Você está na página 1de 9

APLICAO DE REDES NEURAIS DO TIPO MAPAS AUTO-ORGANIZVEIS NO

ESTUDO DO PERFIL DO ETANOL COMBUSTVEL COMERCIALIZADO NAS


REGIES LESTE E NORTE DO ESTADO DO PARAN
Os combustveis derivados de hidrocarbonetos de petrleo, cuja utilizao
ainda predominante, no possuem a vantagem do etanol, que pode ser feito a
partir de recursos distribudos de forma mais homognea mundialmente (OWEN,
1995). O etanol obtido do caldo de cana-de-acar ou melao, amido de milho ou
mesmo do acar da beterraba (INGLESIAS et. al, 2015; JOANNIS-CASSAN et al.
2014) , at o momento, o nico combustvel com capacidade de atender
crescente demanda mundial por energia renovvel de baixo custo e de baixo poder
poluente. As emisses gasosas com a queima do etanol so menores se
comparadas s emisses da queima da gasolina, sendo ainda que o do CO 2 emitido
reabsorvido pela prpria cana (FELIPE, 2010; SILVA et al., 2008).
Em sua produo so adotados parmetros de controle da qualidade, que
visam fornecerem informaes que permitem inferir sobre suas prvias condies de
armazenamento, contaminao por gua e cidos e presena de ons de metais,
principalmente ferro e cobre. (AGARWAL, 2007; GONZAGA et al., 2012)
A condutividade eltrica do etanol de 1,35x10-3 uSunidade, mas a
possibilidade da sua converso em cido actico pode aument-la, j que uma
soluo 0,1 molar de cido actico possui condutividade de 41uSunidade. A
presena de condutores de eletrlitos favorece a corroso galvnica, que ocorre
pelo contato entre dois metais em um meio com condutividade eltrica. A presena
de gua facilitar ainda mais o fenmeno da corroso, por isso o etanol anidro seria
o mais adequado quanto a este quesito. Os metais recomendados para o motor a
etanol so ao tipo carbon steel, ao inoxidvel e bronze. Magnsio, zinco, lato e
cobre so materiais inadequados. (BALLERINI, 2006)
Atravs das avaliaes laboratoriais de amostras de etanol para os
parmetros de massa especfica, teor alcolico, pH e condutividade eltrica,
possvel verificar sua adequao para ser comercializado como combustvel
automotivo.
A acidez no etanol trata-se do contedo total de cidos titulveis medido em
miligramas de cido actico por litro de amostra. O acetato de etila um dos maiores
contaminantes orgnicos do etanol, proveniente principalmente da reao do etanol com o
cido actico. Este advm do processo produtivo do etanol, nas fases de fermentao dos
acares, da destilao ou de contaminantes. O parmetro de acidez pode influenciar o pH
reduzindo-o. (CAETANO et al., 2013; GONZAGA et al., 2012).
A determinao de cido actico usualmente feita por cromatografia, no entanto outros
mtodos vm sendo desenvolvidos, tais como titulao coulomtrica (GONZAGA et al. 2012)
e voltamtrico (CAETANO et al., 2013).
O etanol com acidez pode ser causa de acentuada corroso em motores e em
usinas onde seja uma matria-prima. (OLIVEIRA, 2009; HUSSAN et al., 2013).
As caractersticas do etanol comercializado podem se diferenciar conforme as
distribuidoras de uma regio. O Brasil conta com mais de 400 produtores de etanol a
partir da cana-de-acar (GONALVES et al., 2013). A previso da regio de origem
de amostras pode ser objeto de experimentao de tcnicas quimiomtricas.
O dixido de carbono tem considervel solubilidade no etanol e tambm
causa de sua acidez.
A classificao quimiomtrica das amostras, na maioria dos casos, bastante
complexa, principalmente se os padres forem descritos por um grande nmero de
variveis independentes; quando isso ocorre necessrio utilizar sistemas

