Escolar Documentos
Profissional Documentos
Cultura Documentos
CURITIBA
2003
Agradeo:
A meu querido Deus, que me mostra a melhor face da vida,
no importando o caminho a ser percorrido...
s minhas queridas crianas, que atravs da inocncia me
impulsionam para a simplicidade da vida...
minha
querida
famlia,
que
me
estimula
ao
autoconhecimento constante...
Aos meus queridos professores, que me moldam pureza da
cincia ...
Aos meus queridos amigos, inmeros como as estrelas de uma
constelao, contribuindo cada um com sua luz prpria, para o
fortalecimento de minha prpria luz...
Agncia Nacional do Petrleo pelo fomento da bolsa de
mestrado...
Ao projeto CTPETRO/FINEP pelo suporte financeiro para
aquisio dos equipamentos envolvidos neste estudo...
Ao Laboratrio de Anlises de Combustveis Automotivos
pela
infra-estrutura
oferecida
pelo
incentivo
ao
iii
Recebei as minhas instrues com maior gosto do que se recebsseis dinheiro; preferi
a cincia ao ouro.
Porque vale mais a sabedoria do que todas as riquezas do mais subido valor, e tudo
quanto apetecvel no se pode comparar com ela.
(PROV, 8, 10-11)
iv
PUBLICAES
CCCO, Llian Cristina; YAMAMOTO, Carlos Itsuo; von MEIEN, Oscar Felippe.
Previso de Propriedades da Gasolina a partir de sua Composio Qumica utilizandose Rede Neural. in: II Encontro dos Programas de Recursos Humanos em Petrleo
e Gs Natural do Paran. 31 de outubro de 2002, Curitiba.
SUMRIO
LISTA DE FIGURAS................................................................................................ viii
LISTA DE TABELAS................................................................................................. xi
LISTA DE SIGLAS E SMBOLOS.......................................................................... xii
RESUMO......................................................................................................................xv
ABSTRACT ............................................................................................................... xvi
1
INTRODUO................................................................................................1
2
REVISO DE LITERATURA.......................................................................6
2.1
MTODOS ANALTICOS UTILIZADOS NA IDENTIFICAO
COMPOSICIONAL DE COMBUSTVEIS.................................................... 6
2.2
REDES NEURONAIS ARTIFICIAIS ..............................................................6
2.2.1 Introduo ..........................................................................................................8
2.2.2 Rede Neuronal Artificial por Retropropagao...............................................11
2.2.3 Parmetros da Rede por Retropropagao.......................................................15
2.2.4 O Algoritmo Backpropagation.....................................................................21
2.2.5 Outros Tipos de Algoritmos e Redes Neuronais .............................................24
2.3
QUMICA ANALTICA ASSOCIADA AO USO DE REDE NEURONAL
POR RETROPROPOGAO ........................................................................25
2.4
CONSIDERAES PARA UTILIZAO DE REDE NEURONAL POR
RETROPROPOGAO.................................................................................31
3
TEORIA ESTATSTICA E METROLOGIA ............................................35
4
MATERIAIS E MTODOS .........................................................................38
4.1
PROGRAMA DE REDE NEURONAL..........................................................38
4.2
CROMATOGRAFIA GASOSA COM DETECTOR DE IONIZAO DE
CHAMA ..........................................................................................................38
4.2.1 Composio Qumica da Gasolina ..................................................................38
4.2.2 Anlise PIANO................................................................................................39
4.2.3 Condies Cromatogrficas e Equipamento ...................................................39
4.2.4 Software DHA: Detailed Hydrocarbon Analysis ............................................40
4.3
AMOSTRAS....................................................................................................43
4.4
ENSAIOS ASTM E NBR................................................................................44
4.4.1 Densidade Relativa a 20oC Mtodo do Densmetro Automtico ................44
4.4.2 Presso de Vapor Reid Mtodo Mini ...........................................................44
4.4.3 Curva de Destilao Mtodo da Destilao Atmosfrica.............................46
4.4.3.1 Terminologia (NBR 9619)...............................................................................46
4.4.3.2 Descrio Sucinta do Ensaio ...........................................................................47
4.4.3.3 Relevncia do Ensaio.......................................................................................47
5
RESULTADOS E DISCUSSO...................................................................50
5.1
ESTUDO PRELIMINAR DAS VARIVEIS ENVOLVIDAS......................50
5.2
ESCOLHA DAS AMOSTRAS .......................................................................57
5.3
METROLOGIA E CALIBRAO DOS EQUIPAMENTOS .......................59
5.3.1 Calibrao do Programa DHA.........................................................................59
5.3.2 Calibrao do Densmetro Automtico ...........................................................59
vi
5.3.3
vii
LISTA DE FIGURAS
FIGURA 2.1 TIPOS DE REDES NEURONAIS ARTIFICIAIS .............................. 09
FIGURA 2.2 ESQUEMA DE UMA REDE NEURONAL ARTIFICIAL ................ 11
FIGURA 2.3 ARQUITETURA DE REDE POR RETROPROPAGAO ............. 13
FIGURA 2.4 ILUSTRAO DE DOIS SINAIS FLUINDO EM UM
PERCEPTRON MULTICAMADAS....................................................14
FIGURA 2.5 FUNO SIGMOIDAL ..................................................................... 15
FIGURA 2.6 FUNO TANSIG ............................................................................. 16
FIGURA 2.7 FUNO LINEAR ............................................................................. 16
FIGURA 2.8 - EFEITO DA VARIAO DO PARMETRO EM UMA
FUNO SIGMOIDAL...................................................................... 17
FIGURA 2.9 SUPERFCIE DO ERRO COMO FUNO DE UM PESO.............. 18
FIGURA 2.10 REGIO DOS DADOS DE ENTRADA PARA UMA
FUNO DE TRANSFERNCIA.................................................... 20
FIGURA 2.11 ARQUITETURA DE REDE NEURONAL HOPFIELD................... 25
FIGURA 4.1 CROMATGRAFO CG FID............................................................ 40
FIGURA 4.2 IROX 2000 ........................................................................................... 43
FIGURA 4.3 DENSMETRO DIGITAL .................................................................. 44
FIGURA 4.4 APARELHO MEDIDOR DE PRESSO DE VAPOR ...................... 45
FIGURA 4.5 DESTILADORES AUTOMTICOS. ................................................. 46
FIGURA 4.6 CURVA DE DESTILAO DE UMA GASOLINA COMUM ........ 48
FIGURA 5.1 VARIAO DO TEOR DE ETANOL NA GASOLINA
COMUM PARAN JAN-NOV 2001............................................. 51
FIGURA 5.2 - VARIAO DO TEOR DE AROMTICOS NA GASOLINA
COMUM - PARAN - JAN-NOV 2001 ......................................... 52
FIGURA 5.3 - VARIAO DO TEOR DE OLEFNICOS NA GASOLINA
COMUM - PARAN - JAN-NOV 2001 ......................................... 52
FIGURA 5.4 - VARIAO DO TEOR DE SATURADOS NA GASOLINA
COMUM - PARAN - JAN-NOV 2001 ......................................... 53
FIGURA 5.5 - VARIAO DA DENSIDADE RELATIVA A 20 oC DA
GASOLINA COMUM - PARAN - JAN-NOV 2001 ................... 54
FIGURA 5.6 - VARIAO DO T10 DA GASOLINA COMUM - PARAN
- JAN-NOV 2001 .............................................................................. 55
FIGURA 5.7 - VARIAO DO T50 DA GASOLINA COMUM - PARAN
- JAN-NOV 2001 .............................................................................. 55
FIGURA 5.8 - VARIAO DO T90 DA GASOLINA COMUM - PARAN
- JAN-NOV 2001 .............................................................................. 56
FIGURA 5.9 - VARIAO DO PFE DA GASOLINA COMUM - PARAN
- JAN-NOV 2001 ............................................................................... 57
FIGURA 5.10 CROMATOGRAMA TPICO DE UMA GASOLINA COMUM .... 71
FIGURA 5.11 - ARQUITETURA DA MELHOR REDE OBTIDA PARA
PREVISO DE DENSIDADE .......................................................... 75
FIGURA 5.12 - DENSIDADE EXPERIMENTAL X DENSIDADE
CALCULADA PELA REDE COMPLEXA .................................... 76
viii
ix
LISTA DE TABELAS
TABELA 2.1 COEFICIENTES DE CORRELAO DA PREVISO DE
BRON PARA DADOS DE TESTE ................................................... 27
TABELA 2.2 PREVISO PARA NMERO DE CETANAS DO DIESEL ............ 30
TABELA 2.3 PREVISO PARA DENSIDADE DO DIESEL ................................ 30
TABELA 2.4 - OUTROS TRABALHOS UTILIZANDO REDES
NEURONAIS ARTIFICIAIS............................................................. 30
TABELA 5.1. - LEITURAS DE PRESSO DE VAPOR PARA VERIFICAO
DO APARELHO................................................................................. 60
TABELA 5.2 - TESTE DE REPETITIVIDADE DA CROMATOGRAFIA
COM DHA PARA GASOLINA COMUM ......................................... 62
TABELA 5.3 CLCULO DA INCERTEZA DE MEDIO PARA DHA ............ 63
TABELA 5.4 LEITURAS DE DENSIDADE DA GASOLINA COMUM
PARA TESTE DE REPETITIVIDADE ............................................ 64
TABELA 5.5 INCERTEZA DE MEDIO PARA O DENSMETRO
AUTOMTICO ................................................................................... 65
TABELA 5.6 LEITURAS DE PRESSO DE VAPOR REID PARA TESTE DE
REPETITIVIDADE.............................................................................. 65
TABELA 5.7 INCERTEZA DE MEDIO PARA O APARELHO DE
PRESSO DE VAPOR....................................................................... 65
TABELA 5.8 LEITURAS PARA TESTE DE REPETITIVIDADE
DESTILADOR 1 ................................................................................ 66
TABELA 5.9 INCERTEZA DE MEDIO DO DESTILADOR 1 ....................... 66
TABELA 5.10 LEITURAS PARA TESTE DE REPETITIVIDADE
DESTILADOR 2............................................................................... 67
TABELA 5.11 INCERTEZA DE MEDIO DO DESTILADOR 2 ..................... 67
TABELA 5.12 LEITURAS PARA TESTE DE REPETITIVIDADE
DESTILADOR 3............................................................................... 67
TABELA 5.13 INCERTEZA DE MEDIO DO DESTILADOR 3 ..................... 67
TABELA 5.14 LEITURAS PARA TESTE DE REPETITIVIDADE
DESTILADOR 4............................................................................... 68
TABELA 5.15 INCERTEZA DE MEDIO DO DESTILADOR 4 ..................... 68
TABELA 5.16 - LEITURAS PARA TESTE DE REPRODUTIBILIDADE DOS
DESTILADORES............................................................................. 69
TABELA 5.17 - TESTE DE REPRODUTIBILIDADE ENTRE OS
DESTILADORES ............................................................................ 69
TABELA 5.18 COMPARAO DAS INCERTEZAS DE MEDIO
ENTRE OS DESTILADORES AUTOMTICOS ......................... 70
TABELA 5.19 RESUMO DOS DESVIOS DE PREVISO PARA O
CONJUNTO DE TESTE DAS REDES NEURONAIS
PARA CADA PROPRIEDADE ESTUDADA.............................. 99
xi
x Mdia aritmtica.
- Constante de proporcionalidade.
Fator de aprendizado ou treinamento.
Bias.
xiii
Sub ndices:
- Nvel de significncia estatstica.
i, j camada da rede.
xiv
RESUMO
As propriedades fsico-qumicas da gasolina so importantes referncias de sua
qualidade, devendo ser monitoradas a fim de mant-la, respeitando-se leis ambientais e
parmetros tcnicos. Cada propriedade , em geral, uma complicada funo da
composio qumica da gasolina, podendo ser representada por diversos tipos de
correlaes matemticas. Correlaes matemticas so utilizadas por equipamentos
como o espectrmetro por infravermelho para a previso de propriedades fisicoqumicas de combustveis a partir da anlise do espectro obtido, com objetivo de
reduzir o custo de implantao de laboratrios para controle da qualidade de
combustveis. Por outro lado, as correlaes existentes no esto ajustadas gasolina
brasileira, cuja composio qumica modificada com a adio de lcool etlico anidro,
fornecendo resultados no condizentes com a realidade. Por este motivo existe a
necessidade de se encontrar correlaes apropriadas para a gasolina nacional e apliclas para obteno de previses mais acuradas, com valores prximos s anlises
experimentais padro ASTM e NBR, adotadas pela Agncia Nacional do Petrleo
como referncias de qualidade para a gasolina brasileira. Este trabalho descreve a
utilizao de redes neuronais artificiais como um mtodo de correlao para previso
de algumas propriedades importantes da gasolina, tais como: curva de destilao,
densidade relativa a 20C e presso de vapor Reid. Uma rede com treinamento
supervisionado por retropropagao usada neste trabalho. Aps estudos preliminares
e planejamento experimental, 35 amostras de gasolina brasileira, de um universo de
1000 amostras analisadas no LACAUT (Laboratrio de Anlises de Combustveis
Automotivos), coletadas em postos de combustveis no estado do Paran, foram
escolhidas e submetidas anlise cromatogrfica e ensaios laboratoriais padronizados.
Um programa especfico para classificao de hidrocarbonetos denominado DHA
(Detailed Hydrocarbon Analisys) gerou dados de entrada para a rede neuronal,
enquanto que os ensaios fsico-qumicos padronizados forneceram os dados de sada. A
capacidade preditiva das redes obtidas foi muito boa para as propriedades estudadas,
compatvel com a preciso das medidas experimentais. Os desvios obtidos ficaram em
mdia prximos de 1%. Os resultados alcanados esto prximos das faixas de
incerteza de medio dos ensaios fsico-qumicos e comprovam que a ferramenta
utilizada consegue correlacionar adequadamente a composio qumica e as
propriedades fisico-qumicas estudadas.
Palavras-chave: gasolina; rede neuronal; retropropagao, cromatografia gasosa.
xv
ABSTRACT
The fuel physic-chemical properties are very important references of its quality. They
must be monitored in order to maintain and/or improve production quality and match
environmental standards as well. Each property is, in general, a complicated function of
the chemical composition of the gasoline, being able to be represented by several types
of mathematical correlations. Mathematical correlations are used by equipment as the
infrared spectrometer for the prediction of physic-chemical properties of fuel. The
perspective is the reduction of cost of laboratory implantation. On the other hand, the
existing correlations are not adjusted to the Brazilian gasoline, whose chemical
composition is modified with the anhydrous ethyl alcohol addition, supplying results
not agreeable with the reality. For this reason it is necessary to find appropriate
correlations and apply them to forecast values near to the experimental analyses
standard ASTM and NBR, adopted for the National Agency of the Oil as references of
quality for the Brazilian gasoline. This work describes the use of artificial neural
networks as a method of correlation for forecasting of some important properties of the
gasoline, such as: curve of distillation, relative density 20C and pressure Reid vapor.
A network with supervised learning with backpropagation algorithm is used in this
work. After preliminary studies and experimental planning, 35 samples of Brazilian
gasoline, from the universe of 1000 samples analyzed in the LACAUT (Laboratory of
Fuel Analyses), collected in the state of the Paran, had been chosen and submitted to
the chromatographic analysis and standardized laboratories assays. A specific program
for classification of hydrocarbons, the DHA (Detailed Hydrocarbon Analysis),
generated the input data for the neural network, while standardized physic-chemical
had supplied the output data. The predictive capacity of the obtained nets was very
good for the studied properties, within the experimental accuracy. The obtained error
had been in average next to 1%. The reached results are next to the bands of
measurement uncertainty of the physic-chemical experiments. It proves that the used
tool obtains the correlation from chemical composition and the studied physic-chemical
properties.
KEYWORDS: gasoline, neural networks, backpropagation, gas chromatography.
xvi
INTRODUO
Uma tentativa de reduo dos custos laboratoriais a utilizao de correlaes
13
(1)
Onde:
Y = matriz [n x m] de variveis dependentes
n = nmero de amostras
m = nmero de variveis dependentes (por exemplo as propriedades fisicoqumicas da gasolina).
X = matriz [n x k] de variveis independentes
k = nmero de variveis independentes (composio qumica).
