dorna (%) 126
B18 Bastonetes no vinho (bast./mL) 123
B19 Viabilidade (%) 126
B20 Floculação (%) 123
B21 Rendimento Fermentação (%) 126
Total de registros 2634
Alguma variação existe entre os parâmetros monitorados de uma usina e outra, pois
não há um entendimento claro sobre quais seriam realmente os parâmetros mais apropriados
para um monitoramento eficaz de um processo de fermentação. A evidência disto é observada
nas tabelas acima, onde se observa que a usina B não monitora parâmetros tais como acidez
da cana, temperatura do vinho ou percentual de álcool na cana, que são monitorados pela
usina A.
30
4.2 O TIPO DE PROCESSO DE FERMENTAÇÃO
O processo de fermentação analisado nas usinas em questão é o de batelada
alimentada com recirculação de levedo que é largamente empregado no Brasil. É uma
evolução do processo desenvolvido na década de 30 pelo engenheiro Boinot nas Usinas de
Melle, na França. Um fluxograma simplificado do processo é apresentado na Figura 4.1,
abaixo:
Figura 4.1- Fluxograma de batelada alimentada. Fonte: adaptado de Melle-Boinot.
O tempo de fermentação, na média, foi de 8 horas para ambas as usinas.
Terminada a fermentação, o mosto fermentado, denominado de vinho ou vinho bruto é
encaminhado para uma dorna volante de vinho bruto e segue para as centrífugas para
separação do fermento.
O cálculo de rendimento de fermentação é feito após o término da fermentação
utilizando a equação que leva em consideração a produção de subprodutos descrita no item
3.2.2 deste trabalho.
Todo o processo de fermentação é monitorado por meio de medições e registros nos
boletins diários e depois as médias desses valores constituem o Boletim de Média Semanal.
Alguns métodos analíticos utilizados para o preenchimento dos parâmetros analisados
nesses boletins semanais são descritos com maior detalhamento no ANEXO 1 – Interpretação
dos dados do laboratório industrial e métodos analíticos
31
4.3 A ESCOLHA DOS PARÂMETROS PARA A CONSTRUÇÃO DA REDE NEURAL.
Para garantir uma boa escolha para os parâmetros que comporiam as entradas para as
redes neurais a serem montadas e testadas, utilizou-se alguns métodos para analisar a eficácia
dos mesmos:
Análise estatística de correlação;
Análise teórica e;
Análise de sensibilidade.
Tais análises se mostraram importantes para a organização e compreensão das etapas
para alcançar os objetivos desse trabalho.
4.3.1 Análise de estatística de correlação
Foram realizados testes estatísticos de correlação, utilizando-se o software
STATISTICA 7.0 da empresa StarSoft, entre os parâmetros selecionados comparando-se aos
resultados obtidos de rendimento da fermentação.
Duas análises de correlação foram realizadas. A primeira delas foi utilizando os dados
da usina A (A2008) onde se verificou qual seria o grau de correlação obtido utilizando-se o
modelo de Boletim de média semanal utilizado por esta usina. A segunda análise foi realizada
com os dados agregados dos três conjuntos de dados da usina B (B2008, B2009, B2010).
No entanto, somente uma análise estatística não poderia ser suficiente para a
identificação dos parâmetros de entrada da rede neural, para a confirmação e validação dessa
seleção, portanto optou-se, realizar uma análise teórica desses parâmetros já pré-selecionados.
4.3.2 Análise teórica
O objetivo dessa análise é identificar como cada parâmetro selecionado por meio da
análise de correlação, estudada anteriormente, se relaciona dentro de um contexto teórico,
com o desempenho do rendimento da fermentação.
Essa análise ou estudo foi conduzido por meio de uma revisão sobre os temas
relacionados a cada parâmetro e sua influência no desempenho do rendimento da
32
fermentação, segundo os trabalhos produzidos pelos autores citados nesse trabalho. Trabalhos
produzidos por autores como Amorim et al. (1996) e Ludwig et al. (2001) foram de grande
ajuda na interpretação e seleção dos parâmetros que serviram de entradas a serem
selecionadas para a rede neural.
Análises em separado foram realizadas para os parâmetros utilizados pela usina A e
pela usina B. Dessa forma avalia-se também se existe uma diferença significativa entre os
parâmetros escolhidos pelas duas usinas para monitorar seus processos. Essa diferença pode
ser identificada quer seja pelos índices de correlação, quer seja pelos resultados obtidos na
aplicação da rede neural.
4.3.3 Análise de Sensibilidade
A análise de sensibilidade identifica quais a variáveis consideradas mais importantes
para uma rede neural em particular. Ela pode dar um importante conhecimento sobre a
utilidade das variáveis individualmente. Usualmente esta análise é usada para identificar quais
as variáveis de entrada que podem seguramente ser suprimidas de uma rede neural.
Para definir a sensibilidade de cada variável dentro de uma rede neural em particular,
usa-se o conceito de que cada variável é “dispensável” (HUNTER et al., 2000). Desta forma,
o software que executa esse teste (Statistica v. 7), calcula preliminarmente os erros da rede e
sucessivamente executa uma nova rodada da rede neural utilizando um valor nulo para a
variável em teste. A influência dessa variável dentro da rede neural então é mensurada pela
diferença entre os resultados dos erros, antes e depois do teste, definindo então a importância
(RANK) e o grau de sensibilidade (RATIO).
Essa análise foi realizada após a montagem das redes neurais para ajustar os resultados
das análises acima descritas, em função de um possível erro de critério na escolha dos
parâmetros da rede neural causada pelo comportamento não linear de alguns parâmetros
monitorados pelas usinas. Um exemplo é a temperatura do mosto, que muito abaixo ou muito
acima do ideal para a atividade metabólica da levedura, causa uma perda no rendimento da
fermentação (AMORIM et al.,1996).
33
4.4 A ESCOLHA E A MONTAGEM DA REDE NEURAL
As Redes Neurais, ou redes neurais artificiais para sermos mais precisos,
representam uma tecnologia que tem raízes em muitas disciplinas: neurociência, matemática,
estatística, física, ciência da computação e engenharia (HAYKIN, 2001). As redes neurais
aplicam-se em diversos campos. Neste contexto, são muitos os tipos de redes neurais que
existem, sendo cada uma mais adequada a uma situação particular.
4.4.1 Usando redes neurais do tipo perceptron de múltiplas camadas para predizer
o rendimento da fermentação
Neste trabalho foi utilizada uma das mais conhecidas e utilizadas redes neurais, a rede
do tipo Perceptron de Múltiplas Camadas (em inglês Multilayer Perceptron ou simplesmente
MLP). A rede MLP tem sido utilizada para resolver problemas difíceis, através de seu
treinamento supervisionado com um algoritmo muito popular, conhecido como algoritmo de
retropropagação de erro (HAYKIN, 2001). Este algoritmo é baseado na regra de
aprendizagem por correção do erro. Essas características, juntamente com a habilidade de
aprender da experiência através do treinamento, tornam esse modelo mais adequado ao
processo por permitir que se utilizem os dados experimentais para o treinamento, validação e
teste.
Depois de realizada a seleção dos parâmetros nas análises de correlação e análise
teórica, descritas nos itens 4.3.1 e 4.3.2, os parâmetros selecionados foram agrupados em
planilhas identificadas pela usina e pelo ano em que foram coletadas. No caso dos parâmetros
da Usina B, todos os anos foram ajuntados de tal forma que constituíssem um só conjunto de
dados.
Aleatoriamente foram selecionados os dados contendo os parâmetros dessas planilhas.
Segundo Haykin (2001), a aleatoriedade garante que os exemplos sucessivos apresentados à
rede em uma época, raramente pertençam à mesma classe. Esses dados foram organizados
segundo a divisão abaixo:
80% dos dados foram utilizados para treinamento da rede;
10% validação da rede, processo pelo qual se obteve o desempenho da rede neural e;
10% teste.
34
Algumas configurações de rede neural foram realizadas seguindo alguns objetivos
traçados para determinar a melhor predição dos resultados de rendimento. Abaixo segue a
descrição das redes montadas e suas características:
Rede Neural MLP-1 a partir dos parâmetros selecionados da usina A, para determinar
o desempenho dos parâmetros monitorados por essa usina com relação à predição do
rendimento da fermentação;
Rede Neural MLP-2 a partir dos parâmetros selecionados da usina B, para determinar
o desempenho dos parâmetros monitorados por essa usina com relação à predição do
rendimento da fermentação e sua variação em função dos anos (2008, 2009 e 2010);
Rede Neural MLP-3 utilizando os parâmetros da usina B usando o teor alcoólico (grau
GL) como saída para a rede neural.