automatizados. Um dos sistemas so as redes neurais artificiais, que procuram


modelar, mesmo que primitivamente, as operaes lgicas pelas quais o crebro
executa as mais variadas tarefas (DEISINGH, 2004; LIAO, 2004).
Ao longo de milhares de anos, devido evoluo e adaptao do sistema
nervoso central humano, o reconhecimento e a classificao de padres uma
tarefa naturalmente realizada (HAIR, 2009; HAYKIN, 2001. As redes neurais
artificiais surgiram como uma alternativa a essa tarefa, operando por meios
computacionais e de forma no-supervisionada. Em circuitos de silcio os impulsos
eltricos ocorrem na ordem de nanossegundos (10 -9 s), enquanto que no crebro
humano acontecem na ordem de milissegundos (10 -3 s). Contudo, o crebro humano
possui um nmero elevado de neurnios, o que o superpe, em termos de
efetividade, a sistemas artificiais que geralmente so configurados para utilizao de
menor nmero de neurnios (HAYKIN, 2001).
As redes neurais artificiais e os neurnios cerebrais assemelham-se por
adquirirem conhecimento atravs de um processo de aprendizagem e por
armazenarem conhecimento conforme um peso sinptico, ou seja, a fora de
conexo entre neurnios (HAYKIN, 2001). Cada neurnio artificial pode receber
vrios estmulos de entrada e gerar vrios estmulos de sada, sendo que este fluxo
de estmulos propagado atravs de uma rede de conexes, tal qual no modelo
biolgico. A intensidade de propagao dos estmulos entre uma determinada
conexo feita atravs de pesos de ponderao. Os sinais ponderados recebidos
so somados e modificados atravs de uma funo de transferncia. O resultado da
anlise pela rede pode ser observado num mapa topolgico apresentado, no qual
possvel se diferenciar visualmente agrupamentos de amostras distintamente
identificadas e a relao de vizinhana entre os grupos formados; grupos prximos
indicam uma similaridade de caractersticas entre as amostras (KOHONEN, 1997).
Existem vrios tipos de redes neurais tais como perceptron de mltipla
camada, redes de base radial, mapas auto-organizveis (MAO), dentre outras. Os
mapas auto-organizveis, ou de Kohonen, so uma rede neural artificial baseada em
aprendizagem competitiva e no supervisionada, capaz de mapear um conjunto de
dados de um espao de entrada contido em um conjunto finito de neurnios
organizados em arranjo unidimensional ou bidimensional, sendo adequados para a
tarefa de seleo de caractersticas (KOHONEN, 1997). As redes neurais artificiais
vm sendo utilizadas na pesquisa de quimioinformtica (BONACHERA et al., 2012),
em estudos relacionando finanas e sociedade (LOUIS et al., 2013), na previso de
aes humanas ao dirigir um carro (), na discriminao de amostras de caf
conforme a regio de plantio () e na astronomia por permitirem a minerao de
grande quantidade de dados ().
Os mapas auto-organizveis j se mostraram funcionais para a diferenciao
das caractersticas do etanol conforme a destilaria de origem (SPACINO et al.,
2013). O objetivo deste trabalho foi aplicar e adaptar a metodologia de redes neurais
artificiais ao perfil das amostras de lcool etlico hidratado comercializadas nas
regies norte e leste e centro-oeste do estado do Paran.
MATERIAIS E MTODOS
Amostras.
Durante o perodo compreendido entre abril e dezembro de 2014 foram
coletadas 998 amostras de lcool etlico hidratado combustvel, sendo 326 amostras
comercializadas na regio norte do estado do Paran, analisadas no Laboratrio de
Pesquisas e Analises de Combustveis da Universidade Estadual de Londrina, 420
da regio leste, analisadas no Laboratrio Chronion Anlises Qumicas e Comrcio
Ltda e 252 amostras comercializadas na regio centro-oeste do estado do Paran,

analisadas pelo Laboratrio de Combustveis da Universidade Estadual do Centro Oeste. As


