1. Introdução

O biodiesel, formado por ésteres de ácidos graxos de cadeia longa, pode ser obtido a partir da reação de transesterificação, em que um óleo reage com um álcool na presença de um catalisador. A utilização de etanol, por possuir uma cadeia carbônica maior, facilita a reação enzimática e aumenta o volume de biodiesel produzido; a lipase apresenta grande atividade e estabilidade em regiões não polares, e o seu desempenho não é afetado pela presença de ácidos graxos livres ou água.

A aplicação da síntese do biodiesel requer um processo de monitoramento e modelagem da sua reação que oriente o controle da produção, assim, buscou-se desenvolver um modelo de calibração multivariada que interprete os dados obtidos a partir de ensaios da síntese do biodiesel e permita o controle online do processo.

1. Objetivo

Desenvolver modelos de calibração multivariada, utilizando os métodos de mínimos quadrados parciais (PLS, sigla em inglês) e análise da projeção sucessiva (SPA, sigla em inglês), capazes de quantificar e monitorar a reação de síntese do biodiesel a partir de espectros obtidos na região do infravermelho próximo (NIR, sigla em inglês).

1. Metodologia

Utilizando cromatografia líquida de alta performance (HPLC, sigla em inglês) foram obtidos os conteúdos de monoglicerídeos (MG), diglicerídeos (DG), triglicerídeos (TG) e éster etílico (ES), e utilizando a espectroscopia no NIR foram obtidas as varreduras de espectro, dados de referência aplicados na entrada do modelo.

A análise das amostras coletadas foi realizada em procedimento de validação cruzada e a complexidade do modelo (número de variáveis latentes - LV’s) foi otimizada para cada componente a partir da raiz quadrada do erro médio de validação cruzada (RMSECV, sigla em inglês). Os métodos multilineares aplicados no tratamento de dados foram os de PLS e SPA. O valor de RMSECV foi utilizado como erro de predição de cada modelo.

1. Resultados

Os modelos desenvolvidos em PLS foram de 3 LV’s para MG, 3 para DG, 4 para TG e 4 para ES, com erros respectivos de 13,8; 12; 7,1 e 8,9%. Os modelos desenvolvidos em SPA foram de 9 LV’s para MG, 4 para DG, 9 para TG e 7 para ES, com erros respectivos de 12,7; 15,6; 10,2 e 11,2%, evidenciando uma maior precisão dos modelos desenvolvidos em PLS.

Além disso, os resultados obtidos para TG e ES apresentam uma melhor adequação dos componentes ao modelo proposto, por resultarem em erros menores em ambas as metodologias, sendo assim possível monitorar a conversão de TG e o rendimento de ES.

1. Conclusões

Os resultados mostram uma boa capacidade preditiva para TG e ES com erros ao redor de 8% para PLS e 10,7% para SPA em relação à máxima concentração obtida desses analitos. Além disso, o método de PLS apresentou maior acurácia por resultar em erros menores a partir de modelos menos complexos.