As redes neurais seguem as seguintes características:
Rede: Perceptron multicamadas (MLP).
Normalização: mapminmax (entrada e saída).
Amostragem aleatória: 80% treinamento; 10% validação; 10% teste.
Funções de ativação: camada oculta (tangente hiperbólica); camada de saída (linear).
Escolha da melhor rede: coeficiente de correlação.
Função de erro: MSE (erro médio quadrático).
Como o objetivo desta rede é de predizer o rendimento da fermentação, sendo,
portanto um problema de regressão é proposto o uso do MSE e o coeficiente de correlação r,
como parâmetros para a escolha da melhor RNA. Para a avaliação de desempenho da rede foi
escolhido como critério a taxa de erro de testes. A taxa de erro de testes é obtida no final da
fase de teste e determina o grau de confiabilidade das predições feitas pela rede.
4.5 OS RECURSOS COMPUTACIONAIS
Os dados provenientes dos processos de fermentação fornecidos pelas usinas foram
registrados de forma manual, pelos analistas de laboratório, logo após as análises terem sido
35
realizadas em triplicata, registrando-se a média das medições em planilha do Excel formato
xlsx.
Para as análises estatísticas foi utilizado o software STATISTICA da empresa StarSoft,
versão 7.0 licenciado para a Universidade Tecnológica Federal do Paraná (UTFPR).
A montagem e simulação da rede neural foram realizadas por meio do software
MATLAB versão R2007b utilizando o toolbox Neural Network licenciado para a
Universidade Tecnológica Federal do Paraná (UTFPR).
Outras análises importantes neste trabalho foram feitas a partir do software estatístico
Minitab versão 16 versão student licenciado para o autor.
O computador utilizado nas simulações é um HP ProBook Core i5, 4 Gigabytes de
memória RAM e hard disc de 380 Gigabytes, Sistema operacional Windows Seven
Professional.
36
5 RESULTADOS E DISCUSSÃO
Esta seção apresenta a seleção dos parâmetros que devem compor as entradas da rede
neural utilizando-se dos métodos de análise de correlação linear e análise teórica já descrita
neste trabalho. Também relatam os resultados obtidos pelas redes neurais montadas fazendo
comparações entre as redes e discute sobre o uso destas na determinação de rendimento da
fermentação ou na determinação do teor alcoólico do vinho. Propõe um modelo para
determinação de um preditor de rendimento da fermentação, usando uma combinação de
redes neurais do tipo MLP, compostas pelos principais componentes considerados no cálculo
de rendimento de fermentação por subprodutos, hoje utilizados pelas usinas de produção de
álcool.
5.1 RESULTADOS DAS ANÁLISES PARA A ESCOLHA DE FATORES PARA A REDE NEURAL
O sucesso na montagem de uma rede neural por vezes é atribuído a algum
conhecimento prévio que se tem sobre o comportamento das variáveis de entrada e a variável
de saída. Há certa verdade sobre isso, de forma que o processo de aprendizagem por exemplos
pode ser generalizado para incluir informações prévias que se tem sobre a função que seria
incluída no processo de aprendizagem (ABU-MOSTAFA, 1995). No caso específico,
procurou-se incluir algum conhecimento prévio obtido das análises de correlação entre os
parâmetros selecionados e confirmá-los por meio de um estudo detalhado sobre o
comportamento desses com relação ao rendimento da fermentação. Os resultados são
relatados nas seções subsequentes.
5.1.1 Seleção dos parâmetros da Usina A (A2008) para a montagem da rede neural
MLP-1
O coeficiente de correlação de Pearson foi utilizado para a determinação da força de
correlação entre os parâmetros selecionados e o rendimento da fermentação. Sendo a
definição de força de correlação baseadas em valores numéricos que variam entre -1 e 1 e:
0,70 positivo ou negativo indica uma forte correlação.
0,30 a 0,70 positivo ou negativo indica correlação moderada.
37
0 a 0,30 fraca correlação.
Na Tabela 5.1 podem ser observados os fatores escolhidos que mais se correlacionam
(correlação maior que ± 0,70) com o rendimento da fermentação:
Tabela 5.1- Análise de correlação do conjunto de dados usina A (A2008).
Parâmetro Descrição Correlação com Rendimento da
Fermentação
A4 Acidez da cana 0,79
A9
A13
% ART para açúcar
Acidez do mosto
-0,88
0,89
A17 Temperatura máxima do vinho 0,83
A11 Temperatura do mosto 0,77
A15
A22
Nitrogênio Amoniacal no mosto
Floculação
-0,77
-0,71
Os parâmetros selecionados acima demonstram haver uma relação forte entre eles e o
rendimento da fermentação. No entanto, um conjunto de dados de 583 registros, que
representam uma só safra, pode ser considerado pequeno e estatisticamente inconclusivo,
podendo levar a uma interpretação errônea sobre se esses são realmente os parâmetros chaves
para a montagem de um modelo para uma rede neural, capaz de predizer o rendimento da
fermentação.
Esses sete parâmetros foram então selecionados, para a análise teórica cujos resultados
são relatados a seguir:
A4 - Acidez da cana influi positivamente no rendimento (ρ=0,79):
Segundo Ripoli e Ripoli (2004) a acidez é uma característica que pode ser atribuída
para estabelecer o padrão de qualidade do caldo de cana e deve apresentar valor inferior a
0,80 de acidez sulfúrica. Portanto, elevados valores de acidez estão relacionados a fatores
prejudiciais a qualidade da cana-de-açúcar. A deterioração da cana é um fator que diminui a
38
qualidade da matéria prima. Durante o período de armazenamento, esta degradação, é
caracterizada pelo aumento dos níveis de dextrana e acidez (TASSO JÚNIOR et al., 2009).
A9 - Porcentagem ART para açúcar influi negativamente no rendimento (ρ= -0,88):
O aumento da concentração de açúcares, consequentemente eleva a velocidade de
fermentação, resultando em perdas da atividade de transporte de açúcar, produzindo menos
etanol. O estresse induzido pelo aumento da osmolaridade externa leva a redução em
crescimento e perda da viabilidade das células das leveduras, devido às perturbações no
gradiente osmótico através da membrana plasmática. Isto leva, por sua vez, a perdas em
volume das células que se contraem por causa de diferenças em pressão osmótica entre o
exterior e o interior das células (SOUZA, 2009). As concentrações de açúcar encontradas
nesta usina estavam acima da média recomendada para uma fermentação ótima que se
encontram entre 18 a 20 º Brix (LIMA et al., 2001b).
A13 - Acidez do mosto influi negativamente no rendimento (ρ= -0,88):
Teores altos de acidez no mosto acima de 1,50 a 2,00g H2SO4/litro é indicativo de
caramelização, sinal de brix do mel muito alto e pureza baixa do mosto, originando baixo
rendimento da fermentação. A acidez pode estar relacionada também, com a contaminação
bacteriana e a competição pelo substrato, entre levedura e bactéria, reduzindo a quantidade de
açúcares transformados em etanol (AMORIM et al.,1996).
A17 e A11 - Temperatura máxima do vinho e no mosto influem positivamente no
rendimento (ρ= 0,83 e ρ= 0,77 respectivamente):
A temperatura na dorna deve ser mantida entre 33 a 35ºC. Temperaturas muito baixas
atrapalham o metabolismo das leveduras e temperaturas altas favorecem a infecção
bacteriana. No caso específico, a temperatura variou no processo entre 21 e 35ºC, o que indica
que o aumento da temperatura aproximava a operação dos valores ótimos.
A15 - Nitrogênio Amoniacal no mosto influi negativamente no rendimento (ρ= -
0,77):
Observa-se uma multiplicação excessiva da levedura notadamente quando os mostos
apresentam elevados teores de nitrogênio amoniacal. Tal crescimento desvia parte
significativa do açúcar, não só para a formação da biomassa em si, como também para o
39
glicerol acoplado a esse crescimento (AMORIM et al.,1996). Outro motivo para o aumento do
nitrogênio amoniacal pode ser a própria contaminação bacteriana.