amostras foram submetidas a ensaios de pH, teor alcolico, condutividade eltrica e
massa especfica a 20C.
Teor alcolico e massa especfica
Para determinao do teor alcolico a norma seguida foi a NBR 5992. Seu
procedimento determina a utilizao de um densmetro de vidro, que introduzido
numa proveta de 500mL contendo lcool. O valor indicado no densmetro e a
temperatura da amostra so anotados, e atravs de uma frmula calcula-se o valor
correspondente da massa especfica para uma temperatura de 20 oC. A mesma
norma possibilita inferir o teor de lcool em massa e volumtrico por meio de
clculos.
Condutividade eltrica
Foi determinada de acordo com a norma NBR 10547.
pH
O pH foi determinado conforme a norma NBR 10981, pelo mtodo da
medio da diferena de potencial entre eletrodos.
Redes neurais artificiais
Foi utilizado o mdulo de redes neurais do software MATLAB R2010a e a
entrada dos parmetros foi realizada na seguinte ordem: massa especfica a 20C,
teor alcolico, pH e condutividade eltrica.
Processamento.
Todos os resultados dos experimentos foram processados em um computador
Intel Core i7-4790 de 3,60 GHz e 32 GB de memria RAM.
RESULTADOS E DISCUSSO
A fim de avaliar o perfil do etanol combustvel comercializado nas regies
norte e leste do estado do Paran, foram coletados dados de anlises qumicas de
controle da qualidade das amostras, considerando os parmetros: massa especfica,
teor alcolico, pH e condutividade eltrica.
A figura 1 mostra os grficos de disperso dos resultados de ensaios para
todos os parmetros. As linhas horizontais indicam os limites dos parmetros de
conformidade e a linha vertical a separao das amostras por regio de
comercializao. A legislao vigente no Brasil estabelece os parmetros de
conformidade para o etanol, pelos quais devem estar os valores da massa
especfica a 20C entre 807,6 e 811,0 kg.m-3, os do teor alcolico numa percentagem
em massa entre 92,5% a 93,8%, os de pH entre 6,0 e 8,0 e os da condutividade
eltrica num mximo de 389 S.m-1.
(FIGURA DA DISPERSO LESTE NORTE CENTRO AS 4 FIGS DOS 4
PARAMETROS linearidade teor alcolico massa especifica)
A medida do pH importante pois est correlacionada com a acidez, a qual
est ligada corrosividade, que advm principalmente de impurezas inicas, ons
cloreto e cido actico. O resultado do pH depende do processo fermentativo da

obteno do etanol, bem como das condies utilizadas na destilao em cada


unidade produtora.
Comentar que esses dados lineares no so apropriados s redes neurais (achar
referencia no haykin) , ento uma das duas variveis
teor alcolico, que possui semelhana com o mapa da massa especfica, porque as
duas variveis esto correlacionadas, sendo inversamente proporcionais, ou seja, as
massas especficas menores correspondem aos teores alcolicos maiores.
Os dados alimentaram o mdulo de redes neurais artificiais do tipo mapa autoorganizvel (MAO), disponvel na toolbox de redes neurais do software MATLAB
R2007. A rede MAO transforma um padro de sinal incidente de dimenso arbitrria
em um mapa discreto bidimensional, apresentando esta transformao de uma
maneira topologicamente ordenada (KOHONEN, 1997).
Uma rede foi treinada com topologia hexagonal 35x35, 7000 pocas de
treinamento, com taxa de aprendizagem inicial de 0,1 e relao de vizinhana inicial
de 17. A rede estabilizou o erro em 5000 pocas, o valor final do erro foi de 0,05, a
taxa de aprendizagem decaiu at 9.1x10 -5 e o valor final da relao de vizinhana foi
de 0,003. Nesta topologia ocorreram 50 casos em que mais de uma amostra de
regies de origem diferentes ocupam o mesmo neurnio, por sobreposio, o que
significa que a malha de neurnios no foi suficiente para possibilitar a separao de
grupos.
De acordo com Boishebert et. al (2006), a topologia deve ser escolhida de
modo que no possua poucos neurnios em relao ao nmero das amostras, para
que estas no se sobreponham. Entretanto, no pode ter um nmero de neurnios
muito grande para que as amostras no se dispersem exageradamente, pois assim
podem ser formados mais grupos do que desejado. Alm disso, uma topologia maior
provocaria um desperdcio de tempo de processamento computacional.
Portanto, uma rede de topologia hexagonal 45x45 foi treinada, com 5000
pocas de treinamento, com taxa de aprendizagem inicial de 0,1 e relao de
vizinhana inicial de 22. A rede estabilizou o erro em 4000 pocas, conforme o
grfico de treinamento (figura 1). O valor final do erro foi de 0,02, a taxa de
aprendizagem decaiu at 6.7x10-4 e o valor final da relao de vizinhana foi de 0,03.

