Última alteração: 2021-03-18
Resumo
- 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.
- 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).
- 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.
- 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.
- 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.