OPERAÇÕES UNITÁRIAS-1

Exemplo2.1
Sistema Tyler Massa Fração em massa retida Abertura da peneira d# X
(mesh) retida (∆x) (mm)
+8 12,6 0,052 2,38 0,948
(1-0,052)
-8+10 38,7 0,159 1,68 0,789
-10+14 50,0 0,206 1,19 0,583
-14+20 63,7 0,262 0,841 0,321
-20+28 32,5 0,134 0,595 0,187
-28+35 17,4 0,072 0,420 0,115
-35+48 11,2 0,046 0,297 0,069
-48+65 7,8 0,032 0,210 0,037
-65+100 3,7 0,015 0,149 0,022
-100+150 2,6 0,011 0,105 0,011
-150+200 1,8 0,007 0,074 0,004
-200 1,1 0,005 - -
243,1 1
X – Fração em massa de partículas com diâmetro menor que D (dimensão característica, no caso d#).
 OPERAÇÕES UNITÁRIAS-1
.

Há várias formas de demonstrar graficamente uma análise granulométrica.

Seja: D – dimensão característica
X- fração em massa das partículas com diâmetro menor que D
∆x- fração em massa retida em cada peneira

Distribuição Acumulativa - Fração de partículas com diãmetro menor que (X)

1

a) Distribuição acumulativa

0.8

0.6

47% das partículas tem diâmetro entre

0,84 e 1,68 mm

0.4

0.2

0 2
0 0.5 1 1.5 2 2.5
Diâmetro da partícula (mm)
 OPERAÇÕES UNITÁRIAS-1
b) Distribuição de Freqüência: c) Histograma:
0.3 0.3

Ponto de Inflexão
0.25 0.25

0.2 0.2

dX
0.15 0.15

0.1 0.1

0.05 0.05

0 0
0.25 0.75 1.25 1.75 2.25 0.25 0.75 1.25 1.75 2.25
0 0.5 1 1.5 2 2.5 0 0.5 1 1.5 2 2.5

D(mm)

3
OPERAÇÕES UNITÁRIAS-1
Funções de distribuição densidade

4
 OPERAÇÕES UNITÁRIAS-1
2.2 – Modelos de Distribuição Granulométrica

A aplicação de modelos estatísticos de distribuição que relacionam a quantidade de material com o

tamanho das partículas de um dado sistema, facilita a manipulação dos dados e os cálculos
computacionais. A utilização destes modelos torna mais simples o projeto dos equipamentos de
separação de partículas.
Os modelos a 2 parâmetros de Gates-Gaudin-Shaumann (GGS), Rosin-Rammler-Bennet (RRB), Log-
Normal (LN) e Sigmoide; descrevem satisfatoriamente a maioria dos casos de interesse tecnológico.
a) GGS - Gates-Gaudin-Shaumann – A estimativa dos parâmetros poderá ser feita através da regressão
não linear ou ainda usando a regressão linear.
m
D log [ X ] = m ( log [ D ] − log [ k ]) = m log [ D ] − m log [ k ]
X = 
k
Parâmetros k e m Coeficiente linear
Coeficiente angular
se X=1; D=k
[ k ] = L, [X]=admensional, [m]=admensional X dX m  D 
=  
m −1

1 1 dD k  k 
D100 para X=1
<m<
0 se m=1 =>distribuição uniforme
D50 para X=0,5 - 50% das partículas
casos usuais m>1
tem diâmetro menor que D50 1
m>
5
k
 OPERAÇÕES UNITÁRIAS-1
b) RRB – Rosin, Rammler e Bennet –

n
D
− 
 D'
X = 1− e n
n −1 D
Parâmetros D' e n dX n D − 
 D'
=   .e
-1
se D=D' então: x=1-e = 0, 632 D'=D 63,2 dD D '  D ' 

[ D'] = L, [X]=admensional, [n]=admensional

Pacotes estatísticos, exemplo: Statistica, Statgraphics, SAS etc. (estimação dos
Regressão não Linear

parâmetros
métodos dos mínimos quadrados (MMQ))

Linearização:
n
D
− 
 D'
e = 1− X
n
D  1 
  = ln  
 D' 1− X 
  1 
→ n  ln ( D ) − ln ( D ')  = ln ln  
  1− X 
Regressão linear, avaliação do R 2 6
 OPERAÇÕES UNITÁRIAS-1
c) Log-Normal