Figura 1: Erro de quantizao em relao ao nmero de pocas


A figura 2 apresenta a distribuio na topologia 45x45, onde podemos observar
que as amostras da regio leste (L) localizam-se na parte superior, as do norte (N)
na parte intermediria e as do centro-oeste (C) na inferior. Portanto, trs grupos
podem ser visualmente identificados, com apenas 26 casos de sobreposio de
amostras de regies diferentes no mesmo neurnio. Isso indica que a rede
apresentou um menor erro de classificao em relao de topologia 35x35.

Figura 2: grfico de treinamento


A formao dos grupos na distribuio topolgica justifica-se pela observao
dos mapas de pesos apresentados pela rede treinada.
The formation of groups in the topological map is justified by the weight maps,
obtained from the trained network, which are able to determine what parameters are
most important for each classification.
Colocar conceito de mapa de pesos
O mapa de pesos para a massa especfica (figura 3) indica que as amostras
da regio da regio centro-oeste predominam na regio clara, com pesos maiores,
diferenciando-a das outras duas regies. Porm, no foi possvel diferenciar as
regies leste e norte, pois apresentam resultados em faixas de pesos semelhantes,
que so as regies mais escuras do mapa. Portanto, a massa especfica foi um
parmetro importante somente para diferenciar as amostras do centro-oeste das
demais.

Posio 2

L LL L L LLL L LL L
LL LLL L L L
NNN N L L
LC
LLL L L L L
L
L L L L LL
L
L
L
LL L L L L L L
L L
L L
L L
L
C
L LL L L
35 L CC L L L L
L L
L L L
L
L L
L
LL C C
L
L L LL L
L LLL LL L L
L
L L CL L L L L
C
L L
N
L
L
L L
C L L L
N C LLLL N
LL L L
L
L
L L L
L L LL L LL L C
30 NLLCC L C N LC L LL L L L L L L L L L L LL L L L L LLLL
L L CN L
LL LL L L L L L L
L LL N N
LL
C LL LL C C L
L L L L L
N C L LL
NL
L LN
L L L LL
LL L N
C
L NN
N L L LL L
L
LL L
N NN
LL L
L L
N
25 CLC CNC C N N C NL L L
L LL L L L LLL
L N
C N NCCN
N N L C L
L
L N N
N
L N
C
N C C
N
N
L
L L L LL L L
L L NN
N C
C
N N N
LN N L
L L
L
LN N N
N LL L
NN NN
20 N CC CL N NN N NNN NNN L LL L LL L L
L
NN NCNNN
N
N C
NN NN N
N
NL L N
N N N
C
C N
NN N NC
N NN C L L L
NN
LN N N
C C C NN NN
N
N N L
NN NN
NL C
N
C C C C N
N N N
L
N L
N N L
NL L N NNN L
N
N N N
15 N NL CC NC CNC NN NNCNNN NNN N N N LL NNN CN L
N L
C NL
N
C
C NC
NNN
N NN
NNN L
L
C
C C
CCCC N
NCN
NN N N
N NNNNC
C C CC
C C NN N N N N
N LL
C
N NN
N
CN CC C CC C NNN
N NN NN N
C NN
N CNC N
N
L
N C
10 CCC CCCC CCC C CC C NC NCN N C
NN
N
N N CC
CCCC C CCC C C N
C C
NNN N NN
LC
C
CC
N N CC N
N N
N N N
L
C CCCC
C
C C N
C NCCNN NN
N C
CCC
C C C CC C C
N C
NN
NNNNCNC
N
C
CC NN
C L NN
NN
5 CCCC CCCCC
CC CCCNC C
N C C
NN NNN
NNNC
C
C CCCC C C
C L L CC CN NN N NN C
L CC C C CC C N C C L N
NC N L
N
N
NC
C C C
N C
L
C C
N N LN
C CCC CCC CC
N L L C L C N
C
N
NN C
0 CCCC CCCC CNCL NN C
L L CL N N CL NN NNNL NN
N NNCN
0
5
10
15
20
25
30
35
40
Posio 1

