Aplicações de redes neurais artificiais na captura de CO2: mitigação da mudança climática por processos de adsorção
DOI:
https://doi.org/10.5902/2179460X91585Palavras-chave:
Atmosfera, Carvão ativado, Inteligência artificialResumo
Desde a Revolução Industrial, os níveis de CO2 atmosférico aumentaram de 280 ppm para 420 ppm em 2022, levantando preocupações na comunidade científica sobre as mudanças climáticas. A captura de carbono por meio da adsorção em superfícies sólidas emergiu como uma técnica viável para enfrentar esse problema. Este estudo utilizou redes neurais artificiais (RNA) para prever a adsorção de CO2 em carvão ativado sob diversas condições experimentais, utilizando dados como pressão, temperatura, área superficial do adsorvente e a adsorção de CO2 e CH4. A rede foi treinada, validada e testada usando o algoritmo Levenberg-Marquardt no Matlab©, explorando arquiteturas com 10, 15 e 20 neurônios. O melhor desempenho foi obtido com a arquitetura de 20 neurônios, apresentando um MSE de 3,80x10⁻³ e valores de R² de 0,98347, 0,98328, e 0,97365 para treinamento, validação e testes, respectivamente. Além disso, o método de Garson foi utilizado para avaliar a importância das variáveis de entrada, revelando que as variáveis mais influentes foram a área superficial com 50,06%, a fração molar de CO2 com 13,92% e a fração molar de metano com 13,89%. Esses resultados demonstram a eficácia do modelo de RNA na predição da adsorção de CO2, destacando o potencial da combinação de métodos experimentais com aprendizado de máquina para o estudo eficiente da captura de gases de efeito estufa enquanto reduz custos e tempo despendidos para estudos em laboratório.
Downloads
Referências
Aggarwal, Charu C. (2023). Neural Networks and Deep Learning: A Textbook. 2nd ed. Switzerland: Springer.
Aresta, M, & Dibenedetto, A. (2021). The Carbon Dioxide: Revolution Challenges and Perspectives for a Global Society. Vol. 1. 1st ed. Cham: Springer Nature Switzerland. https://link.springer.com/book/10.1007/978-3-030-59061-1. doi10.1007/978-3-030-59061-1.
Bird, Byron R, Stewart, Warren E, & Lightfoot, Edwin N. (2004). Fenômenos de Transporte. 2nd ed. Rio de Janeiro: Grupo GEN.
Dayton, Leigh. (2016). Atmospheric Carbon Dioxide Soars Past Crucial Milestone. Science. https://www.science.org/content/article/atmospheric-carbon-dioxide-soars-past-crucial-milestone.
Garson, David G. (1991). Interpreting Neural Network Connection Weights. AI EXPERT 6(7):47–51.
Gershenson, C. (2003). Artificial Neural Networks for Beginners. Cornell University. https://arxiv.org/abs/cs/0308031v1.
Ghaemi, A, Dehnavi, M. K, & Khoshraftar, Z. (2022). Exploring Artificial Neural Network Approach and RSM Modeling in the Prediction of CO2 Capture Using Carbon Molecular Sieves. Case Studies in Chemical and Environmental Engineering 7. https://www.sciencedirect.com/science/article/pii/S2666016423000154. doi: 10.1016/j.cscee.2023.100310.
Ghaemi, A, khoshraftar, Z. (2022b). Preparation of Activated Carbon from Entada Africana Guill. & Perr for CO2 Capture: Artificial Neural Network and Isotherm Modeling. Journal of Chemical and Petroleum Engineering, v. 56, n. 1, p. 165–180, 1 jun. 2022b. https://jchpe.ut.ac.ir/article_87314.html. doi: 10.22059/jchpe.2022.341031.1387.
Haykin, Simon. (2007). Redes Neurais: Princípios e Prática. 2nd ed. Porto Alegre: Bookman.
Haykin, Simon S. (2009). Neural Networks and Learning Machines. Prentice Hall/Pearson.