X=
[1 + erf ( Z )]
2
 D 
Z = ln  D50
 
2 ln δ
 
Parâmetros δ e D
[ D50 ] = L, [X]=admensional, [δ ]=admensional
Z
D84,1 D 2
∫ exp ( − y ) dy
2
δ= = 50 , erf ( Z ) =
D50 D15,9 π 0

função erro, tabelado==> tabelado Spiegel(Pag. 183 e 257)

7
Existe gráfico para o modelo Log-normal em escala apropriada
D84,1

D50

8
t=
( d-d )
σ

9
 OPERAÇÕES UNITÁRIAS-1
d) Sigmoide
X
[1] 1
X= p p>
D 
1 +  50 
 D  1
P<
Parâmetros p e D50
[ D50 ] = L, [X]=admensional, [p]=admensional
Regressão não linear ou linearização
D
p
D  1
1 +  50  =
 D  X
p
 D50  1 1− X
  = −1 =
 D  X X
 1− X 
p  log ( D50 ) − log D  = log  
 X 
 1− X 
plotar : log D versus log  
 X  10
 OPERAÇÕES UNITÁRIAS-1

A SEGUIR UM ARTIGO INTERESSANTE QUE ILUSTRA A QUESTÃO

DISCUTIDA EM SALA DE AULA, MODELOS DE ANÁLISE
GRANULOMÉTRICA E ESTIMATIVA DE PARÂMETROS
Acta Scientiarum 22(5):1235-1239, 2000.
ISSN 1415-6814.

Linearização do modelo log-normal para distribuição de tamanho

de partículas

Laércio Montovani Frare*, Marcelino Luiz Gimenes, Nehemias Curvelo Pereira e

Elisabete Scolin Mendes
Departamento de Engenharia Química, Universidade Estadual de Maringá, Av. Colombo, 5790, 87020-900, Maringá-Paraná,
Brazil. *Author for correspondence. email:marcelino@deq.uem.br

RESUMO. As análises granulométricas de sólidos podem ser satisfatoriamente representadas

pelos seguintes modelos de distribuição a 2 parâmetros: Gates-Gaudin-Schumann (GGS),
Rosin-Rammler-Bennet (RRB) e Log-Normal (LN). Os modelos GGS e RRB podem ser
linearizados, obtendo-se um coeficiente de correlação que permite avaliar a qualidade do
ajuste. Entretanto, para o modelo LN, o ajuste linear é feito através de um gráfico do
diâmetro de partícula em escala logarítmica versus fração cumulativa em escala de
probabilidades, não sendo possível comparar seu ajuste com os dois anteriores, sob uma
mesma base. Sendo assim, partiu-se neste trabalho de um conjunto de equações
desenvolvidas por LAWLESS (1978), que possibilita a obtenção de um coeficiente de
correlação linear para o modelo LN. Desta forma, os modelos GGS, RRB e LN podem
agora ser avaliados por meio da comparação dos coeficientes envolvidos na regressão linear,
tornando o trabalho de ajuste mais ágil e preciso.
Palavras-chave: tamanho de partículas, modelos de distribuição, análise granulométrica.

ABSTRACT. Log-normal model linearization for particle size distribution.

Granulometric analyses of solids are satisfactorily represented by the following two
parameters models: Gates-Gaudin-Schumann (GGS), Rosin-Rammler-Bennet (RRB) and
Log-Normal (LN). GGS and RRB models may be linearized to get a correlation coefficient
to qualify them. Nevertheless, for LN model the linear fit is done by a particle diameter
graph in logarithm scale versus the cumulative mass fraction in a probability scale. It’s not
possible to compare the three models on the same basis. Equations developed by Lawless
(1978) were developed to obtain a linear correlation coefficient for LN model. Thus, GGS,
RRB and LN models may be available by simple comparison of the linear regression
coefficients. Adjustment turns up to the faster and more precise.
Key words: particle size, distribution models, granulometric analyses.

Em escala industrial grande quantidade de caracterização de um material particulado, podendo