B = matriz [k x m] dos coeficientes de regresso (GEMPERLINE, 1992, p.
117).
Um modelo linear assumido para relacionar a matriz X com a matriz Y. O
objetivo deste tipo de modelo achar a matriz B atravs de algoritmos diferenciados.
Um dos mais utilizados o PLS (partial least squares) ou regresso dos mnimos
quadrados. O PLS possui capacidade de modelar respostas no lineares pela incluso
de variveis latentes no modelo (GEMPERLINE, 1992, p. 116). Outro exemplo de
algoritmo o PLS-polinomial (ANDRADE; SNCHEZ; SARABIA, 1999), o qual
considera a relao intrnseca como um polinmio quadrtico, cbico, etc. Neste tipo
de regresso dois parmetros so ajustados: a ordem do polinmio e o nmero de
variveis latentes do modelo PLS. Outro algoritmo muito utilizado o PCA (principal
component analisys) ou PCR (principal component regression). A regresso do
componente principal um mtodo que transforma as variveis originais em novas
variveis, chamadas componentes principais (LAVINE et al., 2001, p. 240). Cada
componente principal uma combinao linear das variveis originais. O maior
componente principal identificado determinando-se a direo da maior variao nos
dados, modelando-o por uma linha que atravessa o centro dos dados. O segundo maior
componente segue a direo da segunda maior variao e tambm passa atravs do
centro dos dados mas ortogonal ao primeiro componente principal. O terceiro maior
componente principal segue a terceira maior variao, passando pelo centro dos dados
e sendo ortogonal aos outros dois e assim por diante. Ao utilizar o PCA, as variveis
originais, constitudas em um sistema axial correlacionado, podem ser convertidas em
um sistema ortogonal que remove a correlao forando os novos eixos a serem
Identificao da composio
qumica da gasolina
(cromatografia gasosa)
Realizao de ensaios
laboratoriais para
caracterizao das propriedades
da gasolina (ASTM ou NBR)
Utilizao de redes
neuronais para montagem
de correlaes
Correlaes utilizadas
para previso de
propriedades da
gasolina
REVISO DE LITERATURA
2.1 MTODOS
ANALTICOS
UTILIZADOS
NA
IDENTIFICAO
COMPOSICIONAL DE COMBUSTVEIS
A qumica analtica tem desenvolvido diversas ferramentas que fornecem
informaes sobre a composio qumica dos combustveis. Trabalhos na rea de
espectrometria no infravermelho (IV) so atrativos devido ao curto tempo de anlise.
O princpio bsico da tcnica a radiao infravermelha, que quando absorvida por
uma molcula, converte-se em energia de vibrao molecular (SILVERSTEIN;
BASSLER; MORRILL, 1994, cap. 3). As vibraes moleculares formam um espectro
devido deformaes axiais e angulares. A posio exata da banda de absoro e a
mudana nos contornos das bandas revelam detalhes importantes da estrutura, porm
uma molcula simples pode gerar um espectro complexo. IOB et al. (1995) utilizaram
espectrometria no infravermelho para determinar a composio de 33 amostras de
gasolina preparadas. Em um estudo posterior (1998), utilizaram a mesma tcnica de
anlise para determinar o teor de oxigenados em outras 102 amostras preparadas em
laboratrio. LITANI-BARZILAI et al. (1997) utilizaram espectrometria no
infravermelho prximo (NIR) com 325 amostras de gasolina determinando-se sua
composio qumica e ANDRADE, MUNIATEGUI e PRADA (1997) tambm
utilizaram o infravermelho mdio (MIR) em 310 amostras de nafta com alguns
problemas para diferenciao entre naftas que classificou-se como sendo do tipo A e
B. A diferenciao das naftas est na quantidade de aromticos presentes, sendo que a
nafta do tipo A possui baixa quantidade de aromticos enquanto que a nafta do tipo B,
mais comum que a outra, possui alto teor de aromticos.
Trabalhos desenvolvidos em espectrometria no ultravioleta (UV) tambm
podem ser interessantes devido ao curto tempo de anlise, porm no foi encontrado
nenhum que pudesse fornecer uma identificao de algum tipo de combustvel. O
princpio bsico da espectrometria no ultravioleta a absoro de energia na regio do
ultravioleta que depende da estrutura eletrnica da molcula. Essa absoro de energia
quantizada e conduz passagem dos eltrons de orbitais do estado fundamental para
orbitais de maior energia em um estado excitado. Com isto pode-se reconhecer grupos
caractersticos atravs dos espectros gerados. Porm podem existir espectros de
molculas simples semelhante ao de complexas (SILVERSTEIN; BASSLER;
MORRILL, 1994, cap. 7). Talvez devido a esse tipo de complexidade os trabalhos
nesta rea so raros.
Raros tambm so os trabalhos realizados com a tcnica de espectrometria de
massa atmica. O princpio desta tcnica o bombardeio das molculas na fase vapor
por eltrons com alta energia. O impacto dos eltrons na molcula gera fragmentos de
molculas e suas massas atmicas so quantificadas atravs de um espectro de ons
(SILVERSTEIN; BASSLER; MORRILL, 1994, cap. 2). Para identificao de
compostos necessrio que se tenha conhecimentos profundos em qumica orgnica e
uma anlise detalhada do espectro gerado.
Outro tipo de anlise a espectrometria de ressonncia magntica nuclear de
hidrognio (RMN 1H) ou carbono 13 (RMN
13
o nmero de camadas:
- rede de camada nica: existem somente as ligaes sinpticas de
entrada e sada da rede (figura 2.1 (I) e (V));
- rede de mltiplas camadas: existe um neurnio ou mais entre alguma
entrada e sada da rede (figura 2.1 (II), (III) e (IV)).
x1
x1
x2
x3
x2
x4
x5
x3
(I)
(III)
x1
x2
x3
x1
x4
x2
(V)
x3
x4
x1
x2
x3
x4
x5
x5
x6
(II)
(IV)
10
b)
c)
a conectividade:
- rede fracamente ou parcialmente conectada (figura 2.1 (II), (III) e
(IV));
- rede completamente conectada (figura 2.1 (I) e (V));
d)
forma de treinamento:
- treinamento supervisionado: alimenta-se a rede com dados de entrada e
de sada desejados. O objetivo ajustar os parmetros da rede de forma a
encontrar uma correlao entre as entradas e sadas. O exemplo mais
utilizado de rede com treino supervisionado o backpropagation ou
retropropagao. Um caso particular o aprendizado por reforo, cuja
nica informao de sada fornecida se a resposta est ou no correta.
- treinamento no supervisionado ou auto organizado: o resultado
desejado no fornecido, permitindo que a rede encontre grupos ou
classes por associao estatstica dos dados de entrada. Um caso
particular deste tipo de aprendizado o por competio, onde existe uma
competio entre as unidades de sada para decidir qual delas ser
ativada e seus pesos atualizados.
11
Camada de
entrada
Camada
intermediria
ou oculta
Camada
de sada
Conexo ou sinapse
Neurnio ou nodo
Bias ou offset
12
13
(W.X +W
ij
x1
w21
w22
x2
w23
w24
x3
w25
.1)
(i + 1) j
yj = 1
1+e
wjk
(W .y +W
Yk = 1
.1)
(i + 1)k
ik i
1+e
w45
wj6
14
sinal da funo
sinal do erro
E = (y O
NP
n =1 k =1
kn
kn
onde:
E = erro quadrtico de treinamento
NP = nmero de pontos do conjunto de treinamento
P = nmero de sadas da rede neuronal
(2)
15
y = valor experimental
O = valor previsto pela rede neuronal
Tambm interessante monitorar o desvio pela mdia do erro quadrtico, ou
seja, a soma quadrtica dos erros divididos pelo nmero total de observaes (E/n).
(3)
(4)
purelin(n) = n
(5)
(6)
16
Pesos (W)
So partes importantes na retropropagao dos sinais atravs da rede. Eles
estabilizam a ligao entre entrada e sada e retm a informao primordial da rede
neuronal sobre a relao problema-soluo (SMITS, 1994). So as foras conectivas
entre os neurnios, representando a influncia positiva ou negativa da varivel de
entrada sobre a varivel de sada, para valores positivos e negativos respectivamente.
Quanto maior o mdulo deste valor, maior ser a influncia, ao passo que se este valor
estiver muito prximo de zero, a influncia da varivel de entrada na varivel de sada
ser insignificante.
Bias ()
Cada neurnio necessita do parmetro para ajustar todas as entradas de
modo que caiam dentro da regio que possa ser usada pela funo de transferncia
para melhor performance geral da rede. Pode ser tratado exatamente da mesma
maneira que outro peso do neurnio (ZUPAN, 1991). A figura 2.8 ilustra o translado
horizontal ao variar o parmetro . O valor deste parmetro fixado em 1 (para a
funo sigmoidal).
17
Sada do
neurnio
Entrada do neurnio
Fator de aprendizado ()
O algoritmo backpropagation proporciona uma aproximao da trajetria na
funo erro atravs do mtodo do gradiente descendente (ver figura 2.9). A correo
do conjunto de pesos proporcional ao gradiente do erro em funo dos pesos:
W =
E
W
(7)
Em
18
Gradiente
Mnimo local
Mnimo global
Wij
Existem dois tipos de algoritmos para tratar o valor de : o fixo, que mantm
o seu valor at o final das iteraes, e o varivel, que aumenta o seu valor numrico
quando o desvio quadrtico tem tendncia de diminuir e diminui quando existe
tendncia do desvio aumentar (YAMAMOTO, 1998). Ambos os tipos de algoritmo
para o fator de aprendizado podem chegar ao mesmo tipo de resultado, dependendo do
conjunto de dados iniciais.
19
Intervalo de Normalizao
Sugere-se que os dados de entrada e sada da rede devem ser normalizados
dentro do intervalo [0,2;0,8] para que caiam na regio de transio da funo de
transferncia (ver figura 2.10). Se diminuirmos este intervalo, muda-se a faixa de
trabalho na regio de transio da funo, modificando a capacidade extrapolativa da
rede. A diminuio do intervalo de normalizao possui um limite, pois a rede perde a
sua principal caracterstica de mapeamento de sistemas no lineares, comportando-se
como uma regresso multilinear (YAMAMOTO, 1998).
A frmula para normalizao de dados a seguinte:
VN = (VA V mn. / V mx. - Vmn.) x (LS - LI) + LI
onde:
VN = valor normalizado
VA = valor atual
Vmn = mnimo valor dos dados de entrada
Vmx = mximo valor dos dados de entrada
LS = limite superior do intervalo de normalizao
LI = limite inferior do intervalo de normalizao
(8)
20
Sada do neurnio
Sada do neurnio
11
0,2
0,2
0,8
0,8
21
convergir
22
S j = Wij X i + W N +1 j
(9)
i =1
com j = 1, 2, ..., M
onde:
N = nmero de variveis de entrada;
M = nmero de neurnios da camada oculta.
A sada do neurnio (Oj) processado por uma funo de transferncia, como
a funo sigmoidal, tangente hiperblica ou linear:
Oj =
Oj =
1
1+ e
S j
2
1+ e
O j = .S
2S j
(10)
(11)
(12)
23
E = y kn Okn
n =1k =1
(13)
onde:
E = erro quadrtico de treinamento
NP = nmero de pontos do conjunto de treinamento
P = nmero de sadas da rede neuronal
y = valor experimental
O = valor previsto pela rede neuronal
n = nmero de observaes (treinamento ou teste).
Os pesos so calculados atravs do algoritmo backpropagation:
Wijm +1 = Wijm + Wijm
(14)
E
Wijm
(15)
24
25
I1
I2
I3
IN
W23
W N1
....
E
+ [ W ijm 1 ]
m
W ij
(16)
26
27
54 para 3 dados de teste. O critrio de parada foi de 1000 iteraes. Um grfico dos
pontos previstos x calculados foi apresentado, porm os desvios so apenas
visualizados e no calculados. Para a previso do ndice de reteno, foi elaborado
cinco tipos de banco de dados de entrada, para testar vrios tipos de representao
molecular. Para um primeiro banco de dados, houve uma variao nos nmeros de
neurnios da camada oculta de 3 a 30. Para os outros bancos de dados de entrada, as
arquiteturas foram fixadas. Mas para nenhum dos casos a rede conseguiu correlacionar
muito bem a representao molecular e o ndice de reteno. O autor explica que a
representao molecular do tipo 2D e chega a concluso que este tipo no consegue
fornecer informaes para uma boa performance da rede e sugere um estudo em 3D,
muito mais complicado, para aprofundamento da representao molecular.
MEUSINGER e MOROS (1999b) estudaram a influncia da estrutura
molecular de compostos orgnicos no seu comportamento antidetonante. Os 240
compostos qumicos cujos BRON (blending RON, efeito individual de cada composto
na resistncia detonao) estavam publicados, foram subdivididos em 5 classes
principais: oxigenados, aromticos, olefinas, naftnicos e parafnicos. Cada uma das
classes foi subdividida em 16 subclasses. Um nmero de octana parcial foi calculado
para cada grupo estrutural. A somatria dos nmeros de octanos parciais fornece o
nmero de octanas do composto. Uma regresso linear mltipla e uma rede por
retropropagao com algoritmo gentico foram utilizadas para fazer a conexo entre os
grupos estruturais e o BRON. Os resultados obtidos para a rede neuronal foram
melhores que os obtidos por regresso mltipla. Os resultados esto expressos na
forma de coeficiente de correlao (R), mostrados na tabela 2.1.
TABELA 2.1 COEFICIENTES DE CORRELAO DA PREVISO DE BRON PARA
DADOS DE TESTE.
TIPO DE REGRESSO
GRUPO PRINCIPAL
Parafnicos Naftnicos Olefnicos
Aromticos
Oxigenados
0,988
0,975
0,984
0,945
0,964
Linear mltipla
0,954
0,877
0,959
0,877
0,919
28
29
30
0,96
0,97
0,98
0,96
Porcentagem de dados
100
100
100
100
abaixo de 5%
FONTE: YANG, H. et al.. Neural Network Prediction of Cetane Number
and Density of Diesel Fuel from its Chemical Composition
Determined by LC and GC-MS. Fuel, v. 81, p. 65-74, 2002.
REDE 1
REDE 2
REDE 3
MLR
0,74
0,79
0,93
0,76
Porcentagem de dados
abaixo de 5%
52,4
71,4
90,5
52,4
TIPO DE REDE
feedforward com
backpropagation
APLICAO
Identificao de caractersticas estruturais de compostos a
partir de espectro de massa atmica.
ELSHARKWY, 2001
feedforward com
backpropagation
Previso
JALALI-HERAVI, 2000
feedforward com
backpropagation
JALALI-HERAVI, 2002
MITTERMAYR, 1994
SMITS, 1993
WIENKE, 1994
feedforward com
backpropagation
treino no supervisionado
da viscosidade
do leo cr a partir da
feedforward com
backpropagation
rede modular
ART
31
32
33
mesmo ocorre com BASU et al. (1998) que comparam apenas duas arquiteturas ((6-31) e (5-3-1)) de redes por retropropagao para previso de biodegradabilidade de
leos minerais, sendo que os resultados obtidos indicaram desvios de at 19% na
previso da propriedade.
Alguns autores utilizam arquiteturas mais complexas para previso de vrias
propriedades ao mesmo tempo, que o caso de ARRIAGADA, OLAUSSON e
SELIMOVIC (2002) que utilizaram uma rede por retropropagao com 4 entradas
(tipo de combustvel, temperatura do gs de injeo, diferena de potencial e fluxo de
combustvel de uma clula de combustvel de xido slido) para otimizao de 6
sadas (fluxo de ar, densidade de corrente, voltagem reversvel, temperatura de sada
do ar, temperatura de sada do combustvel e temperatura mdia do slido). O
propsito a avaliao da performance de uma clula de combustvel. Enquanto o
ajuste foi excelente para a grande maioria das sadas (desvios menores que 1%), uma
delas (fluxo de ar) foi considerada de difcil ajuste (3-4%). difcil ajustar
simultaneamente todas as variveis de sada, pois os pesos obtidos tendem a ajustar
melhor uma varivel em detrimento de outra. Melhor seria se utilizasse uma
arquitetura de rede para cada varivel de sada, pois se reduz o nmero de parmetros a
serem ajustados para cada varivel de sada da rede (YAMAMOTO, 1998).