811
810.5
810
809.5
809
808.5
808

Figura 4: Mapa de pesos para a massa especfica

Posio 2

A figura 5 apresenta o mapa de pesos para o teor alcolico. Essa varivel foi
tambm importante para a separao das amostras do centro-oeste, pois apesar de
existirem amostras do grupo leste situadas em pesos menores, a maioria do grupo C
est localizado nessas regies, ou seja, nas reas mais escuras. J as amostras da
regio norte e leste encontram-se distribudas de forma heterognea no mapa, em
todas as faixas de pesos.
L LL L L LLL L LL L
LL LLL L L L
NNN N L L
LC
LLL L L L L
L
L L L L LL
L
L
L
LL L L L L L L
L L
L LL L L C
L L L LL LL L LL
35 L CC L L L L
LL LL
LL C C
L
L L LL L
L LLL LL L L
L
L L CL L L L L
C
L L
N
L
L
L
L
C
L
L
L
LL L L
L
L
L L L
L L L LN CL LLLL LLL CN
30 NLLCC L C N LC L LL L L L L L L L L L L LL L L L L LLLL
L L CN C LL L LLLL C L LC L LL L LL LL LL L LL L L N N
LL
N C L LL
NL
L LN
L L L LL
LL L N
C
L NN
N L L LL L
L
LL L
N NN
25 CLC CNC C N N C NL L L
L
L
L
L L L L L L L L LL LL N N
C N NCCN
N N L C L
L
L N N
N
L N
C
N C C
N
N
L
L L L LL L L
L L NN
N
C
N
C
N
N
L
N
N
L
L
L
L
L
N
N
N
N LL L
NN NN
20 N CC CL N NN N NNN NNN L LL L LL L L
L
NN NCNNN
N
N C
NN NN N
N
NL L N
N N N
C
C
N
N
N
N
N
N
C
N
N
C
L
L
N
L
N
L
N
N
N
C C C NN NN
N
N N L
NN NN
NL C
N
C C C C N
N N N
L
N L
N N L
NL L N NNN L
N
N N N
15 N NL CC NC CNC NN NNCNNN NNN N N N LL NNN CN L
N
L
C
N
N
C
C NC
NNN
N NN
NNN L
L
C L
C C
CCCC N
NCN
NN N N
N NNNNC
C C CC
C C NN N N N N
N LL
C
N NN
N
CN CC C CC C NNN
N NCNCNNN NN N L
N CN NCN
10 CCC CCCC CCC C CC C NC NCN N C
NN
N
N N CC
CCCC C CCC C C N
C C
NNN N NN
L
C
C
C
C
N
N
C
C
N
N
N
L
C CCCC
C
C C N
C NCCNN NN NN NC N
CCC
C C C CC C C
N C
NN
NNNNCNC
N
C
CC NN
C L NN
NN
5 CCCC CCCCC
C
C
C
C
C
N
C
C
N
C
N
C
N
N
N
N
N
N
N
C
C CCCC C C
C L L CC CN NN N NN C C
L CC C C CC C N C C L N
NC N L
N
N
NC
C C C
N C
L
C C
N N LN
C CCC CCC CC
N L L C L C N
C
N
NN C
0 CCCC CCCC CNCL NN C
L L CL N N CL NN NNNL NN
N NNCN
0
5
10
15
20
25
30
35
40
Posio 1