A22 - Floculação influi negativamente no rendimento (ρ= -0,71):
A formação de flocos compromete a conversão de açúcar em álcool e CO2, pela redução
da superfície de contato direto entre as células e o meio (MUTTON et al., 2004). Este
fenômeno pode causar perda de células na centrífuga e o consequente gasto de substrato para
a reposição celular, determinando assim, queda no rendimento alcoólico. A floculação
dificulta o contato entre o antibacteriano usado no processo e a bactéria causando o aumento
desses contaminantes, que provocam um aumento de acidez, afetando a qualidade do álcool
produzido, seja como combustível ou para a indústria de bebidas alcoólicas (LUDWIG et al.,
2001).
Tendo havido comprovação matemática e teórica, os parâmetros acidez da cana, % ART
açúcar, acidez do mosto, temperatura máxima do vinho e no mosto, N2 amoniacal e floculação
foram escolhidos para compor a entrada da rede neural MLP-1 cujos resultados são
apresentados na seção 5.2.1 desse trabalho.
5.1.2 Seleção dos parâmetros da Usina B (B2008, B2009 e B2010).
Os anos referentes às safras monitoradas pela usina B foram consolidados em uma
única planilha contendo 2634 registros. Essa medida foi assim tomada para obtermos um
componente temporal associado ao rendimento da fermentação. Esse componente foi
identificado pelo parâmetro safra (B22) e sua correlação também foi considerada em uma
primeira análise de correlação.
Na Tabela 5.2 seguem os fatores que mais se correlacionam com o rendimento da
fermentação segundo a primeira análise:
40
Tabela 5.2 - Análise de correlação do conjunto de dados Usina B (B2008, B2009 e B2010).
Parâmetro Descrição Correlação com Rendimento da
Fermentação
B22
B10
B14
B3
Safra
N. Amoniacal do mosto (ppm)
Glicerol no vinho
Pureza Cana (PCTS) (%)
0,5
-0,47
-0,28
0,26
B5
B8
Dextrana Cana (ppm/Brix)
ART do mosto (%)
- 0,20
- 0,03
B11 ARRT do Vinho (%) -0,27
B19
B7
Viabilidade (%)
Mosto impureza (%)
0,20
-0,25
Os resultados dessa primeira análise de correlação para os parâmetros da usina B
demonstraram uma correlação bem inferior aos resultados obtidos pela usina A,
demonstrando uma possível capacidade inferior à primeira usina, com relação ao
monitoramento do processo fermentativo, utilizando parâmetros pouco relacionados com o
rendimento da fermentação. Outro aspecto a ser considerado é o fato de que o parâmetro com
maior correlação positiva ao rendimento da fermentação, ter sido a safra, levando à conclusão
equivocada de que outros fatores monitorados pelos demais parâmetros não teriam influência
significativa desde que o ano da safra fosse mais recente.
Como no caso em questão, houve uma melhora do rendimento através dos anos
considerados (2008, 2009 e 2010), algo que influenciou a análise estatística. O parâmetro
safra, foi desconsiderado, em uma segunda análise de correlação e na Tabela 5.3 está
reportado os resultados dessa segunda análise.
41
Tabela 5.3 - Análise de correlação desconsiderando a safra do conjunto de dados Usina B.
Parâmetro Descrição Correlação com Rendimento da
Fermentação
B3
B5
B7
B10
B11
B14
B19
Pureza da cana
Dextrana Cana (ppm/Brix)
Mosto impureza (%)
N. Amoniacal do mosto (ppm)
ARRT do Vinho (%)
Glicerol no vinho
Viabilidade (%)
0,27
- 0,20
-0,25
-0,47
-0,28
-0,25
0,21
Os parâmetros acima mencionados representam os que apresentaram a maior correlação
linear com o rendimento. Portanto foram escolhidos para a análise teórica, onde um estudo
mais profundo sobre o seu comportamento e sua relação com o rendimento da fermentação
pode ser observado nos itens abaixo descritos:
B3 - Pureza Cana (PCTS) (%) influi positivamente no rendimento:
A pureza da cana é determinada pela relação entre o Pol % Cana e o Brix % Cana,
Cálculo: ((Pol % Cana * 100) / Brix % Cana) e é um indicador de qualidade a ser obtido no
mosto usado na fermentação. Esse parâmetro pode ser omitido se o parâmetro impureza do
mosto estiver sendo considerado.
B5 - Dextrana Cana (ppm/Brix) influi negativamente no rendimento :
A produção de goma por microrganismos tem contribuído para perdas de açúcar e
dificuldade operacional, considerando que o Leuconostoc mesenteroides é o principal agente
formador de goma. Porém outros grupos estão associados, como o Bacillus, Aerobacter,
Steptococcus, Enterobacter aerogenes, E. cloacae. As espécies Bacillus subtilis, Bacillus
licheniformis e Bacillus polymyxa também podem produzir gomas levana ou dextrana. Vários
autores constataram a presença de fermentações paralelas a fermentação alcoólica devido a
42
contaminantes. Estes agentes causam perdas no rendimento fermentativo, através da produção
de ácidos, acético, lático e butírico e gomas dextrana e levana (OLIVA-NETO, 1995).
A Figura 5.1 indica a influência da dextrana no rendimento. Observa-se que na
amostra 23 um menor nível de dextrana contribuiu para o maior rendimento da fermentação e
na amostra 34 um nível maior de dextrana resulta em baixo rendimento.
Figura 5.1- Comparação rendimento x dextrana B2008
B7 - Mosto impureza (%) influi negativamente no rendimento:
A impureza do mosto é considerada o percentual de não açúcares que compõem o
mosto. Este percentual representa a quantidade de terra e bagacilho que podem encontrar-se
misturada no mosto. Um percentual alto de impurezas no mosto causa a produção de espuma
pelas leveduras, favorecendo também o surgimento de contaminação e consequentemente a
perda de rendimento da fermentação (AMORIM et al.,1996).
B10 - Nitrogênio Amoniacal do mosto influi negativamente no rendimento (ρ= -
0,48):
37332925211713951
92
91
90
89
88
Observation
Indiv
idual
Value
_X=89,948
UCL=92,009
LCL=87,886
1
I Chart of Rendimento Fermentação (%)
37332925211713951
3000
2000
1000
0
-1000
Observation
Indiv
idual
Value
_X=1017
UCL=2746
LCL=-712
11
I Chart of Dextrana Cana (ppm/Brix)
43
Essa correlação confirma a conclusão tirada na Usina A.
B8 e B11 - ART do mosto (%) e ARRT do Vinho (%) influem positivamente e
negativamente no rendimento:
Neste caso houve um erro na definição dos parâmetros, pois o parâmetro ART indica
os açúcares redutores totais, incluindo os não fermentescíveis, e o ARRT do vinho representa
os açúcares redutores residuais totais, resultado final da fermentação. Entre os açúcares
redutores totais podem existir açúcares não fermentescíveis que restarão no final da
fermentação como ARRT. Para se obter, as dimensões corretas de quanto açúcar realmente
pode ser transformado em etanol ou biomassa, propõe-se trabalhar com a diferença desses
dois parâmetros, criando um novo parâmetro, denominado açúcares fermentescíveis, tendo
esse parâmetro uma correlação positiva com relação ao rendimento da fermentação.
B14 - Glicerol no vinho influi negativamente no rendimento:
Esta correlação foi considerada correta. A produção de glicerol na fermentação
alcoólica é bastante conhecida e considerada uma fonte de perda de açúcar, já que uma parte
deste é utilizada para a produção do mesmo. A produção de glicerol está associada ao
crescimento da biomassa, assim sendo uma reação que compete com a produção de etanol,
prejudicando o rendimento da fermentação (AMORIM et al.,1996).
B19 - Viabilidade (%) influi positivamente no rendimento:
Serra et al. (1980) avaliaram as condições de controle de fermentação e determinaram
que há uma correlação positiva entre a viabilidade da levedura e o rendimento
fermentativo, mostrando a necessidade de controle sobre os fatores que influem na
viabilidade celular. No entanto, a viabilidade comportou-se nesse caso, de forma inversa ao
que descrito por Serra et al..