A escolha da quantidade de dados de treinamento importante, j que em
excesso de dados redundantes ocorre o overffiting. Existem alguns autores que
trabalharam com grandes quantidades de dados, devido facilidade de obteno na
literatura. Um exemplo o trabalho de YAFFE e COHEN (2001), onde utilizou-se, de
5.330 dados de treino, 1.529 para teste e um terceiro conjunto de validao com 754
amostras de diversos compostos qumicos para previso de presso de vapor a diversas
temperaturas. Apesar de apresentar grficos com desvios de 9,2% para teste e 10,7%
para validao, o excesso de dados visvel e a capacidade preditiva da rede est
resumida a uma mdia estatstica, ou seja, os pontos fora da mdia estatstica
apresentam desvios de at 67%. ZHOU e GAUTHIER (ZHOU, 1999) treinaram redes
utilizando 8.000 a 40.000 pontos no conjunto de treinamento, enquanto que utilizaram
apenas 4 pontos para teste. Tentou-se prever a temperatura da chama adiabtica. A
34
previso ficou muito boa na validao (desvio mximo de 3,8%), mas a rede no
conseguiu correlacionar pontos extremos (valores muito baixos ou muito altos) durante
o treinamento, que fugiam da mdia. Por outro lado, a repetio de dados que pode ser
prejudicial para a rede por retropropagao, no o para outros tipos de rede neuronal.
SONG et al. (2001) utilizam uma rede neuronal com treinamento no supervisionado
denominado ART-2a (Adaptive Resonance Theory), que um tipo de rede por
competio, para classificar em diferentes grupos homogneos as partculas
provenientes da combusto da gasolina e diesel obtidas por espectro de massa de
partculas. Este tipo de rede possui a habilidade de detectar outliers e formar novas
classes, mas necessita de um grande nmero de amostras para que consiga associar
caractersticas e agrup-las. Os autores utilizaram 500 amostras para treinamento.
medida que o nmero de amostras aumentou, o erro quadrtico diminuiu, com melhor
classificao.
Para que uma seleo de amostras seja criteriosa, a realizao de estudos
estatsticos e aplicao de metrologia de fundamental importncia, visto que o
controle de qualidade dos pontos experimentais torna-se necessrio ao uso de redes
neuronais, pois para qualquer tipo de ajuste, mesmo uma simples regresso linear, os
pontos experimentais no devem inserir muito rudo, caso contrrio o ajuste pode no
ocorrer.
Levando-se em considerao todos os pontos explicados, tomou-se as devidas
precaues para se evitar o overfitting, com a quantidade de dados para treino e teste
criteriosamente escolhidos atravs de estudos estatsticos e simplificao da
arquitetura de rede. A reduo das variveis de entrada e a variao nas arquiteturas,
alm da verificao de existncia de outlier foram aplicadas neste trabalho. A
qualidade dos dados obtidos tambm foi verificada por testes de repetitividade e
reprodutividade nos equipamentos envolvidos.
35
36
(x
i =1
x) 2 n 1
(17)
onde:
xi o resultado da medio de ordem i = 1,2,3,...,n.
37
Para um nmero igual ou maior que 30 leituras, utilizou-se distribuio normal para o
clculo do intervalo de confiana:
intervalo = z / 2 .s
onde
z / 2
(18)
z / 2
observaes.
Para amostragens menores que 30, utilizou-se distribuio t-student para o clculo do
intervalo de confiana:
intervalo = t / 2 .s
(19)
onde:
t / 2 =
OVALLE, 1995).
Com /2 = 0,025 (nvel de significncia de 95%) e n -1 graus de liberdade retira-se
os valores de
t / 2
ao nvel de 95%,
(20)
38
MATERIAIS E MTODOS
39
% n- parafinas (P)
% isoparafinas (I)
% aromticos (A)
% naftnicos (N)
% olefinas
(O)
40
assim, as condies cromatogrficas que fornecem a melhor resoluo para este tipo
de anlise so:
a) gs de arraste na coluna: hlio, velocidade linear = 30.0 a 30.2 cm/s a
35oC;
b) detector: FID, temperatura: 300oC, sensibilidade: 32 x 1012,
alimentao: hidrognio, ar e nitrognio;
c) injetor: 250oC;
d) razo de split: 200:1, fluxo: 285-415 cc/min;
e) coluna: 100 m x 0.25 mm de slica fundida com 0.5 micron de metil
silicone, especificada como CP-SIL PONA CB FS 100X.25 (0.5) da
Chrompack Capillary Column;
f) programa de temperatura: 35oC por 15 minutos, rampa de 1 grau/min
at 60oC, patamar de 20 minutos, rampa de 2 graus/min at 200oC e
patamar de 10 minutos;
g) tempo total de anlise: 140 minutos.
41
O ndice de reteno linear aplicvel para condies com gradiente de eluio: (CIOLA,
1973):
RIp= RI1 + (RI2 - RI1) x (RTp RT1)/ (RT2- RT1)
Onde:
RI1 = ndice de reteno do pico de referncia mais prximo eluindo antes de RTp.
RT1 = tempo de reteno do pico de referncia mais prximo eluindo antes de RTp.
RI2 = ndice de reteno do pico de referncia mais prximo eluindo depois de RTp.
RT2 = tempo de reteno do pico de referncia mais prximo eluindo depois de RTp.
RTp = tempo de reteno do pico o qual se quer calcular o ndice de reteno.
Neste sistema, considera-se que o ndice de reteno para picos de uma srie homloga de
parafinas so mltiplos de 100. Ex: n-butano possui ndice de reteno no valor de 400, enquanto que
o n-octano possui ndice de reteno no valor de 800.
42
43
4.3 AMOSTRAS
As amostras utilizadas so de gasolina comum coletadas em recipiente
prprio, de vidro mbar e armazenadas em local fresco. Foram selecionadas conforme
seo 5.2. utilizando-se o infravermelho porttil, IROX 2000 da Grabner Instruments
apresentada na figura 4.2.
44
45
46
4.4.3.1
47
48
0
10
90
80
70
60
50
40
30
20
10
0,
0
50
,0
Temperatura ( C)
20
10
15
0,
0,
0,
0
0
0
25
0,
0
49
equipamento
possui
um
sensor
DP
(Dry
Point)
que
detecta
50
RESULTADOS E DISCUSSO
51
Etanol (% v/v)
50,0
48,0
46,0
44,0
42,0
40,0
38,0
36,0
34,0
32,0
30,0
28,0
26,0
24,0
22,0
20,0
18,0
16,0
14,0
12,0
10,0
8,0
6,0
4,0
2,0
0,0
jan,2001 fev,2001 mar,2001 mar,2001 abr,2001 mai,2001 mai,2001 jun,2001 jul,2001
Observa-se no figura 5.1 que o teor de etanol ao longo do ano tende a uma
mdia de 20 a 21% at o ms de maio e depois muda para 22-23%. Esta mudana
ocorreu devido a mudanas na portaria da ANP regulamentando o teor de etanol. Essa
tendncia mdia limita a utilizao na rede j que ocorre redundncia nos dados. As
amostras escolhidas devero ser diferenciadas da mdia estatstica.
A variao no teor de aromticos, ilustrada no figura 5.2 revela tendncias
faixa de 12 a 16% durante o ano. Observam-se alguns deslocamentos dessa faixa
mdia no incio do ano, provavelmente devido a mudanas em condies operacionais
de produo ou de matria-prima.
52
Aromticos (% v/v)
50,0
48,0
46,0
44,0
42,0
40,0
38,0
36,0
34,0
32,0
30,0
28,0
26,0
24,0
22,0
20,0
18,0
16,0
14,0
12,0
10,0
8,0
6,0
4,0
2,0
0,0
jan,2001 fev,2001 mar,2001 mar,2001 abr,2001 mai,2001 mai,2001 jun,2001 jul,2001
FIGURA 5.2 - VARIAO DO TEOR DE AROMTICOS NA GASOLINA COMUM PARAN - JAN-NOV 2001.
FONTE: Laboratrio de Anlise de Combustveis Automotivos UFPR / ANP
NOTA: Dados obtidos atravs de leitura de amostras de monitoramento, por infravermelho.
Olefnicos (% v/v)
40,0
38,0
36,0
34,0
32,0
30,0
28,0
26,0
24,0
22,0
20,0
18,0
16,0
14,0
12,0
10,0
8,0
6,0
4,0
2,0
0,0
jan,2001 fev,2001 mar,2001 mar,2001 abr,2001 mai,2001 mai,2001 jun,2001 jul,2001
FIGURA 5.3 - VARIAO DO TEOR DE OLEFNICOS NA GASOLINA COMUM PARAN - JAN-NOV 2001
FONTE: Laboratrio de Anlise de Combustveis Automotivos UFPR / ANP
NOTA: Dados obtidos atravs de leitura de amostras de monitoramento, por infravermelho.
53
Saturados (% v/v)
75,0
70,0
65,0
60,0
55,0
50,0
45,0
40,0
35,0
30,0
25,0
20,0
15,0
10,0
5,0
0,0
jan,2001 fev,2001 mar,2001 mar,2001 abr,2001 mai,2001 mai,2001 jun,2001 jul,2001
FIGURA 5.4 - VARIAO DO TEOR DE SATURADOS NA GASOLINA COMUM PARAN - JAN-NOV 2001.
FONTE: Laboratrio de Anlise de Combustveis Automotivos UFPR / ANP.
NOTA: Dados obtidos atravs de leitura de amostras de monitoramento, por infravermelho.
54
FIGURA 5.5 - VARIAO DA DENSIDADE RELATIVA A 20 oC DA GASOLINA COMUM PARAN - JAN-NOV 2001.
FONTE: Laboratrio de Anlise de Combustveis Automotivos UFPR / ANP
NOTA: Dados obtidos atravs de leitura de amostras de monitoramento, por infravermelho.
55
Temperatura (oC)
70,0
68,0
66,0
64,0
62,0
60,0
58,0
56,0
54,0
52,0
50,0
48,0
jan,2001 fev,2001 mar,2001 abr,2001 abr,2001 mai,2001 jun,2001 jun,2001 jul,2001 ago,2001 ago,2001 set,2001 out,2001 out,2001 nov,2001
Temperatura ( C)
84,0
82,0
80,0
78,0
76,0
74,0
72,0
70,0
68,0
66,0
64,0
62,0
jan,2001 fev,2001 mar,2001 abr,2001 mai,2001 mai,2001 jun,2001 jul,2001 jul,2001 ago,2001 ago,2001 set,2001 out,2001 out,2001 nov,2001
56
Para as variveis T90 e PFE, tambm existe uma tendncia mdia prxima a
180oC e 215oC respectivamente. Os eventuais desvios da mdia se devem ao cuidado
de armazenamento ou mesmo ao processo de adulterao de suas caractersticas
bsicas (figuras 5.8 e 5.9).
o
Temperatura ( C)
210,0
205,0
200,0
195,0
190,0
185,0
180,0
175,0
170,0
165,0
160,0
155,0
150,0
145,0
140,0
135,0
130,0
jan,2001 fev,2001 mar,2001 abr,2001 abr,2001 mai,2001 jun,2001 jun,2001 jul,2001 ago,2001 ago,2001 set,2001 set,2001 out,2001 out,2001 nov,2001
57
Temperatura ( C)
260,0
255,0
250,0
245,0
240,0
235,0
230,0
225,0
220,0
215,0
210,0
205,0
200,0
195,0
190,0
185,0
180,0
jan,2001 fev,2001 mar,2001 mar,2001 abr,2001 mai,2001 mai,2001 jun,2001 jul,2001
58
No caso de uma populao heterognea, na qual podemos distinguir subpopulaes mais ou menos
homogneas, denominadas estratos, podemos usar a amostragem estratificada. Estratificar uma populao
dividi-la em L subpopulaes denominados estratos tais que:
n1 + n2 + ... + nL = n
onde os estratos so mutuamente exclusivos. Aps a determinao dos estratos, seleciona-se uma amostra
aleatria de cada subpopulao (FONSECA, p.145).
59
60
PV abs. referncia a
37,8C (kPa)
Etanol P.A.
(99,8%)
15,96
Metanol P.A.
(99,0%)
31,95
n-Pentano P.A.
(99,5%)
Neo-hexano
P.A. (99,6%)
107,41
68,00
PV absoluta
(kPa)
16,1
16,0
16,0
31,9
32,0
32,1
107,3
170,4
107,4
(1)
69,2
Mdia das
leituras
16,03
0,44
32,0
0,16
107,37
0,04
69,2
1,76
NOTA: (1) A leitura deste solvente foi realizada apenas uma vez, pois a quantidade era limitada.
61
62
1
16,62
15,44
7,59
18,86
25,24
7,60
8,64
0,48
2,15
4,06
4,77
2,96
1,21
1,00
5,07
3,94
2,35
1,77
1,64
0,59
0,05
0,04
0,24
1,77
2,45
2,16
0,82
0,10
0,06
0,83
9,03
5,76
1,77
0,74
0,60
0,09
0,04
25,22
0,02
0,72
2,13
1,42
1,29
1,46
0,25
0,11
0,09
0,09
0,05
0,14
0,93
1,06
1,04
0,68
1,21
1,79
1,63
0,17
2
16,75
15,42
7,56
18,79
25,21
7,69
8,58
0,48
2,14
4,17
4,77
2,97
1,21
1,00
5,07
3,93
2,35
1,77
1,63
0,59
0,05
0,04
0,24
1,76
2,45
2,15
0,79
0,11
0,06
0,83
8,99
5,79
1,77
0,74
0,55
0,10
0,04
25,19
0,02
0,81
2,12
1,42
1,28
1,46
0,25
0,11
0,09
0,09
0,05
0,14
0,86
1,06
0,99
0,70
1,22
1,80
1,64
0,18
3
16,74
15,37
7,55
18,74
25,31
7,71
8,59
0,48
2,14
4,17
4,77
2,97
1,21
1,00
5,04
3,92
2,34
1,77
1,62
0,59
0,05
0,04
0,24
1,76
2,44
2,15
0,79
0,11
0,06
0,83
8,98
5,76
1,76
0,74
0,55
0,10
0,04
25,29
0,02
0,85
2,12
1,41
1,28
1,46
0,25
0,11
0,09
0,09
0,05
0,14
0,88
1,06
0,98
0,69
1,22
1,80
1,66
0,17
4
16,99
15,41
7,56
17,82
25,22
7,59
9,41
0,67
2,15
4,19
4,79
2,98
1,21
1,00
5,06
3,93
2,35
1,77
1,62
0,60
0,05
0,04
0,24
1,76
2,45
2,16
0,79
0,10
0,06
0,83
8,98
4,82
1,77
0,74
0,55
0,10
0,04
25,21
0,02
0,72
2,11
1,42
1,29
1,47
0,25
0,12
0,09
0,09
0,05
0,14
1,70
1,07
0,99
0,68
1,22
1,80
1,66
0,17
INJEO (% v/v)
5
6
16,80
16,86
15,39
15,44
7,55
7,58
18,75
17,87
25,30
25,25
7,64
7,59
8,57
9,40
0,48
0,67
2,15
2,15
4,17
3,99
4,78
4,80
3,01
3,04
1,21
1,22
1,00
1,01
5,06
5,05
3,93
3,93
2,34
2,35
1,76
1,77
1,62
1,60
0,59
0,65
0,05
0,05
0,04
0,04
0,24
0,24
1,76
1,77
2,45
2,46
2,15
2,16
0,78
0,80
0,11
0,10
0,06
0,06
0,83
0,83
8,99
8,97
5,75
4,73
1,76
1,77
0,74
0,74
0,55
0,60
0,10
0,10
0,04
0,04
25,28
25,24
0,02
0,02
0,78
0,71
2,12
2,11
1,42
1,41
1,28
1,29
1,46
1,47
0,25
0,25
0,11
0,11
0,09
0,09
0,09
0,09
0,05
0,05
0,14
0,14
0,91
1,70
1,06
1,07
0,98
1,02
0,69
0,64
1,16
1,17
1,80
1,82
1,65
1,67
0,19
0,17
7
16,84
15,38
7,57
18,67
25,28
7,56
8,70
0,47
2,15
4,19
4,82
2,99
1,22
1,01
5,00
3,92
2,35
1,77
1,63
0,60
0,07
0,04
0,24
1,76
2,45
2,16
0,79
0,11
0,06
0,80
8,90
5,77
1,77
0,74
0,55
0,10
0,04
25,26
0,02
0,69
2,10
1,42
1,29
1,47
0,25
0,11
0,09
0,09
0,05
0,13
0,88
1,08
0,98
0,70
1,24
1,83
1,68
0,19
8
16,88
15,37
7,58
18,61
25,25
7,56
8,76
0,47
2,15
4,21
4,82
2,99
1,22
1,01
4,99
3,91
2,35
1,78
1,64
0,61
0,07
0,04
0,24
1,76
2,45
2,17
0,79
0,11
0,06
0,80
8,88
5,74
1,77
0,74
0,55
0,10
0,04
25,23
0,02
0,70
2,09
1,41
1,28
1,47
0,25
0,11
0,09
0,09
0,05
0,13
0,90
1,10
0,99
0,72
1,25
1,83
1,67
0,17
9
16,91
15,42
7,58
18,68
24,92
7,67
8,83
0,47
2,14
4,20
4,81
3,02
1,24
1,03
5,03
3,92
2,35
1,78
1,64
0,61
0,05
0,04
0,24
1,76
2,45
2,17
0,79
0,11
0,06
0,82
8,93
5,73
1,77
0,74
0,56
0,10
0,04
24,90
0,02
0,78
2,10
1,42
1,29
1,47
0,26
0,12
0,09
0,09
0,06
0,13
0,93
1,07
0,99
0,72
1,24
1,85
1,72
0,18
10
16,86
15,33
7,54
18,87
25,27
7,71
8,42
0,47
2,14
4,19
4,79
3,04
1,22
1,01
4,99
3,91
2,35
1,77
1,63
0,60
0,05
0,04
0,24
1,76
2,45
2,16
0,79
0,09
0,06
0,81
8,90
5,98
1,77
0,74
0,55
0,10
0,04
25,26
0,02
0,86
2,10
1,41
1,28
1,46
0,25
0,11
0,09
0,09
0,05
0,13
0,63
1,08
0,97
0,72
1,18
1,84
1,68
0,19
63
64
onde:
Mdia: mdia aritmtica das leituras
D padro: desvio padro experimental (equao 17).