partículas e pó, que não são uniformes,
principalmente quanto ao tamanho, são manuseados
nos mais diferentes e diversos processos. Nesses
processos é de grande importância o conhecimento
do comportamento deste material particulado, sendo
freqüentemente necessário definir o sistema
particulado como um todo. Assim, em lugar de um
único tamanho de partícula, tem-se a necessidade de
se conhecer a distribuição de tamanho de partículas,
através da qual é possível definir diâmetros “médios”
que possam representar o comportamento de todos
os tamanhos do material particulado em questão.
Várias são as distribuições de tamanhos de
partículas que podem ser utilizadas para a
estas ser do tipo de distribuição por números,
superfície e massa ou volume. Para a obtenção das
distribuições de tamanho de partícula existe uma
grande variedade de métodos e equipamentos que
podem ser utilizados (Allen, 1981). Svarosvky (1990)
apresenta as faixas de aplicações quanto aos
tamanhos das partículas, tipo de diâmetros definidos
e tipos de distribuição obtidos (número, massa ou
volume) para uma grande variedade desses
métodos/equipamentos. Os resultados das
distribuições de tamanhos de partículas podem ser
obtidos na forma diferencial ou na forma
cumulativa. A forma cumulativa é muita vezes
preferida pela facilidade de interpretar resultados
1236 Frare et al.

quanto à continuidade de dados e ajuste de modelos
matemáticos que descrevem a distribuição de
tamanhos de partículas.
O uso de modelos é desejável para a obtenção de
parâmetros estatísticos que sejam representativos do
material particulado. Tais parâmetros podem ser
utilizados não só na predição do comportamento
hidrodinâmico, como também no cálculo da
eficiência global de remoção de partículas em
equipamentos de coleta. A eficiência global de coleta
de partículas em ciclones e em equipamentos que
tenham mecanismos de coleta de partículas similares
é descrita pela Equação (1).
1
apresenta uma metodologia para obtenção dos
parâmetros de ajuste de distribuição log-normal a
dois parâmetros. Esta metodologia permite obter
coeficiente de ajuste linear para o modelo log-
normal, o qual pode ser comparado com o de outros
modelos linearizáveis (RRB, GGS) a dois
parâmetros.
Metodologia
Modelos de distribuição a dois parâmetros. A
Tabela 1 apresenta as equações dos modelos a dois
parâmetros de maior aplicação na distribuição de
tamanhos de partículas.

ηTotal = ∫ ηind (D ). dφ alim. (1) Tabela 1. Modelos de distribuição

0 Modelo Parâmetros Equações
em que, ηTotal é a eficiência global ou total e ηind é a Gates-Gaudin- m
D
eficiência para um específico tamanho de partícula Schumann K, m X=  (2)
(GGS) k
(D) e dφ a distribuição de tamanho de partículas na
Rosin-Rammler-
corrente de alimentação. O conhecimento ou ajuste D’, n X = 1 − e−(D / D') (3)
n

Bennet (RRB)
da função (dφ) que descreve a distribuição de
tamanho de partículas permite que a eficiência X = (1 + erf (z )) / 2

global de coleta seja obtida com os parâmetros da Log-normal D50 , σ (

Z = ln (D / D50 ) / 2 . ln σ ) (4)
distribuição ajustada. Para o caso de ciclones erf (z ) =
2 z −z 2
.∫ e .dz
π 0
Massarani (1986) apresenta gráficos que permitem
calcular a eficiência global conhecendo-se o modelo
A linearização dos modelos GGS e RRB, que
de distribuição de tamanho de partículas na
pode ser obtida diretamente (Massarani, 1986), está
alimentação (distribuição log-normal ou RRB -
apresentada na forma das Equações (5) e (6)
Rosin-Rameler Bennet).
respectivamente.
No ajuste de modelos de distribuição de
partículas preferem-se modelos com menor número
de parâmetros. Assim os modelos a 2 parâmetros ln X = −m.ln K + m.ln D (5)
têm sido usados para descrever a distribuição de
tamanho de partículas. Dentre estes modelos, o   1  (6)
ln ln   = −n. ln D'+n. ln D
modelo log-normal apresenta, em vista de suas   1− X 
propriedades matemáticas, uma preferência para
ajuste de distribuição de tamanho de partículas, seja
Os parâmetros dos modelos K, m, n e D’ podem
na sua forma originária seja na modificada (Irani e
ser obtidos através de regressão linear, da Qual se
Callis, 1963). Um exemplo da utilização do modelo
pode conhecer o coeficiente de correlação (R2)
de distribuição log-normal se encontra no trabalho
como um indicativo do ajuste dos dados ao modelo.
de Kerr (1989), que apresenta uma maneira de
Enquanto o ajuste destes dois modelos pode ser
predizer a performance do equipamento de controle de
facilmente verificado pela inspeção do coeficiente de
material particulado. Neste trabalho, a distribuição
correlação, utilizando-se uma calculadora
de tamanho de partículas, que não segue exatamente
programável ou uma planilha de cálculo, para o
o modelo log-normal, por ser um modelo bimodal,
modelo log-normal necessita-se usar um gráfico
é ajustada através da separação em duas distribuições
como o da Figura 1, para a obtenção dos parâmetros
log-normal.
σ e D50. Embora tal gráfico possa ser prontamente
Embora a distribuição log-normal seja a
obtido, o critério de ajuste da reta ainda é visual, não
distribuição mais utilizada na prática, a obtenção de
possuindo uma mesma base de comparação (como
seus dois parâmetros é quase sempre feita através do
por exemplo o coeficiente de correlação) que a dos
traçado de uma reta em gráfico de escala logarítmica
outros modelos. Assim seria interessante encontrar
versus probabilidade. Tal prática pode ser
uma forma de verificar se os dados obedecem ao
substituída, por meio de ajustes mais seguros e
rápidos com utilização computacional. Este trabalho
Linearização do modelo log-normal 1237