5.2 RESULTADOS DAS REDES NEURAIS
Os resultados das redes neurais são apresentados através de gráficos e tabelas que
demonstram o desempenho, valores correspondentes ao erro médio quadrático (MSE), o
coeficiente de correlação (r) e a taxa de erro de testes, associado a comentários apropriados
44
sobre o desempenho da rede em relação ao alvo desejado e em relação ao desempenho das
outras redes aqui testadas.
5.2.1 Resultados da Rede Neural MLP-1.
Uma vez selecionados os parâmetros a serem testados (Figura 5.2), os mesmos foram
inseridos no módulo de redes neurais artificiais do software STATISTICA V.7.
Figura 5.2 - Parâmetros escolhidos de entrada para rede neural de predição do rendimento da
fermentação MLP-1.
As simulações feitas no software foram analisadas utilizando-se diferentes quantidades
de interações até se alcançar os melhores parâmetros, isto é, a correlação mais próxima de um
e o menor MSE.
Sendo testadas inúmeras configurações, a rede de melhor desempenho foi uma
composta da seguinte estrutura: 6 neurônios na camada de entrada, duas camadas ocultas com
6 neurônios cada, e um neurônio na camada de saída. Todos os neurônios tem função de
ativação sigmoidal. O algoritmo utilizado para treinamento foi de retro propagação com
momentum com uma taxa de aprendizagem de 0,01 e taxa de momentum de 0,01. A estrutura
da rede pode ser observada na Figura 5.3.
Rendimento da
fermentação
% ART açúcar
Acidez da cana
Acidez do mosto
Temperatura máxima do
vinho Temperatura do mosto
N2 amoniacal
Floculação
45
Figura 5.3 - Estrutura da rede MLP-1.
A escolha da melhor rede é avaliada por dois parâmetros selecionados e abaixo
representados pelo erro médio quadrático (MSE) e pelo coeficiente de correlação (r),
conforme pode ser verificado na Tabela 5.4:
Tabela 5.4 - Escolha da rede neural MLP-1.
MLP-1
Erro Médio -0,20823
MSE 1,27653
Erro médio Absoluto 0,78698
Taxa de desvio padrão 0,65891
Correlação 0,79175
46
Na Figura 5.4, o gráfico evidencia uma aproximação entre os valores reais e os
preditos pela rede neural. No entanto, como indica esse mesmo gráfico, existem pontos onde a
rede não foi capaz de detectar com exatidão o comportamento da rede; nesse quesito estão os
pontos 1, 6, 14, e 20 que, em função de seu distanciamento, acabaram contribuindo para um
MSE de 1,27.
Figura 5.4 - Representação gráfica da série original (azul) e da prevista pela rede neural (verde) do
rendimento da fermentação para a rede MLP-1.
A análise de sensibilidade pode abrir um caminho para futuros esforços quanto a
melhora do desempenho, por indicar de que pelo menos um dos parâmetros escolhido não
tenha sido o mais apropriado (% ART açúcar).
Na Tabela 5.5 é apresentado uma classificação (Ranks) dando a importância para cada
parâmetro segundo a análise de sensibilidade (Rank 1) e segundo a análise de correlação
(Rank 2). Observa-se que não foi necessário o parâmetro % ART açúcar para montagem da
rede, e os componentes com maior significância para a rede não são necessariamente os de
maior correlação linear.
82
84
86
88
90
92
94
96
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Ren
dim
ento
da
ferm
enta
ção
%
Semanas
Rendim.Fermen. %
MLP-1 (50)
47
Tabela 5.5 - Ranks para os parâmetros segundo coeficientes de sensibilidade e de correlação linear.
Mosto Nitro.
Amoniacal
Vinho
Temp.
Máxima
Floculação Temperatura
Mosto
Mosto
Acidez
gH2S04/L
Acidez da
Cana
% ART
açúcar
Rank 1 1 2 3 4 5 6 n/a
Sensibilidade 1,41630 1,06248 1,05420 1,00964 1,00272 0,95106 n/a
Rank 2 5 3 7 6 1 4 2
Correlação 0,77 0,83 0,71 0,77 0,89 0,79 0,88
5.2.2 Resultados da Rede Neural MLP-2.
O mesmo procedimento realizado para a montagem da rede MLP-1 foi repetido
também para rede MLP-2. No entanto, os parâmetros selecionados, em função de diferenças
de monitoração entre as usinas, mostraram-se distintos. Há também de se destacar que o
número de registros para cada parâmetro é bem maior, possibilitando o teste de uma maior
quantidade de configurações e estruturas de redes.
A Figura 5.5 mostra os parâmetros selecionados para compor as entradas da rede
neural MLP-2.
Figura 5.5 - Parâmetros escolhidos de entrada para rede neural de predição do rendimento da
fermentação MLP-2.
Várias configurações de rede e interações foram sistematicamente testadas até se
encontrar a interação com melhor desempenho (o gráfico da Figura 5.6 mostra as simulações
Rendimento da
fermentação
N2 amoniacal no mosto
Pureza da cana
Dextrana
Glicerol no vinho
% ARRT do vinho
Viabilidade
Mosto impureza
48
realizadas em diferentes números de interações). Os critérios de seleção utilizados foram um
maior valor de r (coeficiente de correlação) e menor erro médio quadrático (MSE). Os
valores encontrados podem ser visualizados na Tabela 5.6.
Figura 5.6 - Gráfico para a escolha da melhor rede.
Tabela 5.6 - Resultado das interações neurais testadas para escolha da MLP-2.
Interações r MSE
10 0,59 1,02
20 0,61 1,01
30 0,67 0,96
40 0,53 1,09
50 0,699 0,93
60 0,71 0,91
70 0,64 0,98
80 0,65 0,98
100 0,56 0,84
150 0,75 0,85
200 0,59 1,04
250 0,7 0,9
300 0,66 0,98
400 0,638 0,98
500 0,726 0,89
1000 0,71 0,89
0,75
0,85
0
0,2
0,4
0,6
0,8
1
1,2
10 20 30 40 50 60 70 80 100 150 200 250 300 400 500 1000
Número de interações
r
MSE
49
A melhor configuração da MLP-2, utilizando os parâmetros selecionados, foi
alcançada com um número de 150 interações (r = 0,755 e um MSE = 0,855), tendo uma
estrutura formada por uma camada de entrada composta de 7 neurônios, uma camada oculta
de 11 neurônios, outra camada oculta intermediária de 8 neurônios e um neurônio na camada
de saída (Figura 5.7). Os sete neurônios de entrada estão conectados aos mesmos sete
parâmetros selecionados nas análises propostas anteriormente neste trabalho (Figura 5.5).
Figura 5.7 - Estrutura rede MLP-2 (Usina B) MLP-2 7:1-11-8-1:1.
Os parâmetros selecionados pela rede neural MLP-2 estão descritos em ordem de
importância na Tabela 5.7.
Tabela 5.7 - Parâmetros utilizados na rede neural MLP-2.
N.
Amoniacal
do mosto
(ppm)
Pureza
Cana
(PCTS)
(%)
ARRT do
Vinho
(%)
Mosto
impureza
(%)
Viabilidade
(%)
Glicerol
no vinho
(%)
Dextrana
Cana
(ppm/Brix)
Rank 1 2 3 4 5 6 7
Ratio 1,443728 1,376896 1,286733 1,234084 1,203130 1,123687 1,094810
50
Uma comparação entre as redes neurais MLP-1 e MLP-2, demonstra que apesar de
ambas apresentarem correlações próximas (MLP-1 r = 0,79 e MLP-2 r=0,75), o MSE da rede
neural da usina B (MSE=0,85) foi significativamente menor se comparado com o da usina A
(MSE=1,276). Esses valores em si não servem para afirmarmos com certeza de que os
parâmetros monitorados pela usina B são melhores para a determinação do rendimento que os
da usina A, pois o MSE de ambas as usinas foi afetado pela amostragem retirada de cada
usina. Como da usina A foram somente coletados dados referentes a somente um ano (safra),
este efeito pode ser notado na comparação observada no histograma dos resultados de
rendimento de fermentação das duas usinas ( Figura 5.8 e Figura 5.9)
Histogram (Spreadsheet em Redes neurais_MLP1 6v *20c)
Rendim. Fermen. % = 20*1*normal(x; 91,012; 1,9877)
86 87 88 89 90 91 92 93 94 95 96
Rendim. Fermen. %
0
1
2
3
4
5
6
7
8
9
No
of
ob
s
Figura 5.8 – Histograma do rendimento da fermentação usina A ( número de observações X
rendimento da fermentação).