DP mdia: desvio padro experimental da mdia: s / n , n =10
Maior: maior leitura observada
Menor: menor leitura observada
Intervalo +/-: DP mdia x t / 2 para 10 observaes = 2,2622.
Variao: variao do intervalo de confiana em porcentagem (equao 20).
0,7680
0,7684
0,7680
0,7680
0,7680
0,7684
0,7684
0,7680
0,7684
0,7680
0,7686
0,7685
0,7683
0,7682
0,7687
0,7686
0,7684
0,7684
0,7685
0,7686
0,7684
0,7688
0,7693
0,7684
0,7682
0,7684
0,7683
0,7691
0,7682
0,7682
z / 2
= 1,96
65
PROPRIEDADE
DENSIDADE
CLCULO DE INCERTEZA ( C)
Mdia D padro DP mdia Maior
Menor Intervalo +/- Variao
0,7684 0,00031 0,00006
0,7693
0,7680
0,00011
0,015
LEITURA N
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
66
1
2
3
4
5
6
7
8
9
10
PIE
39,3
39,7
40,2
39,3
40,3
40,3
40,7
...
40,7
42,0
PFE
212,3
212,2
211,4
212,9
212,3
211,3
212,8
210,6
210,9
211,4
Mdia
D padro
40,3
0,83
55,0
0,25
73,3
0,14
173,0
0,51
211,8
0,80
CLCULO DE INCERTEZA ( C)
DP mdia
Maior
Menor Intervalo +/- Variao
0,26
42,0
40,2
0,60
1,48
0,08
55,5
54,7
0,18
0,32
0,05
73,5
73,1
0,10
0,14
0,16
173,8
172,3
0,36
0,21
0,25
212,9
210,6
0,57
0,27
67
1
2
3
4
5
6
7
8
9
10
PIE
39,1
40,2
40,6
40,6
41,4
41,9
41,5
41,6
42,0
41,6
V OL UME RE CUP E RA DO
5%
10% 15% 20% 30% 40% 50% 60%
70%
50,2 55,1 58,7 61,7 66,9 71,0 73,8 75,9 116,3
50,7 55,2 58,8 61,9 66,8 71,0 73,8 75,6 116,4
51,5 55,8 59,3 62,3 67,0 71,1 73,8 75,7 117,6
50,7 55,4 58,8 61,8 66,9 70,9 73,7 75,9 115,5
50,8 55,5 59,0 62,0 66,9 70,9 73,8 76,0 117,0
50,8 55,7 59,0 62,0 66,8 70,8 73,8 76,0 116,5
50,8 55,4 58,9 61,9 66,7 70,8 73,6 76,0 116,8
50,6 55,1 58,8 61,8 66,7 70,8 73,6 75,9 115,0
50,8 55,4 58,9 61,8 66,9 70,9 73,6 75,9 115,8
50,4 55,1 58,7 61,7 66,7 70,8 73,7 75,9 114,7
80%
145,1
145,9
146,3
149,7
145,0
144,8
144,7
146,0
145,8
145,1
85%
157,6
157,8
159,4
159,6
159,3
158,7
159,7
158,9
159,3
159,0
90%
172,4
173,8
172,5
172,6
174,1
173,6
173,2
172,3
172,8
172,5
95%
190,3
189,6
190,4
189,9
190,5
190,0
190,2
190,8
190,8
189,7
PFE
213,6
213,0
213,0
211,0
212,2
211,8
212,9
212,1
211,2
212,9
Mdia
D padro
41,1
0,91
55,4
0,25
73,7
0,09
173,0
0,65
212,4
0,85
CLCULO DE INCERTEZA ( C)
DP mdia
Maior
Menor Intervalo +/- Variao
0,29
42,0
39,1
0,65
1,59
0,08
55,8
55,1
0,18
0,32
0,03
73,8
73,6
0,07
0,09
0,21
174,1
172,3
0,46
0,27
0,27
213,6
211,0
0,61
0,29
1
2
3
4
5
6
7
8
9
10
PIE
38,7
40,0
40,6
40,8
41,1
41,5
41,2
40,8
41,9
42,1
80%
145,2
144,1
145,0
144,8
145,2
145,5
146,1
144,8
146,3
145,1
85%
158,6
159,5
158,1
159,2
159,3
156,8
159,3
159,1
158,2
159,1
90%
172,6
171,8
171,7
172,3
173,1
173,1
173,6
173,2
173,9
173,7
95%
189,9
190,1
190,1
189,6
190,8
189,4
189,6
189,7
189,6
189,7
PFE
211,9
211,1
211,1
211,3
212,3
213,0
212,4
211,7
212,0
211,6
Mdia
D padro
40,9
0,98
54,9
0,23
73,3
0,08
172,9
0,77
211,8
0,61
CLCULO DE INCERTEZA ( C)
DP mdia
Maior
Menor Intervalo +/- Variao
0,31
42,1
38,7
0,70
1,72
0,07
55,1
54,4
0,16
0,29
0,03
73,5
73,2
0,06
0,08
0,24
173,9
171,7
0,55
0,32
0,19
213,0
211,1
0,44
0,21
68
1
2
3
4
5
6
7
8
9
PIE
40,6
40,5
40,5
40,4
40,4
41,6
41,3
42,0
41,9
V OL U ME R E C UP E R A D O
5%
10% 15% 20% 30% 40% 50% 60%
70%
49,8 54,5 58,3 61,3 66,5 70,9 73,8 75,8 119,4
50,7 55,0 58,7 59,1 66,8 71,0 73,6 75,5 120,6
51,3 55,6 59,2 62,0 67,0 71,0 74,0 75,6 120,6
50,0 54,8 58,4 61,3 66,7 70,9 73,5 75,5 119,0
51,1 55,6 58,3 61,8 67,1 71,0 73,9 76,2 120,4
50,9 55,5 59,0 61,8 66,9 71,0 73,6 75,5 120,2
50,6 55,2 58,7 61,6 66,4 70,8 73,6 76,2 120,3
49,9 54,8 58,4 61,3 66,5 70,7 73,4 75,4 118,8
50,8 55,3 58,8 61,5 66,7 70,8 73,5 75,5 119,4
80%
147,3
147,5
147,8
144,8
145,8
146,4
147,1
146,0
144,1
85%
160,8
159,3
161,6
159,8
161,5
161,7
159,0
160,4
161,4
90%
174,6
176,4
176,1
175,7
176,1
176,1
175,7
174,5
174,8
95%
191,9
191,1
192,3
191,9
193,0
192,8
192,1
192,4
192,6
PFE
214,1
208,8
209,0
208,0
213,3
214,6
213,5
207,5
213,6
Mdia
D padro
41,0
0,67
55,1
0,39
73,7
0,20
175,6
0,73
211,4
2,95
CLCULO DE INCERTEZA ( C)
DP mdia
Maior
Menor Intervalo +/- Variao
0,22
42,0
40,4
0,52
1,26
0,13
55,6
54,5
0,30
0,55
0,07
74,0
73,4
0,15
0,21
0,24
176,4
174,5
0,56
0,32
0,98
214,6
207,5
2,27
1,07
69
VOLUME RECUPERADO
PIE
5%
10%
15%
20%
30%
40%
50%
60%
70%
80%
85%
90%
95%
PFE
REPRODUTIBILIDADE
Destilador 1 Destilador 2 Destilador 3 Destilador 4
39,9
40,7
40,2
42,6
51,3
51,7
51,4
52,3
55,7
56,4
56,0
56,9
59,2
59,7
59,4
60,0
62,1
62,6
62,1
62,8
66,8
67,3
66,7
67,3
70,3
70,9
70,5
71,0
72,8
73,5
73,2
73,6
74,6
75,4
75,2
75,5
118,4
119,0
118,0
119,4
141,6
143,2
143,5
143,2
155,9
157,1
155,4
155,9
170,6
172,4
171,8
171,7
188,7
189,3
188,9
189,0
213,6
213,3
213,0
213,6
Mdia D padro
40,9
1,21
56,3
0,52
73,3
0,36
171,6
0,75
213,4
0,29
CLCULO DE INCERTEZA ( C)
DP mdia Maior
Menor Intervalo +/- Variao
0,61
42,6
39,9
1,93
4,72
0,26
118,0
40,2
0,83
1,47
0,18
73,6
72,8
0,57
0,78
0,38
172,4
170,6
1,19
0,70
0,14
213,6
213,0
0,46
0,21
70
0,32
0,32
0,29
0,55
1,47
0,14
0,09
0,08
0,21
0,78
0,21
0,27
0,32
0,32
0,70
0,27
0,29
0,21
1,27
0,21
71
72
I:4
SP
I:8
V o lts
1 .5 0
1 .2 5
Etanol
1 .0 0
0 .7 5
0 .5 0
0 .2 5
0 .0 0
0 .1 6
10
20
30
40
50
60
70
80
90
100
Min u te s
Dos trs tipos de relatrios gerados pelo DHA utilizou-se 2 deles como
entrada para a rede neuronal: um com grupos principais e o outro com classificao de
subgrupos por nmero de carbono.
73
Naftnicos: NC5, NC6, NC7, NC8, NC9, NC10 e NC12. Nota-se que no existe o
NC11. O programa DHA no identificou em nenhuma das amostras este subgrupo.
Olefinas: OLC4, OLC5, OLC6, OLC7, OLC8, OLC9, OLC10, LC11, OLC12,
OLC13, OLC14, OLC15 e OLC16.
Oxigenados: OXC2, OXC3 e OXC4.
Parafinas: PC3, PC4, PC5, PC6, PC7, PC8, PC9, PC10, PC11, PC12, PC13, PC14,
PC15 e PC16.
Desconhecidos: DC5, DC6, DC7, DC8, DC9, DC10, DC11, DC12 e DC13.
Aps encontrar a correlao entre as 66 variveis de entrada e a densidade,
decidiu-se minimizar o nmero de variveis de entrada utilizando-se uma composio
qumica mais geral da gasolina, por agrupamentos de substncias com mesma funo
qumica (anlise PIANO).
As 7 variveis de entrada utilizadas so (em % volumtrica):
Aromticos
Iso-parafinas
Naftnicos
Olefinas
Oxigenados
Parafinas
Desconhecidos
74
75
% AR
% IP
% NF
% OL
% OX
Oj =
2
1+ e
2S
% PF
% DC
T otal de pesos
ajustados = 91
Oj =
5
2
1+ e
2S
densidade
% A R = % arom ticos
% IP = % isoparafnicos
% N F = % naftnicos
9
% O L = % olefnicos
% O X = % oxigenados
10
% P F = % parafnicos
% D C = % desconhecidos
(21)
76
densidade experimental
0,7900
0,7800
0,7700
0,7600
0,7500
0,7400
0,7300
0,7200
1
FIGURA 5.12 -
10
amostra no.
densidade experimental
0,7900
0,7800
0,7700
0,7600
0,7500
0,7400
0,7300
0,7200
1
10
amostra no.
77
10
amostra n.
10
amostra n.
78
79
PV Reid (kPa)
PV Reid experimental
65,0
PV Reid calculado rede 32 VALIDAO
60,0
55,0
50,0
45,0
40,0
35,0
30,0
amostra no.
1
FIGURA 5.16 -
10
PV REID EXPERIMENTAL
X
PV
CALCULADA PELA REDE COMPLEXA.
REID
80
PV Reid (kPa)
PV Reid experimental
65,0
PV Reid calculado rede 7 VALIDAO
60,0
55,0
50,0
45,0
40,0
35,0
30,0
amostra no.
1
10
A maior dificuldade de ajuste dos pontos pela rede mais simples pode ser
explicada pela quantidade de desconhecidos em cada amostra de gasolina. Dentro
desta classe esto todos os tipos de desconhecidos e se fossem separados em
subclasses de volteis e pesados, uma importante varivel de entrada poderia ser
melhor representada para a propriedade em questo.
Para diminuir o valor de desconhecidos nas amostras de gasolina necessrio
que um trabalho de identificao por espectrometria de massa atmica seja realizado.
Cada pico desconhecido identificado e classificado. Aps a identificao, a
biblioteca do DHA (PIANO library) deve ser enriquecida com as novas substncias e
seus respectivos ndices de reteno, passando-se por outro processo de comparao
com
81
10
amostra n.
10
amostra n.
82
83
PIE (oC)
PIE experimental
65,0
60,0
55,0
50,0
45,0
40,0
35,0
amostra no.
1
10
PIE (oC)
PIE experimental
65,0
60,0
55,0
50,0
45,0
40,0
35,0
amostra no.
1
10
84
10
amostra n.
10
amostra n.
85
86
T10 (oC)
T10 experimental
80,0
75,0
70,0
65,0
60,0
55,0
50,0
45,0
40,0
1
amostra no.
10
T10 (oC)
T10 experimental
80,0
75,0
70,0
65,0
60,0
55,0
50,0
45,0
40,0
1
10
amostra no.
87
10
amostra n.
10
amostra n.
88
89
T50 (oC)
T50 experimental
79,0
77,0
75,0
73,0
71,0
69,0
67,0
65,0
1
amostra no.
10
T50 (oC)
T50 experimental
79,0
77,0
75,0
73,0
71,0
69,0
67,0
65,0
1
10
amostra no.
90
10
amostra n.
10
amostra n.
91
92
93
T90 (oC)
T90 experimental
220,0
210,0
200,0
190,0
180,0
170,0
160,0
150,0
140,0
130,0
120,0
110,0
100,0
amostra no.
1
10
T90 (oC)
T90 experimental
220,0
210,0
200,0
190,0
180,0
170,0
160,0
150,0
140,0
130,0
120,0
110,0
100,0
amostra no.
1
10
94
10
amostra n.
10
amostra n.
95
96
PFE (oC)
PFE experimental
260,0
250,0
240,0
230,0
220,0
210,0
200,0
190,0
180,0
1
10
amostra no.
PFE CALCULADO
97
PFE (oC)
PFE experimental
260,0
250,0
240,0
230,0
220,0
210,0
200,0
190,0
180,0
1
10
amostra no.
10
amostra n.
98
10
amostra n.