Himeno, S, Komatsu, T, & Fujita, S. (2005). High-Pressure Adsorption Equilibria of Methane and Carbon Dioxide on Several Activated Carbons. Journal of Chemical and Engineering Data 50(2):369–76. https://pubs.acs.org/doi/10.1021/je049786x. doi: 10.1021/JE049786X.
Kim, P. (2017). MATLAB Deep Learning: With Machine Learning, Neural Networks and Artificial Intelligence. Vol. 1. 1st ed. Seoul: Apress.
Lindsey, Rebecca. (2023). Climate Change: Atmospheric Carbon Dioxide. NOAA Climate. https://www.climate.gov/news-features/understanding-climate/climate-change-atmospheric-carbon-dioxide.
National Oceanic and Atmospheric Administration. 2022. Carbon Dioxide Now More than 50% Higher than Pre-Industrial Levels. National Oceanic and Atmospheric Administration. https://www.noaa.gov/news-release/carbon-dioxide-now-more-than-50-higher-than-pre-industrial-levels.
Nighojkar, A, Zimmermann, K, Ateia, M, Barbeau, B, Mohseni, M, Krishnamurthy, S, Dixit, F & Kandasubramanian, B. (2023). Application of Neural Network in Metal Adsorption Using Biomaterials (BMs): A Review. Environmental Science: Advances 2(1):11–38. https://pubs.rsc.org/en/content/articlelanding/2023/va/d2va00200k. doi: 10.1039/D2VA00200K.
Ozin, G, & Ghoussoub, M. F. (2020). The Story of CO2: Big Ideas for a Small Molecule. Vol. 1. 1st ed. Toronto: University of Toronto Press.
Panchal, G, Ganatra, A, Kosta, Y. P, & Panchal, D. (2011). Behaviour Analysis of Multilayer Perceptronswith Multiple Hidden Neurons and Hidden Layers. International Journal of Computer Theory and Engineering, 332–37. https://www.ijcte.org/show-35-350-1.html. doi: 10.7763/IJCTE.2011.V3.328.
Petroli, G, Leon V.B. de, Domenico M. Di, Souza F. B. de, & Brusamarello, C. Z. (2024). Application of Artificial Neural Networks and Langmuir and Freundlich Isotherm Models to the Removal of Textile Dye Using Biosorbents: A Comparative Study among Methodologies. Canadian Journal of Chemical Engineering. https://onlinelibrary.wiley.com/doi/10.1002/cjce.25271. doi: 10.1002/cjce.25271.
Pino, D, & Bessieres, D. (2017). CH4/CO2 Mixture Adsorption on a Characterized Activated Carbon. Journal of Chemical and Engineering Data, 62(4):1475–80. https://pubs.acs.org/doi/10.1021/acs.jced.6b01029. doi: 10.1021/acs.jced.6b01029.
Raganati, F, Miccio, F, & Ammendola, P. (2021). Adsorption of Carbon Dioxide for Post-Combustion Capture: A Review. Energy and Fuels, 35(16):12845–68. https://pubs.acs.org/doi/10.1021/acs.energyfuels.1c01618. doi: 10.1021/acs.energyfuels.1c01618.
Rajabloo, T, Valee, J, Marenne, Y, Coppens, L, & Ceuninck W. de. (2023). Carbon Capture and Utilization for Industrial Applications. Energy Reports, 9:111–16. https://www.sciencedirect.com/science/article/pii/S2352484722026087. doi: 10.1016/J.EGYR.2022.12.009.
Simon, Cory. (2013). Post-Combustion CO2 Capture to Mitigate Climate Change: Separation Costs Energy. Scientific American. https://blogs.scientificamerican.com/guest-blog/post-combustion-co2-capture-to-mitigate-climate-change-separation-costs-energy/.
Smith, J. M. et al. (2020). Introdução à Termodinâmica Da Engenharia Química. 8th ed. Rio de Janeiro: Grupo GEN.
Tu, J. V. (1996). Advantages and Disadvantages of Using Artificial Neural Networks versus Logistic Regression for Predicting Medical Outcomes. Journal of Clinical Epidemiology, 49(11):1225–31. https://pubmed.ncbi.nlm.nih.gov/8892489/. doi: 10.1016/S0895-4356(96)00002-9.