51
Histogram (Spreadsheet em Redes neurais_MLP2 6v *109c)
Rendimento Fermentação (%) = 109*0,5*normal(x; 90,6341; 1,2912)
87,0 87,5 88,0 88,5 89,0 89,5 90,0 90,5 91,0 91,5 92,0 92,5 93,0 93,5 94,0
Rendimento Fermentação (%)
0
2
4
6
8
10
12
14
16
18N
o o
f o
bs
Figura 5.9 - Histograma do rendimento da fermentação usina B ( número de observações X
rendimento da fermentação).
Observa-se no gráfico da Figura 5.10, que a rede procurou prever o comportamento
natural do processo, no entanto, existem erros relacionados à média associação entre as
capacidades preditivas da rede e o rendimento real da fermentação.
52
Figura 5.10 - Representação gráfica da série original (azul) e da prevista pela rede neural (vermelha)
do rendimento da fermentação para a rede MLP-2.
Os resultados para os dados de teste desta rede podem ser verificados no gráfico da
Figura 5.11
Figura 5.11 - Resultados com os dados de teste para MLP-2 (seleção).
84
85
86
87
88
89
90
91
92
93
94
1 6
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
91
96
10
1
10
6
Re
nd
ime
nto
da
ferm
en
taçã
o %
Semanas
RendimentoFermentação(%)
MLP-2 (150)
86
87
88
89
90
91
92
93
94
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
Re
nd
ime
nto
da
ferm
en
taçã
o %
Semanas
Gráfico de Teste da MLP-2 (seleção)
RendimentoFermentação (%)
MLP-2 (150)
53
Em razão dos resultados acima apresentados, foi proposta a montagem de uma nova
rede neural artificial, a rede MLP-2 (completo), que não leva em consideração a pré-seleção
de parâmetros e, portanto, elucidativa no que se refere à necessidade ou não de se pré-
selecionar os parâmetros antes de submetê-los a uma montagem de uma rede neural. Essa rede
utiliza todos os 20 parâmetros monitorados pela usina B, e seus resultados podem ser
observados na Tabela 5.8.
Tabela 5.8 - Comparação entre a rede MLP-2 e MLP-2 (completo).
MLP-2 MLP-2 (completo)
Interações r MSE Redes r MSE
150 0,75 0,85 300 0,824 0,745
Após diversas configurações testadas, abaixo se observa na Figura 5.12 a estrutura da
rede de melhor desempenho (r=0,824 e MSE=0,745):
Figura 5.12 - Diagrama de estrutura RNA MLP-2 (completo) MLP 19:19-15-13-1:1.
54
Todos os parâmetros monitorados foram utilizados como entradas para essa estrutura
de RNA. A taxa de erro de teste da rede foi de 0,12, maior que o objetivo proposto para esse
trabalho que é de 0,05.
Na Figura 5.13 nota-se uma sensível melhora na capacidade de predição da rede
neural, mas mesmo assim não atingindo o ideal. Nota-se, portanto que a pré-seleção dos
parâmetros reduziu o desempenho em relação à da primeira rede montada com os dados da
usina B (MLP-2). Também não se pode concluir que algum dos parâmetros possam ser
suprimido dos boletins das médias semanais que as usinas hoje utilizam.
Figura 5.13 - Representação gráfica da série original (azul) e da prevista pela rede neural (vermelha)
do rendimento da fermentação para a rede MLP-2 (completa).
Em vista do que foi demonstrado nesse experimento utilizando todos os parâmetros
para compor a RNA, fica evidente que a análise de correlação conforme descrita na seção
4.3.1, não é um método eficiente para a seleção de parâmetros a RNA em questão. A
explicação deste fato talvez esteja no comportamento não linear, em relação ao rendimento da
fermentação, de alguns parâmetros monitorados pelas usinas e pertencentes a este processo de
fermentação alcoólica.
84
85
86
87
88
89
90
91
92
93
94
1 5 9
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
77
81
85
89
93
97
10
1
10
5
10
9
Ren
dim
ento
da
ferm
enta
ção
%
Semanas
RendimentoFermentação (%)
MLP-2 completo
55
Como durante os trabalhos referentes a montagens dessas redes neurais surgiu a ideia
de se predizer o teor alcóolico do vinho, como parâmetro fundamental para o rendimento da
fermentação, desenvolveu-se a terceira rede neural artificial, a MLP-3.
5.2.3 Resultados da Rede Neural MLP-3.
Uma RNA foi montada a partir de todos os 20 parâmetros monitorados pela usina
B(2008, 2009 e 2010). Mas agora, o parâmetro de saída escolhido para a rede passa a ser o teor
alcoólico do vinho (°GL). Em suma, uma nova rede é desenvolvida para predizer o teor
alcoólico e não mais o rendimento da fermentação. A escolha foi assim feita em razão da
contribuição que o teor alcóolico no vinho tem sobre o um bom rendimento da fermentação.
Os resultados são agora apresentados para essa rede neural denominada MLP-3. Na
Tabela 5.9 mostram-se os resultados dos testes, para encontrar a rede neural de melhor
desempenho.
Tabela 5.9 - Número de interações (redes neurais) testadas para escolha da MLP-3.
Interações r MSE
20 0,97 0,18
30 0,964 0,229
40 0,968 0,197
50 0,967 0,207
75 0,974 0,176
100 0,968 0,197
200 0,966 0,205
1000 0,968 0,197
Um diagrama dos neurônios e camadas que compõem a rede MLP-3 pode ser visto na
Figura 5.14. A rede possui 11 neurônios em sua camada de entrada (nem todos os parâmetros
foram usados), 12 neurônios na primeira camada oculta, 4 neurônios em uma outra camada
oculta e um neurônio na camada de saída (MLP 11:11-12-4-1:1).
56
Figura 5.14 - Estrutura da rede MLP-3 (MLP 11:11-12-4-1:1).
Os parâmetros selecionados pela análise de sensibilidade, gerada pelo software
STATISTICA v. 7, compõem as entradas selecionadas para ser utilizada na rede neural MLP-
3 e podem ser observados na Tabela 5.10.
Tabela 5.10 - Análise de sensibilidade e parâmetros de entrada da MLP-3.
ART do
mosto
(%)
Glicerol
no vinho
(%)
Dextrana
Cana
(ppm/Brix)
N.
Amoniacal
do mosto
(ppm)
ATR
Cana
(%)
ARRT
do Vinho
(%)
Viabilidade
(%)
Tempo
de
Queima
(h)
ART
(T/dia)
Acidez do
mosto
(gH2SO4/L)
Mosto
impureza
(%)
Rank 1 2 3 4 5 6 7 8 9 10 11
Sens. 4,030297 1,128956 1,099715 1,061504 1,039101 1,034029 1,023598 1,023366 1,013163 1,00258 0,99909
Em razão dos excelentes valores encontrados para o coeficiente de correlação
(r=0,974) e um erro médio quadrático reduzido (MSE=0,176) a capacidade de predição dessa
rede foi considerada excelente (Figura 5.15).
57
Figura 5.15 - Representação gráfica da série original (azul) e da prevista pela rede neural (vermelha)
do teor alcoólico para a rede MLP-3.
Os resultados obtidos pela RNA MLP-3 evidenciam que os parâmetros hoje
monitorados pelas usinas, podem ser usados, com grande grau de precisão, para predizer o
teor alcoólico no vinho resultante da fermentação. Em si, esse teor alcoólico pode ser usado
como indicativo de bons resultados obtidos na fermentação, pois o objetivo final, dessas
empresas, que empregam processos biotecnológicos, é produzir álcool (etanol). Sugere-se
que, em razão dos resultados obtidos, a usina A passe também a monitorar o teor alcoólico do
vinho em seus processos.
No gráfico da Figura 5.16 observa-se a capacidade de generalização da rede MLP-3
utilizando-se os dados reservados para o teste da rede. Os resultados para os parâmetros de
teste são igualmente bons, MSE de 0,22, r de 0,972, sendo que a taxa de erro ficou em 0,075,
ou seja, bem próxima do objetivo procurado nesse trabalho (0,05).