99
Den sida de a 20 C
PV Rei d
PIE
T10
T50
T90
PFE
VAR. D E
ENTRAD A
D ESVIO MD IO TESTE (% )
66
7
32
7
32
7
66
7
0,3 3
0,2 3
3,1 1
4,9 4
3,5 3
4,0 1
1,7 1
1,4 8
0,1 3
0,1 1
1,6 7
2,6 2
1,4 3
1,3 3
0,9 7
0,8 6
66
7
35
7
24
7
0,7 7
0,8 5
3,9 2
6,3 7
3,7 5
4,4 1
0,4 3
0,3 2
1,7 2
1,8 1
2,1 6
1,7 0
R EPETIT IVIDAD E DO
EQ UIPAMENTO (% )
0,0 15
0 ,11
1 ,26
0 ,55
0 ,21
0 ,32
1 ,07
100
CONCLUSO
Foi possvel obter correlaes ajustadas gasolina brasileira aplicando-se o
101
102
REFERNCIAS
ANDRADE, J. M.; MUNIATEGUI, S.; PRADA, D. 1997, Prediction of Clean Octane
Numbers of Catalytic Reformed Naphthas using FT-m.i.r. and PLS. Fuel, v. 76, n. 11,
p. 1035-1042, 1997.
ANDRADE, J. M.; SNCHEZ, M.S.; SARABIA, L. A.. Applicability of Highabsorbance MIR Spectroscopy in Industrial Quality Control of Reformed Gasolines.
Chemometrics and Intelligent Laboratory Systems, v. 46, p. 41-55, 1999.
ARRIAGADA, J.; OLAUSSON P.; SELIMOVIC, A.. Artificial Neural Network
Simulator for SOFC Performance Prediction. Journal of Power Sources, v. 112, p. 54
60, 2002.
ASSOCIAO BRASILEIRA DE NORMAS TCNICAS ABNT. NBR 9619:
Produtos de Petrleo Determinao das Propriedades de Destilao. Rio de Janeiro,
1998.
BASU, B. et al. Prediction of Biodegradability of Mineral Base Oils from Chemical
Composition using Artificial Neural Networks. Tribology International, v. 31, n.4, p.
159 -168, 1998.
BEENS, J.; BRINKMAN, U. A. T.. The Role of Gas Chromatography in
Compositional Analyses in the Petroleum Industry. Trends in Analytical Chemistry,
v. 19, n. 4, p. 260-275, 2000.
CHOW, T.T. et al. Global Optimization of Absorption Chiller System by Genetic
Algorithm and Neural Network. Energy and Buildings, v. 34, p. 103 -109, 2002.
CIOLA, R. Introduo Cromatografia em Fase Gasosa. So Paulo: Ed. Edgard
Blcher Ltda., 1973.
DMA 4500 / 5000 Instruction Handbook, Viena: ANTOON PAAR Gmbh. Verso
4.510d, 2001.
EGHBALDAR, A.; FORREST, T. P.; CABROL-BASS, D.. Development of Neural
Networks for Identification of Structural Features from Mass Spectral Data. Analytica
Chimica Acta, v. 359, p. 283 - 301, 1998.
ELSHARKWY, A. M.; GHARBI, R. B. C.. Comparing Classical and Neural
Regression Techniques in Modeling Crude Oil Viscosity. Advances in Engineering
Software, v. 32, p. 215 224, 2001.
103
104
LAVINE, B.K. et al.. Genetic Algorithm for Fuel Spill Identification. Analytica
Chimica Acta, v. 437, p. 233 - 246, 2001.
LITANI-BARZILAI, I. et al.. On-line Remote Prediction of Gasoline Properties by
Combined Optical Methods. Analytica Chimica Acta, v. 339, p. 193-199, 1997.
MAVROVOUNIOTIS, M. L.; CHANG, S..
Hierarchical Neural Networks.
Computers Chem. Engineering, v. 16, p. 347-369, 1992.
MELSSEN, W. J. et al.. Using Artificial Neural Networks for Solving Chemical
Problems Part II. Kohonen Self-organizing Feature Maps. Chemometrics and
Intelligent Laboratory Systems, v. 23, p. 267-291, 1994.
MENDENHALL, W. Probabilidade e Estatstica. Rio de Janeiro: Ed. Campus,
1985. 325 p.
MEUSINGER, R.; MOROS, R.. Determination of Quantitative Structure-Octane
Rating Relationships of Hydrocarbons by Genetic Algorithms. Chemometrics and
Intelligent Laboratory Systems, v. 46, p. 67 - 78, 1999a.
MEUSINGER, R. Qualitative and Quantitative Determination of Oxygenates in
Gasoline using 1H Nuclear Magnetic Resonance Spectroscopy. Analytica Chimica
Acta, v. 391, p. 277-288, 1999b.
MEUSINGER, R.; MOROS, R.. Determination of Octane Numbers of Gasoline
Compounds from their Chemical Structure by 13C NMR Spectroscopy and Neural
Networks. Fuel, v. 80, p. 613 - 621, 2001.
MINIVAP VPS - Operation Manual. Viena: Grabner Instruments. Verso 1.22,
2001.
MITTERMAYR, C.R. et al.. Neural Networks for Library Search of Ultraviolet
Spectra. Analytica Chimica Acta, v. 294, p. 227 - 242, 1994.
RAGUNATHAN, N. et al.. Gas Chromatography with Spectroscopic Detectors.
Journal of Chromatography A, v. 856, p. 349-397, 1999.
SARPAL, A. S; KAPUR, G. S.; SINGH, A. P.. Determination of Aromatics and
Naphthenes in Straight Run Gasoline by 1H NMR Spectroscopy - Part I. Fuel, v. 79, p.
1023 - 1029, 2000.
SARPAL, A. S. et al.. PONA Analyses of Cracked Gasoline by 1H NMR Spectroscopy
- Part II. Fuel, v. 80, p. 521 - 528, 2001.
105
1993.
SONG, X. et al. Source Apportionment of Gasoline and Diesel by Multivariate
Calibration based on Single Particle Mass Spectral Data. Analytica Chimica Acta, v.
446, p. 329 -343, 2001.
TOLEDO, G. L.; OVALLE, I. I.. Estatstica Bsica. So Paulo: Atlas S.A., 1995.
VAN LEEUWEN, J. A.; JONKER, R. J.; GILL, R.. Octane Number Prediction Based
on Gas Chromatographic Analysis with Non-linear Regression Techniques.
Chemometrics and Intelligent Laboratory Systems, v. 25, p. 325-340, 1994.
WIENKE, D.; KATEMAN, G.. Adaptive Resonance Theory based Artificial Neural
Networks for Treatment of Open-category Problems in Chemical Pattern Recognition
Application to UV-Vis and IR Spectroscopy. Chemometrics and Intelligent Laboratory
106
107
Amostra n
Aromticos
Teste
1
2
3
4
5
6
7
8
9
10
17,768
14,170
14,346
11,871
7,579
14,471
11,338
17,192
14,899
14,743
C14+
0,037
0,199
0,138
0,392
0,000
0,000
1,810
1,212
1,266
0,000
6,718
11,403
13,415
16,567
16,979
13,085
11,333
6,052
13,085
13,152
15,884
9,999
14,240
1,918
5,339
14,020
11,080
21,732
7,809
14,287
22,063
20,806
20,734
22,678
25,391
22,424
33,302
25,848
21,283
21,923
8,720
13,891
11,261
17,106
19,973
11,260
11,403
5,787
15,638
10,960
12,116
9,071
9,775
9,839
2,211
9,115
6,543
9,457
9,048
9,209
108
TABELA 1.2 - DADOS DE ENTRADA PARA REDES NEURONAIS COM 66, 35, 32 E 24
VARIVEIS TREINAMENTO E TESTE.
continua
COMPOSIO QUMICA DETALHADA (% v/v)
Amostra n
AC6
AC7
AC8
AC9
AC10
AC11
AC12
AC13
AC14
AC15
Treino
1
0,199
0,984
2,067
4,013
3,918
1,568
0,948
0,022
0,000
0,000
2
0,182
5,359
2,104
3,181
2,736
1,208
1,039
0,055
0,024
0,000
3
0,447
1,930
3,445
3,994
2,701
1,329
0,947
0,015
0,000
0,000
4
0,284
1,265
2,390
3,735
3,189
1,381
0,915
0,028
0,000
0,000
5
0,408
1,738
3,079
3,726
2,581
1,262
0,915
0,025
0,000
0,000
6
0,460
1,479
3,310
3,723
2,358
1,218
0,895
0,022
0,002
0,000
7
0,512
1,221
3,541
3,721
2,136
1,174
0,876
0,020
0,005
0,000
8
0,362
1,554
2,739
3,119
2,181
1,002
0,740
0,014
0,000
0,000
9
0,465
1,941
3,409
3,704
2,461
1,104
0,833
0,000
0,000
0,000
10
0,460
1,958
3,387
3,706
2,580
1,134
0,841
0,000
0,000
0,000
11
0,531
1,354
1,749
3,351
3,947
1,166
0,716
0,027
0,013
0,000
12
0,323
3,553
2,252
2,796
2,381
1,008
0,801
0,048
0,021
0,000
13
0,491
2,439
4,021
5,544
3,809
1,376
1,193
0,000
0,000
0,000
14
0,467
1,559
1,922
4,980
2,314
1,196
0,742
0,027
0,026
0,000
15
0,553
2,068
3,408
3,645
2,352
0,906
0,701
0,000
0,000
0,000
16
0,074
0,552
1,170
1,063
0,818
0,292
0,171
0,000
0,000
0,000
17
1,396
2,507
0,756
0,797
0,472
0,126
0,080
0,000
0,000
0,000
18
0,850
2,168
2,013
2,284
1,434
0,485
0,388
0,012
0,000
0,000
19
0,360
1,985
3,522
3,838
2,313
0,930
0,576
0,000
0,024
0,000
20
0,450
1,758
3,007
3,263
2,122
2,104
1,670
0,025
0,071
0,032
21
0,085
2,577
4,825
0,743
0,459
0,140
0,065
0,000
0,000
0,000
22
0,174
8,975
0,840
1,776
2,166
0,552
0,299
0,000
0,000
0,000
23
0,450
3,854
3,713
4,069
2,195
0,764
0,431
0,000
0,000
0,000
24
0,097
8,345
1,002
2,765
2,804
0,908
0,504
0,000
0,000
0,000
25
0,085
13,752
0,820
2,277
2,007
0,564
0,301
0,000
0,000
0,000
COMPOSIO QUMICA DETALHADA (% v/v)
Amostra n
AC6
Teste
1
2
3
4
5
6
7
8
9
10
0,343
0,338
0,440
0,291
1,170
0,495
0,386
0,481
0,335
0,478
AC7
3,158
3,573
1,909
1,061
2,396
1,983
1,583
2,192
2,761
1,997
AC8
3,411
2,512
3,313
1,096
1,308
3,438
2,698
4,146
3,946
3,484
AC9
4,458
3,165
3,840
5,551
1,372
3,904
2,870
4,845
3,202
3,980
AC10
3,711
2,494
2,658
2,387
0,825
2,627
2,153
3,313
2,929
2,702
AC11
1,480
1,208
1,242
0,899
0,283
1,149
0,948
1,169
1,018
1,191
AC12
1,184
0,848
0,923
0,544
0,225
0,862
0,659
1,045
0,679
0,900
AC13
0,022
0,033
0,021
0,030
0,000
0,013
0,043
0,000
0,000
0,012
AC14
0,000
0,000
0,000
0,013
0,000
0,000
0,000
0,000
0,029
0,000
AC15
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
109
TABELA 1.2 - DADOS DE ENTRADA PARA REDES NEURONAIS COM 66, 35, 32 E 24
VARIVEIS - TREINAMENTO E TESTE.
continua
COMPOSIO QUMICA DETALHADA (% v/v)
Amostra n
C14
C15
IC5
IC6
IC7
IC8
IC9
IC10
IC11
IC12
Treino
1
0,154
0,032
1,400
4,061
1,103
0,827
1,261
2,191
0,578
0,131
2
0,763
0,000
1,369
4,784
7,235
2,831
1,603
1,289
0,306
0,098
3
0,000
0,000
3,869
3,808
2,606
1,744
2,198
1,193
0,180
0,041
4
0,228
0,015
2,381
5,174
1,380
1,096
1,347
1,540
0,399
0,100
5
0,151
0,001
3,616
5,048
2,132
1,555
1,816
1,041
0,200
0,055
6
0,097
0,006
4,160
5,284
1,752
1,527
1,901
0,836
0,134
0,040
7
0,043
0,011
4,704
5,520
1,372
1,499
1,986
0,631
0,067
0,025
8
0,141
0,148
3,304
3,305
2,230
1,416
1,770
0,808
0,136
0,031
9
0,000
0,000
4,172
4,093
2,766
1,826
2,308
1,148
0,152
0,034
10
0,000
0,000
4,156
3,976
2,658
1,790
2,232
1,137
0,150
0,034
11
0,265
0,000
2,391
4,862
2,535
1,164
1,033
2,828
0,627
0,080
12
0,647
0,000
2,510
2,992
7,113
3,211
1,911
1,495
0,311
0,092
13
0,000
0,000
3,184
3,088
1,962
1,661
1,693
0,792
0,160
0,049
14
0,812
0,055
1,357
5,319
4,092
1,936
1,362
1,387
0,272
0,095
15
0,000
0,000
4,327
4,234
2,841
1,827
2,178
1,160
0,175
0,036
16
0,069
0,000
1,901
4,359
6,526
6,535
3,240
2,024
0,302
0,057
17
0,000
0,000
5,475
8,526
7,180
2,434
0,430
0,142
0,017
0,000
18
0,000
0,000
4,779
6,438
5,075
2,322
1,366
0,602
0,109
0,019
19
0,042
0,000
6,308
5,314
3,339
2,429
2,424
1,100
0,089
0,018
20
0,986
2,849
3,435
3,393
2,299
1,528
1,832
0,989
0,147
0,044
21
0,000
0,000
0,353
3,834
3,048
9,306
7,041
0,430
0,066
0,013
22
0,019
0,167
0,786
9,055
8,350
3,738
1,240
2,714
0,521
0,070
23
0,081
0,142
1,689
6,514
9,640
3,408
1,046
1,787
0,440
0,103
24
0,195
0,016
0,813
12,688
1,944
0,674
1,202
3,194
0,547
0,088
25
0,000
0,000
0,555
6,718
12,883
4,623
1,084
2,477
0,410
0,046
COMPOSIO QUMICA DETALHADA (% v/v)