93.8
93.6
93.4
93.2
93
92.8
92.6

Figura 5: Mapa de pesos para o teor alcolico


A condutividade eltrica representada no mapa de pesos da figura 6,

Posio 2

Agrupou amostras do centro-oeste e do norte numa regio de pesos maiores,


indicando semelhana entre essas regies. Existem regies de amostra L em
menores reas do mapa, a de cor escura com menor peso.
L LL L L LLL L LL L
LL LLL L L L
NNN N L L
LC
LLL L L L L
L
L L L L LL
L
L
L
LL L L L L L L
L L
L
L
L
L
L
C
L
L
L
L
35 L CC L L L L
L L
L L L
L
L L
LL
LL C C
L
L L LL L
L LLL LL L L
L
L L CL L L L L
C
L L
N
LLL L LL
L
L L LL L CL L L L LL L LN CL LLLL LLL CN
L
C
C
L
L
L
L
L
L
L
L
L
L
L
L
30 NL C L N C L L
L
L L L LL LLL L
L
L
C
N
L
L
L
L
L
L
L
L
L
L
L
L
L
L
N
N
LL
C LL LL C C L
L L L L L
N C L LL
NL
L LN
L L L LL
LL L N
C
L NN
N L L LL L
L
LL L
N NN
25 CLC CNC C N N C NL L L
LL LL LL L L L L L LL LL N N
C N NCCN
N N L C L
L
L N N
N
L N
C
N C C
N
N
L
L L L LL L L
L L NN
N
C
N
C
N
N
L
N
N
L
L
L
L
L
N
N
N
N LL L
NN NN
20 N CC CL N NN N NNN NNN L LL L LL L L
L
NN NCNNN
N
N C
NN NN N
N
NL L N
N N N
C
C
N
N
N
N
N
N
C
N
N
C
L
L
N
L
N
L
N
N
N
C C C NN NN
N
N N L
NN NN
NL C
N
C C C C N
N N N
L
N L
N N L
NL L N NNN L
N
N
C
C
N
N
C
N
N
N
N
L
N
N
N
N
N
15 N L CC NC N N N N NNN
N LL
CC NL
N
C
C NC
NNN
N NN N L NNNNN LC L
C C
CCCC N
NCN
NN N N
N NNNNC
C C CC
C C NN N N N N
N LL
C
N NN
N
CN CC C CC C NNN
N NCNCNNN NN N L
N CN NCN
10 CCC CCCC CCC C CC C NC NCN N C
NN
N
N N CC
CCCC C CCC C C N
C C
NNN N NN
L C C CCCC CCC
LC
C C NN N CCC NNCCNNN NNN NN NC N
CCC
C C C CC C C
N C
NN
NNNNCNC
N
C
CC NN
C L NN
NN
5 CCCC CCCCC
NNNN NNNN NN NNCNC
C
C CCCCCCC CCCCNC CC L L CCN CCN C
L CC C C CC C N C C L N
NC N L
N
N
NC
C C C
N C
L
C C
N N LN
C CCC CCC CC
N L L C L C N
C
N
NN C
0 CCCC CCCC CNCL NN C
L L CL N N CL NN NNNL NN
N NNCN
0
5
10
15
20
25
30
35
40
Posio 1

350
300
250
200
150
100
50

Figura 6: A condutividade eltrica representada no mapa de pesos da


A figura 7 apresenta o mapa de pesos para o pH. Na regio mais clara do
mapa, que compreende as faixas de valores mais altos, a partir de 7.2, predominam
as amostras da regio leste. Nos valores mais baixos, at 6.4, esto presentes
principalmente as amostras da regio centro-oeste, representadas na regio escura
do mapa. Nas regies em torno do pH neutro 7.0 predominam as amostras da regio
norte. Devido a essa diferena de valores, o parmetro pH se mostrou importante
para a classificao das amostras quanto sua regio de comercializao.
O parmetro pH foi o mais importante para a classificao das amostras,
pois ele justifica a formao dos trs grupos. O grupo L est situado na regio
predominantemente mais clara do mapa que corresponde a pesos maiores. O grupo
C est situado em regies mais escuras do mapa, ou seja, de pesos menores. O
grupo norte est localizado em uma regio de pesos intermedirios. Alm de indicar
a formao dos trs grupos, esse parmetro tambm foi importante para justificar o
distanciamento dos grupos leste e centro oeste, por estes se encontrarem em
regies de pesos muito diferentes.