0
2
4
6
8
10
12
1 4 7
10
13
16
19
22
25
28
31
34
37
40
43
46
49
52
55
58
61
64
67
70
73
76
79
82
85
88
91
94
97
10
0
10
3
10
6
10
9
Teo
r al
coó
lico
ºG
L
Semanas
Teor Alcoólicodo vinho (oGL)
MLP-3 (oGL)
58
Figura 5.16 - Gráfico com os resultados de teste da MLP-3.
Levando em consideração esses últimos resultados, a montagem de uma RNA ideal
para a predição do rendimento da fermentação teria seu desempenho ampliado, se ao invés de
uma rede específica para predizer o rendimento, fosse implementado um sistema híbrido,
semelhante a ideia proposta por Mantovaneli (2005), que inclua a equação de rendimento da
fermentação por subprodutos, sendo alimentada por redes neurais artificiais secundárias
provendo os termos dessa equação.
0
2
4
6
8
10
12
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
Teo
r al
coó
lico
°G
L
Semanas
Rede de Teste MLP- 3 (°GL)
Teor Alcoólico dovinho (oGL)
MLP-3 (oGL)
59
6 CONCLUSÕES
Esta pesquisa procurou abordar o desenvolvimento e teste de uma metodologia,
baseada em redes neurais artificiais, para prever o rendimento da fermentação em processos
industriais de produção de etanol. Para tanto, utilizou de uma série de dados provenientes de
duas diferentes usinas.
As Redes Neurais Artificiais desenvolvidas nesse trabalho demonstraram a capacidade
de predizer com certo grau de confiabilidade os resultados para o rendimento da fermentação,
tanto para a usina A e B dentro dos ranges (limites mínimos e máximos) dos parâmetros
monitorados por elas. Em especial, destaca-se a rede MLP-2 (completo) que atingiu uma taxa
de erro de testes na ordem de 0,12 e a rede MLP-3 com taxa de erro de 0,075, valores
impressionantes para os primeiros estudos, feitos com parâmetros oriundos de ambientes
industriais, onde o rigor nos ensaios laboratoriais não é tão preciso como em um laboratório.
Assim, verificou-se a eficiência da RNA no tratamento de padrões não lineares, características
peculiares aos processos fermentativos, e a sua aplicação na tarefa de previsão. Também ficou
constatado a capacidade superior da rede neural artificial do tipo perceptron de multicamadas,
em identificar por meio da análise de sensibilidade, os melhores parâmetros a serem
selecionados para as entradas da RNA em comparação com o método de correlação linear.
Como dito anteriormente, a rede para a predição do teor alcoólico (MLP-3) atingiu um
desempenho muito bom, demonstrando a capacidade de redes neurais artificiais de predizer
comportamentos em processos biológicos. A partir daí, se abre a oportunidade de futuros
trabalhos com relação a esse tipo de aplicação, para atingir uma melhor produtividade nesses
tipos de processos tão pouco lineares.
Para a obtenção de melhores resultados, modificações na topologia e treinamento da
RNA podem ser aplicadas tais como: variação da quantidade de neurônios, aumento do tempo
de treinamento e testes com outros parâmetros de treinamento. Pode-se também utilizar redes
neurais secundárias para serem usadas no cálculo do rendimento.
60
7 CONSIDERAÇÕES FINAIS E SUGESTÕES PARA TRABALHOS
FUTUROS
Muitos estudos têm investigado técnicas para manter o alto rendimento e aumentar a
produtividade dos processos relacionados à produção de etanol. O interesse é grande tanto do
mercado brasileiro como do internacional, principalmente após os vários incentivos com
relação a cota de dióxido de carbono que poderá ser emitida pelos países mais desenvolvidos
segundo o tratado de Kyoto. As ferramentas para ajudar a encontrar uma solução para
otimização desses processos nunca antes foram tão bem-vindas.
O estudo objeto desse trabalho demonstra como as modernas técnicas computacionais
envolvendo inteligência artificial e redes capazes de imitar sistemas complexos de
pensamento, vêm ao encontro dos anseios de evolução nos processos de produção de
biocombustíveis. Mas esse é apenas um primeiro passo para uma série de outros que ainda
virão.
Prever o resultado de processos biotecnológicos deixa de ser apenas um estudo para se
tornar uma linha de pesquisa. Diante desse desafio cabe propor que esse trabalho continue
para se montar um sistema (software ou hardware), que possa ser incluído como padrão de
monitoramento nas usinas nacionais de produção de etanol. Para tanto, a RNA aqui proposta
deverá evoluir para um modelo melhorado de preditor, e futuramente deverá ser testada
utilizando parâmetros oriundos de outras usinas e um conjunto maior de dados.
É sugerido também um estudo mais abrangente sobre qual seria um modelo mais
adequado para representar o rendimento da fermentação levando em consideração o
conhecimento adquirido nesse trabalho.
Um modelo passível de ser estudado e discutido é a utilização de redes neurais
artificiais para compor os elementos de uma equação de rendimento.
Em suma, o cenário para uso de redes neurais artificiais e processos fermentativos é
excelente e muito incentivo deverá ser dado a trabalhos nessa área.
61
8 REFERÊNCIAS BIBLIOGRÁFICAS
ABU-MOSTAFA, Y. F. Hints. Neural computation. v.7, p. 639-71, 1995.
ALTERTHUM, F.; CRUZ, M.R.M.; VAIRO, M.L.R.; GAMBASSI, D.M. Efeitos de
microorganismos contaminantes da fermentação alcoólica nas microdestilarias. Revista
STAB, v.3, n.1, p. 42-49, 1984.
AMORIM, H.V. de; BASSO, L.C.; ALVES, D.M.G. Processos de produção de álcool.
Piracicaba: 1996, Centro de Biotecnologia Agrícola, 103p.
AMORIM, H.V. Fermentação Alcoólica: Ciência & Tecnologia. Editora Fermentec.
Piracicaba: 2005.
ANDRIETTA, S.R. Modelagem, Simulação e Controle de Fermentação Alcoólica
Contínua em Escala Industrial. Campinas, SP, 1994. Tese de Doutorado, FEA/UNICAMP.
ANDRIETTA, M. G. S; STECKELBERG, C.; ANDRIETTA. S.R. Bioetanol – Brasil
30 anos na vanguarda. MultiCiência, v.7, p. 1-16, 2006.
ANGELIS, D. F. Contaminação bacteriana na fermentação alcoólica. Disponível
em: <http://www.cca.ufscar.br/~vico/Contaminacao%20bacteriana%20na
%20fermentacao%20etanolica.pdf>. Acesso em: 23 mar. 2012.
BEALE, R.; JACKSON, T. Neural computing: an introduction. Bristol, UK: IOP,
1990. 240p.
BISSON, L.; BUTZKE, C.E. Diagnosis and rectification of stuck and sluggish
fermentation. Am. J. Enol Vitic, v.51, p.168-177, 2000.
BONA, E. Artificial Neural networks integrated to electronic nose system:
Aromatic evaluation of soluble coffee. Londrina: 2008. 165p. Thesis (Doctor in Food
Science) – The State University of Londrina, Londrina – PR.
CARVALHO, B. S. Efeito da temperatura na cinética de morte celular e em
fermentação alcoólica contínua com reciclo de células. Campinas: 1996. 83 p. Dissertação
62
(Mestre em Engenharia de alimentos). Faculdade de Engenharia de alimentos, Universidade
estadual de Campinas.
CARVALHO, A. P. L. F.; BRAGA, A. P.; LUDERMIR, T. B. Fundamentos de redes
neurais artificiais. Rio de Janeiro: UFRJ. 1998. In: Escola de Computação, 11. 246 p.
CASEY, G.P.; INGLEDEW, W.M. Ethanol tolerance in yeasts. CRC Crit. Ver.
Microb., v.13, p. 219-281, 1976.
CASTRO, L.N.; IYODA, E.M.; SANTOS, E.P. dos; VON ZUBEN, F.J. Redes Neurais
Construtivas: Uma Abordagem Comparativa. In: IV Congresso Brasileiro de Redes Neurais.
Anais do IV Congresso Brasileiro de Redes Neurais, São Carlos: 1999. p.102-107.