Amostra n
C14
Teste
1
2
3
4
5
6
7
8
9
10
0,037
0,199
0,026
0,342
0,000
0,000
0,805
0,494
0,359
0,000
C15
0,000
0,000
0,112
0,051
0,000
0,000
1,005
0,718
0,907
0,000
IC5
2,249
3,011
4,136
0,443
5,065
3,978
3,328
3,417
2,404
3,997
IC6
4,065
5,035
3,998
6,583
7,671
3,847
3,364
3,219
6,281
3,877
IC7
4,862
5,770
2,680
6,404
6,368
2,599
2,295
1,950
2,974
2,633
IC8
2,254
3,024
1,754
2,684
2,293
1,729
1,507
1,610
1,438
1,732
IC9
1,502
1,912
2,130
1,028
0,768
2,093
1,771
1,719
1,514
2,116
IC10
1,351
1,388
1,168
1,902
0,319
1,159
0,834
0,730
1,884
1,155
IC11
0,333
0,257
0,183
0,475
0,045
0,182
0,064
0,125
0,407
0,177
IC12
0,079
0,067
0,042
0,111
0,000
0,039
0,028
0,043
0,070
0,041
110
TABELA 1.2 - DADOS DE ENTRADA PARA REDES NEURONAIS COM 66, 35,
32 E 24 VARIVEIS TREINAMENTO E TESTE.
continua
COMPOSIO QUMICA DETALHADA (% v/v)
Amostra n
NC5
Treino
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
0,248
0,196
0,376
1,089
1,153
1,423
1,694
0,348
0,378
0,377
0,655
0,284
0,157
0,693
0,360
0,268
0,675
0,512
0,344
0,293
0,277
0,441
0,346
0,335
0,233
NC6
3,566
2,012
2,731
8,826
8,409
10,058
11,708
2,387
2,794
2,737
6,536
1,947
1,257
4,560
2,750
3,051
5,854
4,249
2,729
2,213
1,550
5,441
3,220
4,508
2,456
NC7
1,618
1,408
4,251
1,934
3,251
3,630
4,009
3,561
4,368
4,301
3,271
3,231
1,822
6,891
4,342
6,354
9,006
6,495
4,302
3,456
7,370
2,873
3,444
1,495
1,790
NC5
1
2
3
4
5
6
7
8
9
10
1,232
1,740
4,199
2,014
3,498
3,978
4,459
3,323
4,273
4,156
1,554
2,308
2,068
2,703
4,223
3,185
2,227
3,042
3,628
3,465
11,131
1,395
1,580
1,197
1,588
NC9
1,116
1,241
1,658
1,227
1,498
1,573
1,648
1,244
1,634
1,567
0,987
1,484
0,810
1,249
1,541
1,588
0,080
0,808
1,359
1,265
3,661
1,289
1,119
1,723
1,180
NC10
0,718
0,347
0,213
0,477
0,225
0,139
0,053
0,140
0,196
0,203
0,846
0,378
0,145
0,365
0,196
0,371
0,016
0,090
1,028
0,172
0,118
0,731
0,544
0,873
0,607
NC12
0,060
0,048
0,080
0,056
0,066
0,068
0,070
0,043
0,066
0,068
0,099
0,039
0,110
0,089
0,046
0,025
0,013
0,025
0,038
0,038
0,013
0,052
0,073
0,075
0,054
OLC4
0,923
0,745
0,736
0,533
0,440
0,322
0,204
0,613
0,784
0,803
0,460
0,382
1,254
0,226
0,657
0,018
0,198
0,442
0,712
0,618
0,000
0,055
0,132
0,123
0,110
OLC5
3,809
4,152
5,897
4,235
5,279
5,581
5,884
5,120
6,134
6,313
3,139
3,448
9,539
2,244
6,144
0,185
1,582
3,705
4,294
5,311
0,263
0,407
0,721
1,039
0,794
OLC6
9,514
3,062
4,417
3,155
0,606
1,166
2,938
3,829
4,537
4,597
2,219
2,492
7,314
1,640
4,412
0,102
0,984
2,706
3,027
3,911
0,166
0,545
0,659
1,065
0,705
Amostra n
Teste
NC8
0,201
0,316
0,385
0,796
0,611
0,373
0,316
0,152
0,362
0,381
NC6
1,536
2,536
2,782
5,182
5,291
2,691
2,353
1,239
3,216
2,711
NC7
1,841
3,508
4,281
6,848
8,106
4,174
3,690
1,768
4,173
4,184
NC8
1,674
3,114
4,156
1,735
2,471
4,071
3,502
1,968
3,198
4,085
NC9
1,051
1,526
1,552
1,276
0,435
1,518
1,252
0,714
1,516
1,534
NC10
0,345
0,307
0,205
0,646
0,051
0,204
0,147
0,120
0,585
0,201
NC12
0,070
0,096
0,055
0,084
0,015
0,054
0,073
0,091
0,036
0,056
OLC4
1,129
0,523
0,777
0,068
0,264
0,748
0,590
1,350
0,364
0,790
OLC5
6,688
4,192
6,112
0,636
2,369
6,084
4,753
9,262
3,296
6,146
OLC6
4,930
3,153
4,492
0,474
1,712
4,436
3,557
6,860
2,435
4,489
111
TABELA 1.2 - DADOS DE ENTRADA PARA REDES NEURONAIS COM 66, 35, 32 E 24
VARIVEIS TREINAMENTO E TESTE.
continua
COMPOSIO QUMICA DETALHADA (% v/v)
Amostra n
OLC7
OLC8
OLC9
OLC10 OLC11 OLC12 OLC13 OLC14 OLC15 OLC16
Treino
1
0,900
0,369
0,462
0,000
0,154
0,078
0,062
0,000
0,000
0,000
2
1,012
0,439
0,484
0,000
0,093
0,062
0,097
0,019
0,019
0,000
3
1,412
0,588
0,686
0,014
0,078
0,030
0,039
0,000
0,000
0,000
4
0,999
0,424
0,496
0,000
0,121
0,066
0,066
0,027
0,000
0,000
5
1,255
0,534
0,608
0,007
0,083
0,042
0,055
0,027
0,000
0,000
6
1,325
0,565
0,638
0,008
0,072
0,035
0,050
0,033
0,002
0,000
7
1,394
0,596
0,669
0,010
0,060
0,028
0,045
0,039
0,004
0,000
8
1,214
0,522
0,549
0,000
0,057
0,019
0,029
0,000
0,000
0,000
9
1,433
0,616
0,685
0,014
0,068
0,025
0,031
0,000
0,000
0,000
10
1,570
0,645
0,654
0,014
0,070
0,024
0,028
0,000
0,000
0,000
11
0,647
0,277
0,359
0,000
0,140
0,043
0,048
0,000
0,000
0,000
12
0,812
0,372
0,488
0,000
0,087
0,056
0,081
0,015
0,016
0,000
13
2,347
0,976
0,688
0,026
0,099
0,014
0,024
0,000
0,000
0,000
14
0,452
0,238
0,408
0,000
0,080
0,053
0,088
0,026
0,019
0,000
15
1,264
0,591
0,635
0,014
0,070
0,027
0,022
0,000
0,000
0,000
16
0,051
0,022
0,173
0,000
0,043
0,000
0,017
0,000
0,000
0,000
17
0,458
0,104
0,128
0,000
0,013
0,000
0,000
0,000
0,000
0,000
18
0,800
0,216
0,379
0,000
0,042
0,035
0,000
0,000
0,000
0,000
19
0,876
0,412
0,473
0,000
0,048
0,067
0,000
0,000
0,000
0,000
20
1,256
0,508
0,571
0,000
0,058
0,032
0,031
0,062
1,225
0,000
21
0,042
0,071
0,368
0,000
0,020
0,000
0,000
0,000
0,000
0,000
22
0,202
0,086
0,305
0,098
0,029
0,017
0,000
0,000
0,000
0,087
23
0,349
0,117
0,269
0,000
0,091
0,045
0,051
0,000
0,000
0,000
24
0,180
0,095
0,468
0,000
0,120
0,049
0,045
0,027
0,000
0,000
25
0,385
0,166
0,309
0,000
0,086
0,021
0,000
0,000
0,000
0,000
COMPOSIO QUMICA DETALHADA (% v/v)
Amostra n
OLC7
Teste
1
2
3
4
5
6
7
8
9
10
1,643
0,965
1,419
0,168
0,629
1,380
1,034
2,176
0,696
1,425
OLC8
0,679
0,444
0,613
0,025
0,092
0,577
0,490
0,906
0,323
0,618
OLC9
0,588
0,544
0,663
0,326
0,222
0,661
0,506
0,726
0,502
0,670
OLC10
0,015
0,000
0,013
0,000
0,000
0,000
0,000
0,025
0,000
0,014
OLC11
0,113
0,077
0,077
0,105
0,024
0,075
0,050
0,085
0,105
0,076
OLC12
0,052
0,038
0,030
0,057
0,027
0,029
0,074
0,111
0,041
0,027
OLC13
0,046
0,063
0,044
0,059
0,000
0,031
0,026
0,016
0,033
0,033
OLC14
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,013
0,000
OLC15
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
OLC16
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,212
0,000
0,000
112
TABELA 1.2 - DADOS DE ENTRADA PARA REDES NEURONAIS COM 66, 35, 32 E 24
VARIVEIS TREINAMENTO E TESTE.
continua
COMPOSIO QUMICA DETALHADA (% v/v)
Amostra n
OX2
OX3
OX4
PC3
PC4
PC5
PC6
PC7
PC8
PC9
Treino
1
23,023
0,000
0,000
0,038
0,343
0,616
1,977
0,694
0,867
0,725
2
23,308
0,024
0,000
0,000
0,219
0,485
2,366
2,428
1,501
0,624
3
21,469
0,000
0,000
0,000
0,353
2,854
2,062
1,846
2,121
0,735
4
23,243
0,000
0,000
0,000
0,220
1,628
4,470
0,900
1,173
0,663
5
22,466
0,000
0,000
0,019
0,225
2,747
4,513
1,476
1,800
0,668
6
22,348
0,002
0,000
0,030
0,202
3,288
5,230
1,480
1,954
0,661
7
22,230
0,005
0,000
0,042
0,178
3,828
5,948
1,483
2,108
0,653
8
36,055
0,000
0,000
0,000
0,263
2,389
1,716
1,465
1,605
0,487
9
20,910
0,000
0,016
0,000
0,408
3,174
2,314
2,043
2,205
0,801
10
21,954
0,000
0,016
0,000
0,399
3,055
2,167
1,916
2,106
0,733
11
23,813
0,000
0,000
0,000
0,481
2,250
4,321
2,138
0,841
0,639
12
22,955
0,000
0,000
0,000
0,480
2,082
1,774
3,253
2,010
1,111
13
21,734
0,000
0,026
0,000
0,388
1,206
0,784
0,974
1,580
0,300
14
22,663
0,000
0,000
0,000
0,131
2,027
4,307
3,404
1,037
0,967
15
21,430
0,000
0,000
0,000
0,518
3,389
2,519
2,293
2,265
0,896
16
23,570
0,000
0,000
0,176
1,784
2,968
4,926
6,336
5,579
3,250
17
25,465
0,000
0,000
0,000
1,324
6,644
7,035
6,068
0,816
0,052
18
24,345
0,000
0,000
0,000
0,914
4,908
4,804
4,166
1,452
0,343
19
21,552
0,000
0,000
0,028
0,867
4,054
2,757
2,362
2,217
1,215
20
23,979
0,000
0,000
0,000
0,363
2,632
1,930
1,714
1,888
0,699
21
19,483
0,000
0,000
0,000
0,047
0,787
2,117
4,744
10,510
1,772
22
19,856
0,000
0,000
0,000
0,170
0,920
6,572
3,305
1,547
1,192
23
22,210
0,000
0,000
0,000
0,418
1,972
4,311
3,998
1,378
1,047
24
21,635
0,000
0,000
0,000
0,100
0,691
8,853
0,807
0,641
1,429
25
20,543
0,000
0,000
0,000
0,085
0,436
3,845
4,116
1,666
1,138
COMPOSIO QUMICA DETALHADA (% v/v)
Amostra n
OX2
Teste
1
2
3
4
5
6
7
8
9
10
22,026
20,806
20,718
22,678
25,391
22,424
33,302
25,804
21,283
21,923
OX3
0,018
0,000
0,000
0,000
0,000
0,000
0,000
0,020
0,000
0,000
OX4
0,018
0,000
0,016
0,000
0,000
0,000
0,000
0,024
0,000
0,000
PC3
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
PC4
0,332
0,301
0,386
0,041
1,034
0,403
0,331
0,442
0,258
0,427
PC5
0,834
2,418
3,040
1,603
5,878
2,991
2,631
1,173
2,422
2,928
PC6
1,750
2,917
2,161
5,270
6,184
2,136
1,980
0,746
4,733
2,089
PC7
1,835
2,766
1,893
4,017
5,352
1,882
1,828
0,903
2,461
1,846
PC8
1,409
2,081
2,079
0,875
1,075
2,110
1,821
1,457
1,621
2,041
PC9
0,534
1,042
0,722
1,080
0,200
0,747
0,653
0,275
1,071
0,710
113
TABELA 1.2 - DADOS DE ENTRADA PARA REDES NEURONAIS COM 66, 35, 32 E 24
VARIVEIS - TREINAMENTO E TESTE.
continua
COMPOSIO QUMICA DETALHADA (% v/v)
Amostra n
PC10
PC11
PC12
PC13
PC14
PC15
PC16
DC5
DC6
DC7
Treino
1
1,966
1,546
1,181
0,469
0,211
0,133
0,066
0,095
0,302
0,660
2
0,806
0,680
0,913
0,741
0,385
0,325
0,051
0,104
0,305
0,643
3
0,483
0,243
0,159
0,094
0,000
0,000
0,000
0,144
0,550
0,992
4
1,176
0,974
0,908
0,404
0,179
0,116
0,076
0,110
0,344
0,640
5
0,435
0,323
0,397
0,217
0,073
0,050
0,043
0,135
0,468
0,806
6
0,165
0,107
0,240
0,132
0,025
0,012
0,041
0,143
0,505
0,835
7
0,104
0,108
0,082
0,048
0,023
0,026
0,039
0,152
0,542
0,864
8
0,309
0,154
0,105
0,067
0,017
0,000
0,000
0,121
0,440
0,793
9
0,490
0,239
0,154
0,085
0,000
0,000
0,000
0,152
0,562
1,008
10
0,464
0,236
0,153
0,083
0,019
0,000
0,000
0,156
0,567
1,096
11
2,542
1,390
0,652
0,374
0,199
0,143
0,034
0,081
0,223
0,427
12
0,932
0,701
0,833
0,645
0,339
0,262
0,039
0,091
0,252
1,562
13
0,214
0,158
0,139
0,057
0,000
0,000
0,000
0,247
0,911
1,757
14
0,888
0,714
0,865
1,007
0,396
0,290
0,051
0,061
0,173
0,564
15
0,537
0,252
0,148
0,067
0,014
0,000
0,000
0,162
0,552
0,930
16
1,725
0,890
0,425
0,182
0,093
0,053
0,030
0,000
0,000
0,123
17
0,040
0,027
0,022
0,000
0,000
0,014
0,000
0,033
0,086
0,341
18
0,224
0,114
0,067
0,029
0,000
0,000
0,000
0,089
0,264
1,005
19
0,406
0,174
0,120
0,066
0,023
0,000
0,000
0,103
0,319
0,617
20
0,443
0,234
0,270
0,071
0,239
0,000
0,032
0,138
0,473
0,855
21
0,285
0,184
0,083
0,034
0,015
0,000
0,000
0,000
0,000
0,093
22
2,056
1,380
0,446
0,151
0,077
0,031
0,000
0,027
0,032
0,124
23
1,471
1,173
0,732
0,426
0,113
0,040
0,015
0,000
0,055
0,211
24
2,087
1,276
0,691
0,465
0,173
0,086
0,038
0,000
0,051
0,081
25
1,466
0,888
0,260
0,078
0,013
0,000
0,000
0,000
0,061
0,252
COMPOSIO QUMICA DETALHADA (% v/v)
Amostra n
PC10
Teste
1
2
3
4
5
6
7
8
9
10
0,757
0,767
0,472
1,400
0,126
0,494
0,386
0,188
1,442
0,461
PC11
0,565
0,520
0,238
1,139
0,066
0,244
0,187
0,135
0,894
0,231
PC12
0,452
0,460
0,157
0,848
0,040
0,154
0,153
0,122
0,474
0,148
PC13
0,174
0,352
0,095
0,484
0,020
0,085
0,075
0,039
0,191
0,081
PC14
0,056
0,173
0,019
0,217
0,000
0,015
0,019
0,046
0,070
0,000
PC15
0,023
0,074
0,000
0,104
0,000
0,000
0,247
0,085
0,000
0,000
PC16
0,000
0,020
0,000
0,027
0,000
0,000
1,094
0,176
0,000
0,000
DC5
0,166
0,105
0,146
0,000
0,055
0,155
0,119
0,226
0,085
0,153
DC6
0,643
0,355
0,553
0,015
0,178
0,555
0,400
0,836
0,233
0,559
DC7
1,151
0,684
0,983
0,119
0,511
0,978
0,777
1,617
0,489
0,997
114
Amostra n
DC8
Treino
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
DC9
0,652
0,936
1,098
0,758
0,981
1,029
1,077
0,872
1,202
0,983
0,511
0,691
2,617
0,496
1,049
0,371
0,098
0,740
0,695
0,943
0,951
0,359
0,309
0,527
0,327
DC8
1
2
3
4
5
6
7
8
9
10
3,277
1,856
1,461
2,403
1,495
1,193
0,892
1,005
1,222
1,223
3,488
1,789
1,595
1,635
1,299
1,062
0,079
0,712
1,195
0,978
0,443
2,798
2,369
3,283
2,461
DC11
3,328
2,637
1,951
2,868
2,180
1,973
1,766
1,420
1,614
1,594
1,989
2,229
2,427
1,987
1,531
0,636
0,088
0,741
1,479
1,581
0,122
1,270
1,786
2,010
1,325
DC12
1,027
2,528
1,887
1,969
2,399
2,617
2,836
1,360
1,588
1,482
1,349
2,072
1,754
2,123
1,131
0,368
0,066
0,469
0,860
1,940
0,021
0,526
1,249
1,246
0,311
DC13
0,562
1,545
0,405
0,734
0,656
0,593
0,531
0,421
0,228
0,175
0,669
1,283
0,142
1,195
0,154
0,081
0,000
0,000
0,195
1,142
0,000
0,052
0,333
0,437
0,000
Amostra n
Teste
1,912
1,248
1,246
1,458
1,125
0,989
0,852
0,938
1,141
1,160
1,534
1,231
0,881
1,060
1,166
0,772
0,030
0,711
0,751
0,970
0,276
1,617
1,298
2,194
1,648
DC10
1,055
0,844
1,102
0,348
0,289
1,087
0,866
1,203
0,631
1,100
DC9
1,448
1,113
1,228
1,658
0,281
1,216
0,915
0,801
1,532
1,204
DC10
2,089
1,482
1,439
2,911
0,336
1,434
0,703
1,253
2,391
1,403
DC11
2,869
1,794
1,918
2,357
0,326
1,815
0,968
1,960
2,077
1,866
DC12
2,193
1,853
1,866
1,592
0,236
1,572
1,197
1,492
1,298
1,622
DC13
0,503
0,842
0,541
0,838
0,000
0,302
0,600
0,070
0,313
0,307
115
TABELA 1.3 - DADOS DE SADA PARA TODAS AS REDES NEURONAIS TREINAMENTO E TESTE.