modelo log-normal, analisando o coeficiente de

correlação. D 50 = exp[β] e σ = exp[α ] (10)
Os resultados apresentados neste trabalho
mostram que é possível linearizar o modelo log- Resultados e discussão
normal, o que permite de forma estatistica comparar A Tabela 3 apresenta dados de distribuição de
o ajuste deste modelo, através do coeficiente de tamanho de partículas (Massarani, 1986 e Nevers,
correlação, com os modelos a dois parâmetros GGS 1995), os quais foram ajustadados ao modelo de
e RRB. distribuição log-normal.

Linearização do modelo log-normal. Lawless Tabela 3. Dados de distribuição de tamanhos partículas

(1978) e Gimenes (1992) apresentam as Equações
Dados de Massarani (1986) Dados de Nevers (1995)
(7) e (8), que possibilitam obter uma aproximação D# (µm) X (%) D (µm) X (%)
linearizada do modelo de distribuição log-normal. 2380 97,4 158,3 95,0
Trata-se na realidade de uma aproximação 1680 92,1 130 93,0
polinomial da função inversa de probabilidade 1190 83,7 100 90,1
841 68,7 90 88,4
integral, com um erro absoluto menor que 4,5.10-5 595 51,5 80 86,7
(Abramowitz, 1964). 420 32,6 70 83,9
297 21,5 60 81,0
210 11,2 50 76,6
149 3,8 40 71,8
 1  105 1,6 30 62,8
t = ln  
 74 0,6 20 50,0
 X2  - - 10 30,1
(7)
a+ b. t+ c. t 2
z = − t+ A Figura 1 ilustra, para os dados da Tabela 3, o
1 + d . t+ e. t 2 + f . t 3 gráfico de D em escala logarítmica versus X em
para 0 ≤ X ≤ 0,5 escala de probabilidade. A partir do gráfico da Figura
1, podem-se encontrar os parâmetros do modelo
log-normal tal como se exemplifica a seguir para os
 1  dados de Massarani (1986):
t = ln  
 (1− X )2 
  D 50
(8) D50 ≅ 0,55 mm e σ =
a+ b. t+ c. t 2 ≅ 2,2 ou
z = t− D15,87
1 + d . t+ e. t 2 + f . t 3
para 0,5< X ≤ 1 D 84,13
σ= ≅ 2,18 , ou seja σ ≅2,19
D 50
Os valores das constantes a, b, c, d, e e f são
apresentados na Tabela 2.

Tabela 2. Valores das constantes das Equações (7) e (8)

a b c d e f
2,51557 0,802853 0,010328 1,432788 0,189269 0,001308

A partir de um conjunto de dados de X e D, a

obtenção dos parâmetros σ (desvio- padrão
geométrico) e D50 (diâmetro médio geométrico) do
modelo log-normal é feita através da regressão linear
de lnD versus a função Z, calculada de acordo com
as Equações (7) e (8):

ln[D] = α Z+ β (9)

Assim, podem-se obter os parâmetros da

Figura 1. Dados Experimentais que seguem a distribuição log-
distribuição log-normal de acordo com: normal ( De Nevers, 1995;  Massarani, 1986)
1238 Frare et al.