CAVALIERI, D.; MCGOVERN P.E.; HARTL, D.L.; MORTIMER, R.; POLSINELLI,
M. Evidence for S. cerevisiae fermentation in ancient wine. Journal of Molecular Evolution.
v.57 (l), p.S226–32, 2003.
COPERSUCAR. Fermentação. Centro de Tecnologia COPERSUCAR – CTC. São
Paulo: 1987. Divisão Industrial CTDI. Ed.1.
DALE, M. C.; CHEN, C.; OKOS, M. R. Cell growth and death rates as factors in the
long-therm performance, modeling and design of immobilized cell reactor. Biotechnology
and Bioengineering. v.36, p.983-92, 1990.
DORTA, C.; OLIVA-NETO, P.; ABREU-NETO, M.S.; NICOLAU-JUNIOR, N.;
NAGASHIMA, A.I. Synergism among lactic acid, sulfite, pH and ethanol in alcoholic
fermentation of Saccharomyces cerevisiae (PE-2 and M-26). W. J. Microbiol. Biotechnol.,
v.22, p.177-182, 2006.
EYNG, E. Controle Feedforward baseado em redes neurais aplicado a coluna de
absorção do processo de produção de etanol. Campinas, UNICAMP: 2006. Dissertação
(Mestrado).
FERNANDES, A. C.; Cálculos na agroindústria de cana-de-açúcar. Piracicaba,
STAB – Sociedade dos Técnicos Açucareiros e Alcooleiros do Brasil, 2003. 2ed, 240p.
GURNEY, K. Uma Introdução à Redes Neurais. London, Routledge: 1997.
63
HAYKIN, S. Redes Neurais: princípios e prática. Porto Alegre, Bookman: 2001.
Trad. Paulo Martins Engel. 2.ed.
HALLSWORTH, J.E. Ethanol-induced water stress in Yeast. J. Ferm. Bioeng. v. 85,
n.2, p. 125-137, 1998.
HUNTER, A.; KENNEDY, L.; HENRY, J.; FERGUSON, R.I. Application of Neural
Networks and Sensitivity Analysis to improved prediction of Trauma Survival. Computer
Methods and Algorithms in Biomedicine, v.62, p.11-19, 2000.
LIMA, U. A.; AQUARONE, E.; BORZANI, W.; SCHMIDELL, W. Biotecnologia
Industrial: Fundamentos. São Paulo, Editora Edgard Blucher: 2001a. v. 1. 1ed.
LIMA, U. A.; AQUARONE, E.; BORZANI, W.; SCHMIDELL, W. Biotecnologia
Industrial: Processos Fermentativos e Enzimáticos. São Paulo, Editora Edgard Blucher:
2001b. v.3. 1ed.
LOPES, C. H. Curso Básico de açúcar e álcool. XII COREEQ, jul. 2006. Disponível
em: <http://www.ufscar.br/~coreeq/cursos.php>. Acesso em: 11 mai. 2011.
LUDWIG, K.M.; OLIVA-NETO, P.; ANGELIS, D.F. Quantificação da floculação de
Saccharomyces cerevisiae por bactérias contaminantes da fermentação alcoólica. Ciênc.
Tecnol. Aliment. Campinas, v.21, n.1, p.63-68. 2001.
LUNA, D. Petrobras descarta regular etanol e visa só produção. Reuters Brasil. 28
abr. 2011. Disponível em: <http://br.reuters.com/article/domesticNews/id
BRSPE73R0RL20110428?pageNumber=2&virtualBrandChannel=0&sp=true>. Acesso em:
11 mai. 2011.
MALACRINÒ, P.; TOSI, E.; GARAMIA, G.; PRISCO, R.; ZAPPAROLI, G. The
vinification of partially dried grapes: a comparative fermentation study of Saccharomyces
cerevisiae strains under high stress. Lett. Appl. Microbiol., v.40, p. 466-472, 2005.
MANTOVANELI, I. C. C. Modelagem híbrido neuronal de um processo de
fermentação alcoólica. Campinas: 2005. Dissertação de mestrado.
MCCULLOCH, W.; PITTS, W. A logical calculus of the ideas immanent in nervous
activity. Bulletin of Math. Bio., n.5, p. 115-133, 1943.
64
MARTINI, S.; RICCI, M.; BONECHI, C.; TRABALZINI, L.; SANTUCCI, A. E;
ROSSI, C. In vivo C-CMR and modeling study of metabolic yield response to ethanol stress
in a wild-type strain of Saccharomyces cerevisiae. FEBS Lett., v. 564, p. 63-68. 2004.
MELEIRO, L. A. C. Projeto e Aplicação de Controladores Baseados em Modelos
Lineares, Neurais e Nebulosos. Campinas: 2002. Tese de Doutorado - Engenharia Química,
DPQ, UNICAMP.
MELEIRO L. A. da C.; COSTA, A. C. da; MACIEL, R. F. Non-linear multivariable
control of an alcoholic fermentation process using functional link networks. Brazilian
Archives of Biology and Technology. v.48, p.7-18, 2005.
MELEIRO, L. A. C.; ZUBEN, F. V.; FILHO, R. M. Constructive learning neural
network applied to identification and control of a fuel-ethanol fermentation process.
Engineering Applications of Artificial Intelligence. v. 22, n.2, p. 201-215, 2009.
MILLAR, D.; GRAFFITHS-SMITH, U.; ALGAR, E.; SCOPES, R. Activity and
stability of glycolitic enzymes in the presence of ethanol. Biotechnol. Lett., v.4, p. 601- 605,
1982.
MUTTON, M.J.R. Reflexos da qualidade da matéria-prima sobre a fermentação
etanólica. In: Workshop sobre: “Produção de etanol: qualidade de matéria-prima”.
Jaboticabal, Universidade Estadual Paulista: 2003.
MUTTON, M. J. R., SOUZA, M. A. C. Floculação de leveduras por Lactobacillus
fermentum em processos industriais de fermentação alcoólica avaliada através de técnica
fotométrica. Ciência e Agrotecnologia, v.28, n.4, p. 893-898, 2004.
NGANG, J.J.E.; LETOURNEAU, F.; VILLA, P. Alcoholic fermentation of beet
molasses: effects of lactic acid on yeast fermentation parameters. Appl. Microb. Biotechnol.,
v.31, p. 125-128, 1989.
OLIVA-NETO, P. Estudo de diferentes fatores que influenciam o crescimento da
população bacteriana contaminante da fermentação alcoólica por leveduras. Campinas:
1995. Tese de doutorado - Faculdade de Engenharia de Alimentos - Unicamp - Campinas,
112p.
65
OLIVA-NETO, P. Efeito de fatores inibidores na fermentação alcoólica. In: Workshop
Produção de etanol: Qualidade da matéria-prima. Faculdade de Ciências e Letras de Assis –
UNESP. 2008.
OLIVEIRA, A. C. S.; SOUZA, A. A.; LACERDA, W. S; GONÇALVES, L. R.
Aplicação de redes neurais artificiais na previsão da produção de álcool. Ciênc Agrotec.
v.34(2), p.279-84, 2009.
ORD, M. G.; STOCKEN, L. A. Foundations of Modern Biochemistry. Early
Adventures in Biochemistry. London, JAI Press LTD: 1999. v. 1.
ERXLEBEN, Uiber Guete und Staerke des Biers, und der Mittel, diese Eigenschaften
richtig zu wuerdigen. Prague: 1818.
PICOLI, M. C. A. Estimativa da produtividade agrícola da cana-de-açúcar
utilizando agregados de redes neurais artificiais: estudo de caso Usina Catanduva. São
Jose dos Campos: 2006. 90p. (INPE-14669- TDI/1222). Dissertação (Mestrado) - Instituto
Nacional de Pesquisas Espaciais.
PHILLIPS, R. Uma história curta do vinho. New York, Harper Collins: 2000.
PRAMANIK, K. Use of Artificial Neural Networks for Prediction of Cell Mass and
Ethanol Concentration in Batch Fermentation using Saccharomyces cerevisiae Yeast. Journal
of the Institution of Engineers (India), v. 85, p. 31-35, 2004.
RIPOLI, T. C. C.; RIPOLI, M. L. C. Biomassa de cana-de-açúcar: colheita, energia e
ambiente. Piracicaba, Barros & Marques Ed. Eletrônica: 2004. 302 p.