Amostra n
Treino
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
Amostra n
Teste
1
2
3
4
5
6
7
8
9
10
GASOLINA C
Densidade
(g/cm3)
0,7608
0,7658
0,7585
0,7618
0,7605
0,7583
0,7590
0,7719
0,7577
0,7588
0,7594
0,7619
0,7652
0,7617
0,7558
0,7390
0,7295
0,7402
0,7534
0,7597
0,7521
0,7522
0,7565
0,7637
0,7600
PROPRIEDADES FSICO-QUMICAS
PVReid
o
PIE (oC) T10 ( C) T50
(kPa)
42,9
47,7
61,3
38,0
51,7
64,0
48,9
44,8
57,5
43,7
48,2
59,3
48,7
44,7
57,7
47,5
44,5
58,0
45,2
46,4
59,1
46,1
45,1
59,7
49,2
44,4
57,7
48,8
44,7
57,0
42,1
48,1
60,3
38,6
51,4
63,7
53,8
41,8
55,3
49,2
52,8
63,7
48,6
45,8
57,5
43,7
49,5
63,9
56,5
43,4
53,6
54,4
43,4
54,6
54,8
42,1
56,2
48,8
45,3
57,2
25,5
65,2
71,3
32,8
57,7
64,8
35,0
54,5
65,2
33,1
56,5
64,6
29,1
61,4
68,0
GASOLINA C
Densidade
(g/cm3)
0,7640
0,7596
0,7585
0,7603
0,7352
0,7584
0,7648
0,7673
0,7597
0,7580
PROPRIEDADES FSICO-QUMICAS
PVReid
o
PIE (oC) T10 ( C) T50
(kPa)
45,8
44,9
59,4
41,3
49,1
60,8
48,4
44,9
58,4
30,6
58,4
66,4
54,6
43,5
54,5
49,8
44,4
58,0
48,0
45,2
59,2
53,4
42,9
56,2
40,1
50,4
62,0
49,1
45,3
57,2
(oC)
74,6
74,5
73,5
73,2
73,9
73,7
74,0
75,4
73,6
73,7
74,0
74,9
74,2
73,6
73,4
73,6
66,8
69,8
73,5
73,8
78,1
72,3
74,0
74,0
73,8
(oC)
74,2
74,0
73,8
73,8
68,1
73,6
74,6
74,7
74,3
73,5
238,0
241,9
216,3
233,8
214,6
215,8
228,2
211,5
216,5
224,7
234,7
242,4
219,4
243,9
220,3
230,3
177,1
200,2
216,5
212,7
179,9
211,7
220,5
238,2
210,5
219,5
232,7
217,3
234,6
196,0
219,1
212,3
215,7
226,1
219,2
116
Densidade calculada
3
(g/cm )
(g/cm )
0,7608
0,7658
0,7585
0,7618
0,7605
0,7583
0,7590
0,7719
0,7577
0,7588
0,7594
0,7619
0,7652
0,7617
0,7558
0,7390
0,7295
0,7402
0,7534
0,7597
0,7521
0,7522
0,7565
0,7637
0,7600
Desvio relativo %
0,7610
0,7661
0,7579
0,7619
0,7619
0,7590
0,7583
0,7709
0,7568
0,7585
0,7595
0,7615
0,7653
0,7619
0,7567
0,7391
0,7295
0,7400
0,7534
0,7597
0,7521
0,7522
0,7565
0,7636
0,7602
-0,02
-0,03
0,08
-0,02
-0,19
-0,09
0,09
0,13
0,12
0,04
-0,01
0,05
-0,02
-0,03
-0,13
-0,02
0,01
0,03
-0,01
0,00
0,00
-0,01
0,00
0,01
-0,03
Densidade calculada
3
(g/cm )
(g/cm )
0,7640
0,7596
0,7585
0,7603
0,7352
0,7584
0,7648
0,7673
0,7597
0,7580
0,7640
0,7606
0,7579
0,7597
0,7358
0,7589
0,7647
0,7661
0,7594
0,7586
Desvio relativo %
0,00
-0,13
0,08
0,08
-0,08
-0,07
0,01
0,16
0,04
-0,08
117
TABELA 2.3 - DESVIOS DE PREVISO PARA DENSIDADE DADOS DE TREINO REDE SIMPLES.
Densidade experimental
3
Densidade calculada
3
(g/cm )
(g/cm )
0,7608
0,7658
0,7585
0,7618
0,7605
0,7583
0,7590
0,7719
0,7577
0,7588
0,7594
0,7619
0,7652
0,7617
0,7558
0,7390
0,7295
0,7402
0,7534
0,7597
0,7521
0,7522
0,7565
0,7637
0,7600
0,7600
0,7646
0,7591
0,7631
0,7615
0,7571
0,7626
0,7700
0,7566
0,7571
0,7599
0,7610
0,7649
0,7602
0,7558
0,7376
0,7289
0,7442
0,7514
0,7617
0,7520
0,7521
0,7592
0,7615
0,7611
Desvio relativo %
0,11
0,16
-0,08
-0,17
-0,14
0,16
-0,48
0,24
0,15
0,23
-0,06
0,12
0,04
0,20
-0,01
0,19
0,09
-0,54
0,26
-0,26
0,01
0,01
-0,35
0,28
-0,14
TABELA 2.4 - DESVIOS DE PREVISO PARA DENSIDADE DADOS DE TESTE REDE SIMPLES.
Densidade experimental
3
Densidade calculada
3
(g/cm )
(g/cm )
0,7640
0,7596
0,7585
0,7603
0,7352
0,7584
0,7648
0,7673
0,7597
0,7580
0,7645
0,7591
0,7584
0,7600
0,7335
0,7589
0,7665
0,7683
0,7583
0,7588
Desvio relativo %
-0,07
0,07
0,01
0,04
0,23
-0,07
-0,22
-0,13
0,18
-0,11
118
densidade experimental
0,7900
0,7800
0,7700
0,7600
0,7500
0,7400
0,7300
0,7200
25
23
21
19
17
15
13
11
amostra no.
densidade experimental
0,7900
0,7800
0,7700
0,7600
0,7500
0,7400
0,7300
0,7200
25
23
21
19
17
15
13
11
amost ra no.
119
PVR calculada
(kPa)
(kPa)
42,9
38,0
48,9
43,7
48,7
47,5
45,2
46,1
49,2
48,8
42,1
38,6
53,8
36,8
48,6
43,7
56,5
54,4
54,8
48,8
25,5
32,8
35,0
33,1
29,1
Desvio relativo %
42,9
38,3
48,1
41,7
47,6
49,4
46,1
46,7
49,9
50,5
45,2
41,1
52,0
37,0
49,2
43,5
57,3
51,6
52,7
47,4
25,6
31,7
35,5
33,6
27,7
-0,02
-0,89
1,69
4,48
2,29
-3,94
-1,91
-1,26
-1,46
-3,51
-7,34
-6,60
3,29
-0,55
-1,20
0,46
-1,43
5,09
3,78
2,89
-0,23
3,29
-1,44
-1,44
4,81
TABELA 2.6 - DESVIOS DE PREVISO PARA PV REID DADOS DE TESTE REDE COMPLEXA.
PVR experimental
PVR calculada
(kPa)
(kPa)
45,8
41,3
48,4
30,6
54,6
49,8
48,0
53,4
40,1
49,1
Desvio relativo %
46,6
42,6
49,4
30,2
54,2
48,8
47,1
52,8
41,2
49,4
-1,65
-3,11
-2,08
1,19
0,67
1,99
1,79
1,03
-2,65
-0,55
120
PVR calculada
(kPa)
(kPa)
42,9
38,0
48,9
43,7
48,7
47,5
45,2
46,1
49,2
48,8
42,1
38,6
53,8
36,8
48,6
43,7
56,5
54,4
54,8
48,8
25,5
32,8
35,0
33,1
29,1
TABELA 2.8
Desvio relativo %
43,5
39,0
46,8
41,9
49,0
48,2
45,7
45,9
48,9
50,9
40,9
38,0
53,6
39,1
50,9
44,1
55,3
55,3
51,3
48,2
25,5
31,9
37,5
31,3
29,7
-1,34
-2,70
4,34
4,20
-0,52
-1,49
-1,14
0,44
0,53
-4,30
2,95
1,49
0,39
-6,14
-4,66
-1,00
2,05
-1,60
6,31
1,14
-0,18
2,66
-7,27
5,43
-2,05
PVR experimental
PVR calculada
(kPa)
(kPa)
45,8
41,3
48,4
30,6
54,6
49,8
48,0
53,4
40,1
49,1
Desvio relativo %
45,2
42,9
46,1
31,8
55,6
49,3
47,7
50,8
41,4
48,7
1,29
-3,79
4,83
-3,80
-1,79
1,07
0,65
4,94
-3,25
0,78
121
PV Reid (kPa)
PV Reid experimental
65,0
60,0
55,0
50,0
45,0
40,0
35,0
30,0
25,0
20,0
amostra no.
1
2 3
4 5 6
7 8
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
PV Reid (kPa)
PV Reid experimental
65,0
60,0
55,0
50,0
45,0
40,0
35,0
30,0
25,0
20,0
amostra no.
1
2 3
4 5 6
7 8
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
122
PIE calculado
Desvio relativo %
( C)
( C)
47,7
51,7
44,8
48,2
44,7
44,5
46,4
45,1
44,4
44,7
48,1
51,4
41,8
52,8
45,8
49,5
43,4
43,4
42,1
45,3
65,2
57,7
54,5
56,5
61,4
48,4
52,1
46,1
48,7
46,0
45,2
45,7
45,5
44,9
44,1
48,7
51,4
42,6
53,1
45,8
50,1
43,4
44,9
42,8
45,1
65,5
58,3
54,8
56,8
62,0
-1,40
-0,84
-3,01
-0,95
-2,82
-1,62
1,50
-0,90
-1,19
1,42
-1,35
-0,01
-1,87
-0,58
-0,03
-1,15
0,10
-3,55
-1,69
0,52
-0,50
-1,08
-0,60
-0,59
-0,95
PIE calculado
Desvio relativo %
( C)
( C)
44,9
49,1
44,9
58,4
43,5
44,4
45,2
42,9
50,4
45,3
46,5
48,4
45,4
57,3
43,9
45,3
45,5
41,8
50,3
45,3
-3,53
1,41
-1,08
1,84
-0,83
-2,14
-0,73
2,52
0,18
-0,09
123
PIE calculado
Desvio relativo %
( C)
( C)
47,7
51,7
44,8
48,2
44,7
44,5
46,4
45,1
44,4
44,7
48,1
51,4
41,8
52,8
45,8
49,5
43,4
43,4
42,1
45,3
65,2
57,7
54,5
56,5
61,4
48,9
51,1
45,2
48,3
45,8
45,7
46,2
45,6
45,7
45,5
50,2
52,3
42,2
52,7
45,5
49,7
44,1
43,1
43,8
45,7
65,1
58,4
56,7
55,7
61,2
-2,50
1,10
-0,86
-0,29
-2,44
-2,62
0,38
-1,11
-2,99
-1,78
-4,33
-1,84
-1,05
0,27
0,73
-0,48
-1,69
0,65
-4,07
-0,89
0,14
-1,18
-4,05
1,50
0,30
PIE calculado
Desvio relativo %
( C)
( C)
44,9
49,1
44,9
58,4
43,5
44,4
45,2
42,9
50,4
45,3
44,6
48,9
45,4
59,2
43,0
44,8
47,0
43,3
49,6
44,8
0,75
0,43
-1,14
-1,38
1,04
-0,84
-4,01
-1,02
1,52
1,14
124
PIE (oC)
PIE experimental
75,0
70,0
65,0
60,0
55,0
50,0
45,0
40,0
35,0
amostra no.
1
2 3
4 5 6
7 8
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
PIE (oC)
PARA PIE
PIE experimental
75,0
70,0
65,0
60,0
55,0
50,0
45,0
40,0
35,0
amostra no.
1
2 3
4 5
6 7
8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
PARA
PIE
125
T10 calculado
Desvio relativo %
( C)
( C)
61,3
64,0
57,5
59,3
57,7
58,0
59,1
59,7
57,7
57,0
60,3
63,7
55,3
63,7
57,5
63,9
53,6
54,6
56,2
57,2
71,3
64,8
65,2
64,6
68,0
64,1
65,0
57,9
60,7
58,4
58,2
59,6
59,0
58,3
57,7
60,8
63,2
57,0
63,5
58,7
66,5
53,9
56,1
56,6
58,7
70,4
65,2
67,5
65,6
67,8
-4,49
-1,53
-0,62
-2,29
-1,20
-0,39
-0,82
1,20
-1,07
-1,20
-0,77
0,84
-3,11
0,24
-2,10
-4,12
-0,61
-2,74
-0,67
-2,63
1,21
-0,64
-3,51
-1,60
0,28
T10 calculado
Desvio relativo %
( C)
( C)
59,4
60,8
58,4
66,4
54,5
58,0
59,2
56,2
62,0
57,2
60,3
60,7
57,4
65,7
54,7
58,1
59,6
55,5
62,9
57,9
-1,52
0,17
1,71
1,02
-0,41
-0,22
-0,62
1,16
-1,53
-1,30
126
T10 calculado
Desvio relativo %
( C)
( C)
61,3
64,0
57,5
59,3
57,7
58,0
59,1
59,7
57,7
57,0
60,3
63,7
55,3
63,7
57,5
63,9
53,6
54,6
56,2
57,2
71,3
64,8
65,2
64,6
68,0
61,3
63,8
58,8
59,5
58,6
57,9
58,9
59,5
57,4
56,7
61,1
62,5
55,0
62,8
56,2
63,7
53,9
54,6
57,1
58,0
71,1
65,1
65,0
65,0
67,5
0,08
0,37
-2,32
-0,31
-1,56
0,22
0,38
0,36
0,57
0,53
-1,37
1,93
0,58
1,47
2,34
0,35
-0,53
0,04
-1,54
-1,47
0,34
-0,49
0,25
-0,54
0,72
T10 calculado
Desvio relativo %
( C)
( C)
59,4
60,8
58,4
66,4
54,5
58,0
59,2
56,2
62,0
57,2
60,2
61,1
58,9
65,8
53,9
58,2
59,1
55,4
61,8
58,1
-1,28
-0,49
-0,89
0,89
1,13
-0,28
0,16
1,48
0,36
-1,61
127
T10
T10 experimental
(oC)
80,0
75,0
70,0
65,0
60,0
55,0
50,0
45,0
40,0
1
FIGURA
T10
2 3
4 5
6 7
8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
(oC)
amostra no.
PARA T10
T10 experimental
80,0
75,0
70,0
65,0
60,0
55,0
50,0
45,0
40,0
1
2 3
5 6
7 8
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
amostra no.