United States Environmental Protection Agency. (2023). Sources of Greenhouse Gas Emissions. United States Environmental Protection Agency. https://www.epa.gov/ghgemissions/sources-greenhouse-gas-emissions.
Watts, N, Adger, W. N, Agnolucci, P, Blackstock, J, Byass, P, Cai, W, Chaytor, S, Colbourn, T, Collins, M, Cooper, A, Cox, P. M, Depledge, J, Drummond, P, Ekins, P, Galaz, V, Grace, D, Graham, H, Grubb, M, Haines, A, Hamilton, I, Hunter, A, Jiang, X, Li, M, Kelman, I, Liang, L, Lott, M, Lowe, R, Luo, Y, Mace, G, Maslin, M, Nilsson, M, Oreszczyn, T, Pye, S, Quinn, T, Svensdotter, M, Venevsky, S, Warner, K, Xu, B, Yang, J, Yin, Y, Yu, C, Zhang, Q, Gong, P, Montgomery, H & Costello, A. (2015). Health and Climate Change: Policy Responses to Protect Public Health. The Lancet, 386(10006):1861–1914. https://www.thelancet.com/journals/lancet/article/PIIS0140-6736(15)608546/abstract. doi: 10.1016/S01406736(15)60854-6.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Ciência e Natura
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Para acessar a DECLARAÇÃO DE ORIGINALIDADE E EXCLUSIVIDADE E CESSÃO DE DIREITOS AUTORAIS clique aqui.
Diretrizes Éticas para Publicação de Revistas
A revista Ciência e Natura está empenhada em garantir a ética na publicação e na qualidade dos artigos.
A conformidade com padrões de comportamento ético é, portanto, esperada de todas as partes envolvidas: Autores, Editores e Revisores.
Em particular,
Autores: Os Autores devem apresentar uma discussão objetiva sobre a importância do trabalho de pesquisa, bem como detalhes e referências suficientes para permitir que outros reproduzam as experiências. Declarações fraudulentas ou intencionalmente incorretas constituem comportamento antiético e são inaceitáveis. Artigos de Revisão também devem ser objetivos, abrangentes e relatos precisos do estado da arte. Os Autores devem assegurar que seu trabalho é uma obra totalmente original, e se o trabalho e / ou palavras de outros têm sido utilizadas, isso tem sido devidamente reconhecido. O plágio em todas as suas formas constitui um comportamento publicitário não ético e é inaceitável. Submeter o mesmo manuscrito a mais de um jornal simultaneamente constitui um comportamento publicitário não ético e é inaceitável. Os Autores não devem submeter artigos que descrevam essencialmente a mesma pesquisa a mais de uma revista. O Autor correspondente deve garantir que haja um consenso total de todos os Co-autores na aprovação da versão final do artigo e sua submissão para publicação.
Editores: Os Editores devem avaliar manuscritos exclusivamente com base no seu mérito acadêmico. Um Editor não deve usar informações não publicadas na própria pesquisa do Editor sem o consentimento expresso por escrito do Autor. Os Editores devem tomar medidas de resposta razoável quando tiverem sido apresentadas queixas éticas relativas a um manuscrito submetido ou publicado.
Revisores: Todos os manuscritos recebidos para revisão devem ser tratados como documentos confidenciais. As informações ou ideias privilegiadas obtidas através da análise por pares devem ser mantidas confidenciais e não utilizadas para vantagens pessoais. As revisões devem ser conduzidas objetivamente e as observações devem ser formuladas claramente com argumentos de apoio, de modo que os Autores possam usá-los para melhorar o artigo. Qualquer Revisor selecionado que se sinta desqualificado para rever a pesquisa relatada em um manuscrito ou sabe que sua rápida revisão será impossível deve notificar o Editor e desculpar-se do processo de revisão. Os Revisores não devem considerar manuscritos nos quais tenham conflitos de interesse resultantes de relacionamentos ou conexões competitivas, colaborativas ou outras conexões com qualquer dos autores, empresas ou instituições conectadas aos documentos.