RIVERA, E.A.C.; FARIAS, F.J.; ATALA, D.I.P.; RAMOS, R.D.A.; CARVALHO,
A.D.A.; FILHO, R. M. Development and implementation of a automated monitoring system
for improved bioethanol production. Chemical Engineering Transactions, v.18, p.451-456,
2009.
RIVERA, E.A.C.; ATALA, D.I.P.; FILHO, R. M.; CARVALHO, A.D.A. Development
of real-time state estimators for reaction-separation processes: A continuous flash
fermentation as a study case. Chemical Engineering Processing: Process Intens., v.49,
p.402-409, 2010.
66
RODNEY, P. J.; GREENFIELD, P. F. A Review of Yast Ionic Nutrition. Part I: Growth
and Fermentation Requirements. Process Biochemistry, v.April, p.48-60, 1984.
RUMELHART, D.; MCCLELLAND, J. Parallel Distributed Processing. Cambridge ,
MIT Press: 1986.
SCHIMIDELL, W.; LIMA, U.A.; AQUAROE, E.; BORZANI, W. Biotecnologia
Industrial: Engenharia Bioquímica. São Paulo, Editora Edgard Blücher LTDA: 2001. v.2.
SERRA, G.E.; CEREDA, M.P.; FERES, R.J.F.; BERTOZO, M.T.; VINCENTE, A.L.
Contaminação da fermentação alcoólica "floculação do fermento". Brasil açucareiro, XCIII,
n.6, p.336-341, 1979.
SERRA, G.E.; CEREDA, M.P.; PINTO, S.Z.; MENEGUIM, M.A.; MARINO, E.A.;
FERREIRA, L.J.; BERTHIOL, A.E. Controle microbiológico da fermentação alcoólica em
condições industriais. In: Simpósio de tecnologia do açúcar e do álcool, Anais, Águas de São
Pedro: 1980, p.387-295.
SHARMA, S.; TAURO, P. Enzyme behavior during ethanol production by
Saccharomyces cerevisiae. W. J. Microb. Biothecnol., v.2, p. 112-115, 1987.
SILVA, F. L. H. Modelagem, simulação e controle de fermentação alcoólica
contínua extrativa. Campinas: 1997. Tese de doutorado em Engenharia de Alimentos.
Faculdade de Engenharia de Alimentos, Universidade Estadual de Campinas. 162p.
SOUZA, C. S. Avaliação da produção de etanol em temperaturas elevadas por uma
linhagem de S. cerevisiae. São Paulo: 2009. Tese de Doutorado. Programa de Pós-Graduação
Interunidades em Biotecnologia (USP), Instituto Butantan (IPT).
TASSO JÚNIOR, L. C.; SILVA NETO, H. F.; MARQUES, M. O.; NOGUEIRA, G. A.;
ROMÁN, R. A. A.; Calidad química em el almacenamiento de la caña de azúcar. In: VIII
Tecnicaña – Congreso de la Associación Colombiana de Técnicos de la Caña de Azúcar, 8,
Memórias: 2009, p. 771-779.
THIBAULT J.; BREUSEGEM V.V.; CHERUY A. On-line prediction of fermentation
variables using neural networks. Biotechnol. Bioeng., v.36(12), p.1041-1048, 1990.
67
UDOP - Usinas e Destilarias do Oeste Paulista. Álcool: História de um combustível
sustentável. Disponível em: <www.udop.com.br/index.php?cod=38495 &tipo=clipping>.
Acesso em: 16 jan. 2006.
WALKER-CAPRIOGLIO, H.M.; RODRIGUEZ, R.J.; PARKS, L.W. Recovery of
Saccharomyces cerevisiae from ethanol-induced growth inhibition. Appl. Environ.
Microbiol. Oregon, v.50, n.3, p. 685-689, 1985.
68
9 ANEXOS
9.1 ANEXO 1 – INTERPRETAÇÃO DOS DADOS DO LABORATÓRIO INDUSTRIAL E MÉTODOS
ANALÍTICOS
Para a interpretação correta dos dados contidos nos boletins das médias
semanais segue uma explanação sucinta de cada parâmetro e seu respectivo método
analítico de determinação.
9.1.1 Percentual de Açúcares Redutores na cana (AR cana)
O Percentual de Açúcares redutores na cana representa a quantidade de
glicose e de frutose presentes na cana, que afetam diretamente a sua pureza, já que
refletem em uma menor eficiência na recuperação da sacarose pela fábrica.
É determinada por meio de do método Titulométrico.
9.1.2 Açúcares Redutores Totais (ATR)
Os açúcares Redutores Totais é indicador que representa a quantidade total de
açúcares da cana (sacarose, glicose e frutose). O ATR é determinado pela relação
POL/0,95 mais o teor de açúcares redutores. A concentração de açúcares na cana varia,
em geral, dentro da faixa de 13 a 17,5%. Entretanto, é importante lembrar que canas
muito ricas e com baixa percentagem de fibras estão mais sujeitas a danos físicos e
ataque de pragas e microrganismos. Os estudos mostram que nas primeiras 14 horas de
deterioração da cana, 93% das perdas de sacarose foram devidas à ação de
microrganismos, 5,7% por reações enzimáticas e 1,3% por reações químicas,
resultantes da acidez.
9.1.3 Acidez da Cana
Esta análise foi realizada no caldo de cana-de-açúcar in natura, para verificar as
condições de sanidade da matéria-prima. Valores elevados de acidez são indício de
deterioração da cana-de-açúcar, que dificulta e até inviabiliza o seu processamento.
69
O método titulométrico foi empregado utilizando-se uma solução de
hidróxido de sódio 0,1 mol/L e fenolftaleína alcoólica (1%) como indicador. O cálculo
de acidez foi realizado de acordo com a Equação 1, e o resultado expresso em acidez
acética (mg/100 g).
9.1.4 Dextrana na Cana
As determinações analíticas de dextrana foram feitas pelo método
espectrofotométrico de acordo com Roberts (1983) e pelo método rápido indicado por
Clarke, Begersone Cole (1987).
9.1.5 Percentual de Álcool na Cana
Representa a quantidade de álcool transformado in natura a partir da cana
de açúcar antes de processo de fermentação industrial.
9.1.6 Quantidade de Bastonetes no Caldo Primário (x10^5).
Índice de contaminação bacteriana do caldo primário. É determinado pelo
contagem de bastonetes em câmara de Neubauer.
9.1.7 Frequência de Paradas de Fábrica
Representa o número de paradas ocorridas no período. Em geral essas paradas
ocorrem por excesso de chuvas ou problemas relacionados a manutenção ou limpeza
de máquinas e equipamentos. Essas paradas causam uma probabilidade maior de
infecção no processo.
70
9.1.8 Temperatura Mosto
Representa a temperatura média em que se encontra o mosto. Ela é muito
importante, pois determina a temperatura em que ocorrerá a fermentação.
9.1.9 Percentual de impureza no Mosto
Representa o percentual de impurezas provenientes do caldo. Em geral sólidos
em suspensão que interferem no processo de fermentação.
9.1.10 Unidades Formadoras de Colônias no Mosto
Índice de contaminação bacteriana no mosto. É determinado pela contagem de
bastonetes em câmara de Neubauer.
9.1.11 Mosto Acidez gH2S04/L (titulação)
O mesmo método utilizado para determinar a acidez do caldo.
9.1.12 Mosto % ART
O mesmo método utilizado para determinar o ART do caldo.
9.1.13 Mosto Nitrogênio Amoniacal
Determinado por colorimetria.
71
9.1.14 Viabilidade Vinho
A viabilidade é sem dúvida um aspecto importante no controle da
fermentação alcoólica. Quanto maior esse número melhor será o desempenho do
processo. Como o ambiente das dornas de fermentação não é propriamente ideal para
manutenção da viabilidade celular um controle minucioso deve ser feito nas unidades
produtoras (STECKELBERG, 2001).
9.1.15 Tempo de Fermentação
Tempo em horas até que a fermentação é dada por terminada. Leva em
consideração os valores médios de tempo e o esgotamento dos açúcares
fermentescíveis indicados por baixos valores de ARRT.
9.1.16 Rendimento da Fermentação
Representa o rendimento da fermentação em termos percentuais segundo
cálculo na seção 3.2.2 Rendimento por subprodutos.