Posio 2

L LL L L LLL L LL L
LL LLL L L L
NNN N L L
LC
LLL L L L L
L
L L L L LL
L
L
L
LL L L L L L L
L L
L L
L L
L
C
L LL L L
35 L CC L L L L
L L
L L L
L
L L
L
LL C C
L
L L LL L
L LLL LL L L
L
L L CL L L L L
C
L L
N
L
L
L L
C L L L
N C LLLL N
LL L L
L
L
L L L
L L LL L LL L C
30 NLLCC L C N LC L LL L L L L L L L L L L LL L L L L LLLL
L L CN L
LL LL L L L L L L
L LL N N
LL
C LL LL C C L
L L L L L
N C L LL
NL
L LN
L L L LL
LL L N
C
L NN
N L L LL L
L
LL L
N NN
LL L
L L
N
25 CLC CNC C N N C NL L L
L LL L L L LLL
L N
C N NCCN
N N L C L
L
L N N
N
L N
C
N C C
N
N
L
L L L LL L L
L L NN
N C
C
N N N
LN N L
L L
L
LN N N
N LL L
NN NN
20 N CC CL N NN N NNN NNN L LL L LL L L
L
NN NCNNN
N
N C
NN NN N
N
NL L N
N N N
C
C N
NN N NC
N NN C L L L
NN
LN N N
C C C NN NN
N
N N L
NN NN
NL C
N
C C C C N
N N N
L
N L
N N L
NL L N NNN L
N
N N N
15 N NL CC NC CNC NN NNCNNN NNN N N N LL NNN CN L
N L
C NL
N
C
C NC
NNN
N NN
NNN L
L
C
C C
CCCC N
NCN
NN N N
N NNNNC
C C CC
C C NN N N N N
N LL
C
N NN
N
CN CC C CC C NNN
N NN NN N
C NN
N CNC N
N
L
N C
10 CCC CCCC CCC C CC C NC NCN N C
NN
N
N N CC
CCCC C CCC C C N
C C
NNN N NN
LC
C
CC
N N CC N
N N
N N N
L
C CCCC
C
C C N
C NCCNN NN
N C
CCC
C C C CC C C
N C
NN
NNNNCNC
N
C
CC NN
C L NN
NN
5 CCCC CCCCC
CC CCCNC C
N C C
NN NNN
NNNC
C
C CCCC C C
C L L CC CN NN N NN C
L CC C C CC C N C C L N
NC N L
N
N
NC
C C C
N C
L
C C
N N LN
C CCC CCC CC
N L L C L C N
C
N
NN C
0 CCCC CCCC CNCL NN C
L L CL N N CL NN NNNL NN
N NNCN
0
5
10
15
20
25
30
35
40
Posio 1

7.8
7.6
7.4
7.2
7
6.8
6.6
6.4
6.2
6
5.8

Do estudo conclui-se que foi possvel distinguir amostras de lcool etlico hidratado
combustvel, comercializadas nas regies norte, centro-oeste e leste do Paran,
atravs da utilizao de redes neurais. O parmetro mais influente na diferenciao
foi o pH e em seguida a massa especfica e o teor alcolico. A utilizao das 4000
pocas de treinamento e topologia 45x45 foram as que apresentaram melhor
separao das amostras.
REFERNCIAS
Virginie de Boishebert, Jean-Luc Giraudel, Michel Montury * Chemometrics and
Intelligent Laboratory Systems 80 (2006) 13 23 Characterization of strawberry
varieties by SPMEGCMS and Kohonen self-organizing map
Ballerini, D.; Alazard-Toux, N. Les biocarburants: tat des lieux, perspectives et
enjeux du dveloppement. ditions Technip. Paris, France, 2006.
Bioenerg. Res. (2015) 8:627643
Economic Analysis of Supplementing Sugarcane with Corn
for Ethanol Production in Brazil: A Case Study in Uberaba
Carlos Iglesias & Juan P. Sesmero
Optimization of very high gravity fermentation
process for ethanol production from industrial
sugar beet syrup
Claire Joannis-Cassan a,b,*
, Julien Riess a,b,c,d
, Franck Jolibert c
Patricia Taillandier a,b
biomass and bioenergy 70 (2014) 165 e173

Fabiano Barbieri Gonzaga , Mary Ane Gonalves, Sidney Pereira Sobral, Carla de
Matos Ribeiro
A new method for determining the acid number of ethanol fuel using
coulometric titration
Fuel 94 (2012) pgs. 7074

Lahys G. Caetano a, Regina M. Takeuchi b, Andr L. Santos b, Marcelo F. de Oliveira


c,, Nelson R. Stradiotto
Voltammetric determination of ethyl acetate in ethanol fuel using
a Fe3+/Nafion-coated glassy carbon electrode
Fuel 106 (2013) 837842
Journal of Cleaner Production 51 (2013) 118e125
Tailoring key fuel properties of dieselebiodieseleethanol blends for
diesel engine
Md. Jayed Hussan a,*, Masjuki Hj. Hassan b, Md. Abul Kalam b, Liaquat Ali Memon