A Figura 2 ilustra a linearização do modelo log-
normal para os dados da Tabela 3, obtida através das
equações (7) a (10). A Tabela 4 apresenta valores de
desvio padrão σ e diâmetro médio geométrico D50
para os dados da Tabela 3, obtidos através do gráfico
da Figura 1 e utilizando-se a linearização do modelo
log-normal. Os resultados da Tabela 4 demonstram
não existir diferença entre parâmetros obtidos
graficamente e aqueles obtidos através da regressão
linear do modelo log-normal.
LnD = 0,7772.Z - 0,5825 R2=0,9985
LnD = 0,8219.Z + 3,2285 R2=0,9998
2
-3 -2 -1
Ln D
A linearização do modelo log-normal foi obtida
através do uso de uma função polinomial log-
normalizada que se aproxima, com erros menores
que 4,5.10-5, da função inversa de probabilidade
integral. Os resultados mostraram que esta
linearização pode ser usada para obter os parâmetros
do modelo log-normal com precisão, quando os
dados experimentais se ajustam ao modelo.
Os resultados apresentados mostram que é
possível analisar o ajuste de modelos a dois
parâmetros (GGS, RRB e log-normal), para a
distribuição de tamanhos de partículas, através do
coeficiente de correlação obtido da linearização
1 destes modelos.
0
-1 0 1 2 3
Nomenclatura

-2
D = Diâmetro de partícula [L]
-3
X = Fração cumulativa com diâmetro
-4
menor que D [-]
-5
K = Parâmetro do modelo GGS [L]
Z
m = Parâmetro do modelo GGS [-]
n, = Parâmetro do modelo RRB [-]
Figura 2. Ajuste dos dados da Tabela 3 ao modelo log-normal
D’ = Parâmetro do modelo RRB [L]
(Nevers, 1995; Massarani, 1986) D50 = Diâmetro médio geométrico [L]
a,b,c,d,e,f = Constantes da função polinomial [-]
t = Função de transformação logarítmica [-]
Tabela 4. Comparação entre os valores de σ e D50 Z = Função polinomial aproximada à função
Dados de Massarani (1986) Dados de Nevers (1995)
inversa de probabilidade integral [-]
Método de Método de η = Eficiência de coleta de partículas [-]
Parâmetros Método Método
gráfico
regressão linear
gráfico
regressão linear φ = Função distribuição de tamanho de
R2=0,9985 R2=0,9998 partículas [-]
σ 2,19 2,175 3,49 3,57
α = Coeficiente angular [-]
D50 (µm) 55,00 55,85 20,00 19,67
β = Coeficiente linear [-]
σ = Desvio Padrão [-]
Os mesmos dados da Tabela 3 foram testados
para os modelos de distribuição GGS e RRB, cujos
Referências bibliográficas
ajustes são ilustrados na Figura 3. Verifica-se, através
das Figuras 2 e 3, que para os dados da Tabela 3 o Abramnovitz, M; Stegen, J. Handbook of Mathematical
melhor ajuste, baseado no coeficiente de correlação Funtions. New York: U.S. Department Commerce,
R2, é o do modelo log-normal. 1969.
Ln X= 1,4534LnD - 0,4395 R2=0,8949
Allen, T. Particle Size Measurement. Powder Technology. 4.ed.
Ln(Ln(1/(1-X))) = 1,8212.LnD + 0,2768 R2=0,9635
London: Chapman and Hall, 1990.
Ln X= 0,3958LnD + 0,8921 R2=0,9068] Gimenes, M. L. Particulate Gaseous Emission Control Using
Ln(Ln(1/(1-X)))=0,7581LnD + 2,5918 R2=0,9886 Turbulent Beds of Mobile Packings. England, 1992.
(Doctoral Thesis in Chemical Engineering) -
Ln(Ln(1/(1-X)))

2 University of Leeds. England.

ou

0 Irani, R.R.; Callis, F. C. Particle Size: Measurement,

Interpretation and Aplication. Londres: John Wiley, 1963.
Ln X

-6 -4 -2 0 2
-2
Kerr, C. P. Predicting the Performance of Particulate
-4
Control Equipment. JAPCA, 38(12):1585-1587, 1989.
-6 Lawless, P.A. Analysis of Cascade Impactor Data for Calculating
Ln D
Particle Penetration. Environmental Protection Agency.
NTIS, EPA 600/7-78-189, 1978.
Figura 3. Ajuste dos dados da Tabela 3 aos modelos RRB e GGS
( e  Nevers, 1995;  e Massarani, 1986)
Linearização do modelo log-normal
Massarani, G. Tópicos especiais de sistemas particulados.
São Carlos: Universidade Federal de São Carlos, 1986.
v.2.
Nevers, N. Air pollution control engineering. New York:
McGraw-Hill, 1995.
1239
Svarosvky, L. Particle Size Measurement and Sampling -
Course Manual. England: University of Bradford, 1990.
Received on November 13, 2000.
Accepted on November 20, 2000.