PARA T10
128
T50 calculado
Desvio relativo %
( C)
( C)
74,6
74,5
73,5
73,2
73,9
73,7
74,0
75,4
73,7
73,8
74,0
74,9
74,2
73,6
73,4
73,6
66,8
69,8
73,5
73,8
78,1
72,3
74,0
74,0
73,8
74,8
74,6
73,9
73,4
74,2
73,8
73,8
75,4
73,4
73,9
73,9
75,1
74,4
73,7
73,4
73,7
66,9
69,9
73,6
73,9
78,2
72,4
74,2
74,2
73,9
-0,30
-0,14
-0,50
-0,30
-0,37
-0,16
0,25
-0,01
0,34
-0,12
0,13
-0,21
-0,21
-0,15
-0,04
-0,19
-0,11
-0,12
-0,17
-0,13
-0,14
-0,14
-0,21
-0,22
-0,15
T50 calculado
Desvio relativo %
( C)
( C)
74,2
74,0
73,8
73,6
68,1
73,6
74,6
74,7
74,3
73,5
74,3
73,4
73,7
73,4
67,9
73,9
74,1
75,2
74,8
73,8
-0,16
0,77
0,13
0,22
0,24
-0,40
0,70
-0,69
-0,63
-0,37
129
T50 calculado
Desvio relativo %
( C)
( C)
74,6
74,5
73,5
73,2
73,9
73,7
74,0
75,4
73,7
73,8
74,0
74,9
74,2
73,6
73,4
73,6
66,8
69,8
73,5
73,8
78,1
72,3
74,0
74,0
73,8
74,4
74,9
73,2
73,3
73,3
73,4
74,2
75,3
73,5
73,4
74,6
74,4
74,3
74,0
73,6
72,8
67,5
70,4
73,0
74,3
77,8
72,8
73,4
74,4
73,7
0,23
-0,49
0,34
-0,10
0,77
0,39
-0,21
0,19
0,25
0,58
-0,83
0,68
-0,16
-0,58
-0,21
1,09
-1,11
-0,81
0,73
-0,69
0,33
-0,74
0,83
-0,51
0,11
T50 calculado
Desvio relativo %
( C)
( C)
74,2
74,0
73,8
73,6
68,1
73,6
74,6
74,7
74,3
73,5
74,4
73,9
73,5
73,4
68,1
73,3
75,2
74,5
74,1
73,3
-0,29
0,08
0,36
0,24
0,07
0,37
-0,85
0,33
0,28
0,29
130
T50 (oC)
T50 experimental
83,0
80,0
77,0
74,0
71,0
68,0
65,0
1
2 3
4 5
6 7
8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
amostra no.
PARA T50
T50 (oC)
T50 experimental
83,0
80,0
77,0
74,0
71,0
68,0
65,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
amostra no.
PARA T50
131
T90 calculada
Desvio relativo %
( C)
( C)
194,8
203,2
176,7
192,8
171,0
173,9
187,4
162,8
175,5
176,7
187,5
194,8
180,2
197,3
170,1
160,9
75,0
139,8
170,2
171,0
136,0
174,5
181,3
187,8
170,5
191,3
200,3
177,4
192,9
174,3
172,7
191,2
164,7
172,1
170,6
187,0
196,6
180,5
197,6
166,0
162,6
74,6
143,3
173,1
170,4
136,0
173,9
187,3
186,4
168,6
1,78
1,41
-0,38
-0,07
-1,95
0,72
-2,05
-1,19
1,91
3,45
0,25
-0,93
-0,17
-0,15
2,42
-1,08
0,60
-2,53
-1,71
0,34
-0,03
0,32
-3,33
0,74
1,13
T90 calculada
Desvio relativo %
( C)
( C)
185,8
186,8
177,3
187,8
118,2
176,6
166,1
177,1
183,7
174,2
193,1
190,9
177,5
192,6
117,4
173,7
169,8
182,1
182,2
173,8
-3,92
-2,19
-0,14
-2,55
0,69
1,63
-2,21
-2,82
0,81
0,24
132
T90 calculada
Desvio relativo %
( C)
( C)
194,8
203,2
176,7
192,8
171,0
173,9
187,4
162,8
175,5
176,7
187,5
194,8
180,2
197,3
170,1
160,9
75,0
139,8
170,2
171,0
136,0
174,5
181,3
187,8
170,5
201,5
192,3
175,9
181,1
175,7
172,8
187,0
159,3
172,0
170,9
189,9
192,5
180,6
185,8
172,3
137,4
78,8
155,4
174,7
181,7
145,6
176,7
189,6
193,0
171,2
-3,44
5,35
0,48
6,06
-2,75
0,63
0,19
2,13
2,02
3,28
-1,29
1,17
-0,20
5,84
-1,30
14,59
-5,10
-11,15
-2,64
-6,23
-7,08
-1,26
-4,58
-2,74
-0,43
T90 calculada
Desvio relativo %
( C)
( C)
185,8
186,8
177,3
187,8
118,2
176,6
166,1
177,1
183,7
174,2
185,0
182,0
174,9
191,8
112,2
175,4
168,1
177,9
189,1
174,8
0,44
2,55
1,35
-2,13
5,08
0,68
-1,20
-0,44
-2,97
-0,35
133
T90
(oC)
T90 experimental
220,0
210,0
200,0
190,0
180,0
170,0
160,0
150,0
140,0
130,0
120,0
110,0
100,0
90,0
80,0
70,0
1 2
3 4 5
6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
T90 (oC)
amostra no.
PARA T90
T90 experimental
220,0
210,0
200,0
190,0
180,0
170,0
160,0
150,0
140,0
130,0
120,0
110,0
100,0
90,0
80,0
70,0
1 2
3 4 5
FIGURA 2.12
6 7 8
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
amostra no.
PARA T50
134
PFE calculado
( C)
( C)
238,0
241,9
216,3
233,8
214,6
215,8
228,2
211,5
216,2
224,7
234,7
242,4
219,4
243,9
220,3
230,3
177,1
200,2
216,5
212,7
179,9
211,7
220,5
238,2
210,5
Desvio relativo %
239,2
243,7
218,3
230,3
214,8
214,8
229,5
204,6
215,4
215,4
235,4
234,2
214,5
243,0
210,7
209,9
182,1
195,6
212,9
209,6
184,8
212,2
222,7
234,9
212,4
-0,49
-0,75
-0,93
1,48
-0,09
0,45
-0,56
3,27
0,37
4,12
-0,32
3,40
2,23
0,38
4,34
8,85
-2,83
2,31
1,66
1,46
-2,74
-0,23
-0,98
1,40
-0,89
PFE calculado
o
( C)
( C)
219,5
232,7
217,3
243,6
196,0
219,1
212,3
215,7
226,1
219,2
225,2
228,1
216,0
234,5
190,2
214,1
209,6
220,4
223,1
213,5
Desvio relativo %
-2,60
1,99
0,61
3,75
2,94
2,27
1,27
-2,20
1,34
2,59
135
PFE calculado
o
( C)
( C)
238,0
241,9
216,3
233,8
214,6
215,8
228,2
211,5
216,2
224,7
234,7
242,4
219,4
243,9
220,3
230,3
177,1
200,2
216,5
212,7
179,9
211,7
220,5
238,2
210,5
Desvio relativo %
219,3
236,5
216,1
224,1
218,6
214,4
226,0
207,8
214,3
231,6
234,2
237,1
208,2
236,9
214,7
230,3
187,9
202,1
209,1
216,4
195,4
210,8
222,6
244,0
207,0
7,87
2,22
0,10
4,16
-1,88
0,63
0,95
1,74
0,87
-3,09
0,20
2,19
5,11
2,86
2,55
-0,01
-6,09
-0,95
3,41
-1,72
-8,60
0,42
-0,97
-2,43
1,64
PFE calculado
o
( C)
( C)
219,5
232,7
217,3
243,6
196,0
219,1
212,3
215,7
226,1
219,2
217,9
227,2
215,1
237,9
192,1
216,4
214,0
214,8
236,1
215,5
Desvio relativo %
0,73
2,38
1,00
2,35
1,98
1,23
-0,79
0,43
-4,41
1,68
136
PFE (oC)
PFE experimental
260,0
250,0
240,0
230,0
220,0
210,0
200,0
190,0
180,0
170,0
160,0
amostra no.
1 2
3 4 5
FIGURA 2.13
6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
PFE (oC)
PARA PFE
PFE experimental
260,0
250,0
240,0
230,0
220,0
210,0
200,0
190,0
180,0
170,0
160,0
amostra no.
1 2
FIGURA
3 4 5
6 7 8
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
PARA PFE
137
Neurnio 1
-0,5009
-0,4868
0,4785
-0,6050
-0,4630
0,7746
0,0088
0,7062
0,0822
-0,3746
0,6986
0,2004
0,5765
-0,7776
0,3343
0,3297
0,9970
0,8476
0,3218
-0,8149
-0,1567
-0,3623
0,8781
0,9949
0,4925
0,6514
0,9854
-0,4657
0,5238
0,7074
-0,1451
-0,4130
-0,9090
0,8841
0,0079
0,3794
0,9429
0,0682
1,0443
0,8322
continua
138
Neurnio 1
0,5089
-0,7891
0,0131
0,0183
-0,8310
-0,0015
0,0415
1,0573
0,0997
0,5963
-0,7354
-0,3476
0,9036
-0,4910
-0,6181
-0,9009
6,7680
0,8550
0,0034
0,7490
-0,5227
0,2820
0,0646
-0,4366
0,7192
-0,2800
concluso
Bias de entrada
-1,8153
-1,9081
-1,8391
4,8119
-2,5956
1,4192
1,4013
-0,0595
-0,6232
-0,3522
-0,0752
-0,3690
-0,2950
-0,5167
Bias oculto
0,0053
139
continua
Neurnio 2
Neurnio 3
Neurnio 4
Neurnio 5
Aromticos
Isoparafinas
Naftnicos
Olefinas
Oxigenados
Parafinas
Desconhecidos
-1,0264
-0,0522
-4,0537
1,2508
1,3961
-4,7377
-0,1584
4,3314
-0,6110
-2,0965
-1,5562
1,9814
3,5295
-0,7106
-3,9383
0,5212
1,2258
0,0558
-4,0968
2,6178
-0,2320
1,7361
3,7630
1,0989
2,6329
-2,1414
-1,5849
3,3686
-1,4861
-2,4730
-3,1990
-2,7261
-0,6863
1,1364
-3,1777
Bias de entrada
5,4436
-3,5836
3,3442
-4,7770
7,5414
Camada oculta
-0,1582
0,1613
-0,4276
0,2705
0,8756
Bias oculto
0,0111
concluso
Neurnio 7
Neurnio 8
Neurnio 9
Neurnio 10
Aromticos
Isoparafinas
Naftnicos
Olefinas
Oxigenados
Parafinas
Desconhecidos
2,5197
2,6508
-2,7444
2,4855
-2,1988
3,1630
-1,0825
-1,5220
2,3178
-2,1540
4,2225
3,0337
1,2905
0,9966
1,5651
2,6814
-1,0377
0,8675
3,2299
-2,7102
-3,5586
-3,8298
2,8437
-0,1857
-4,0832
-0,4512
-1,2630
0,9731
-1,1732
1,3159
3,2319
2,3946
3,4910
-2,4668
-2,0457
Bias de entrada
-1,5406
-4,7804
-0,4695
1,5771
-4,5849
Camada oculta
-0,2277
-0,0605
-0,1804
-0,1472
-0,4190
Bias oculto
140
Bias de entrada
0,9088
-0,3786
0,8972
0,1888
-0,5371
-1,3827
Bias oculto
-0,1871
141
Neurnio 2
Neurnio 3
Neurnio 4
Neurnio 5
Neurnio 6
Neurnio 7
Neurnio 8
Aromticos
Isoparafinas
Naftnicos
Olefinas
Oxigenados
Parafinas
Desconhecidos
4,9648
3,0404
-0,7515
5,2861
-3,7030
-0,3078
2,5912
2,2340
-2,7516
4,5864
-0,6392
-7,4222
1,7883
-0,1183
1,7090
-6,3000
-0,1340
3,1776
4,0667
-1,7622
-4,0203
-1,7885
3,5728
2,6220
2,7913
-5,8951
-4,1558
-2,5615
-2,8164
0,7356
5,1955
3,5472
-1,9355
4,1318
-4,5899
-2,1489
-4,1572
-1,3198
-4,5979
-1,5118
4,5358
-4,6968
-0,4060
-0,0289
1,4638
-5,0128
3,4911
4,7221
5,1622
-1,1688
5,1478
-0,0633
-0,3196
-6,6863
-1,5603
3,7217
Bias de entrada
-8,5347
-1,3369
0,7076
2,6460
-1,4313
6,0258
-6,2219
-1,7787
Camada oculta
0,2471
-0,6610
0,0294
0,0726
0,1247
-0,0192
-0,3361
-0,4137
Bias oculto
-0,3850
142
Bias de entrada
0,2643
0,3747
-0,4845
-0,4275
-0,5746
-0,5849
1,0293
-1,1154
0,8123
-1,0568
-0,6448
0,6388
Bias oculto
-0,0567
143
continua
Neurnio 2
Neurnio 3
Neurnio 4
Neurnio 5
Neurnio 6
Neurnio 7
Neurnio 8
Aromticos
Isoparafinas
Naftnicos
Olefinas
Oxigenados
Parafinas
Desconhecidos
-3,2235
3,3120
-5,3016
1,5952
3,0707
4,7066
4,8641
-3,4593
-3,1765
-2,9712
4,8843
-1,9440
-6,1914
2,5956
-3,4981
3,4659
4,5585
-0,4880
-5,1677
-4,8955
3,3334
6,0194
3,4281
5,9828
0,2308
-2,9757
-3,6187
0,5841
2,1234
-2,1709
-0,2528
2,0930
7,6520
-3,6715
-4,5270
-4,0782
0,5854
-0,2319
-3,4938
6,4444
-4,7709
-3,4501
-2,8143
-4,4065
-7,7891
-2,9409
-1,6007
-2,7770
0,0859
4,2082
4,4129
-1,1987
-4,7445
-1,6611
5,3489
3,2270
Bias de entrada
-2,4477
7,3873
2,7550
-6,3602
-1,5935
5,2350
11,6234
-5,5876
Camada oculta
-0,1289
0,5102
0,0211
0,1798
-0,0869
0,1425
-0,1957
0,5352
Bias oculto
0,5052
Neurnio 10
Neurnio 11
Neurnio 12
Neurnio 13
Neurnio 14
concluso
Neurnio 15
Aromticos
Isoparafinas
Naftnicos
Olefinas
Oxigenados
Parafinas
Desconhecidos
5,0183
0,9738
-2,2895
4,9267
-3,9008
5,4057
-2,6937
-4,0608
-4,8866
1,7239
5,0242
-1,5436
-5,6472
1,4596
5,2715
-4,6121
-2,3408
0,1336
-1,1604
6,2293
-3,3939
-7,2481
-3,6733
-3,5923
4,7045
-1,2749
1,2160
-1,1770
2,8742
-1,3774
-2,7572
5,9621
6,2673
3,5694
-1,7679
3,7117
-3,2217
-5,4198
-2,2536
-1,3651
4,5556
5,1157
-6,1129
-2,7115
-4,2483
3,2205
0,3593
-5,7826
0,3952
Bias de entrada
-2,9646
3,9033
1,3186
4,6656
-4,3525
0,8507
5,3838
Camada oculta
-0,0904
0,3361
0,4467
0,1947
-0,0581
-0,2955
0,0020
Bias oculto
144
continua
145
concluso
-0,0791
-0,5283
0,1080
-0,1001
0,6521
-0,6560
-0,7910
0,1800
0,1664
-0,0286
-0,0311
-0,0270
0,0100
0,0135
-0,0623
0,0168
Bias oculto
0,4834
Neurnio 2
Neurnio 3
Neurnio 4
Neurnio 5
continua
Neurnio 6
Aromticos
Isoparafinas
Naftnicos
Olefinas
Oxigenados
Parafinas
Desconhecidos
2,0377
3,7578
-1,5311
-1,9172
-2,2249
2,4304
-2,9311
0,8710
1,9156
5,0855
-1,8061
-2,5792
1,2633
-0,6388
2,0989
-1,3186
2,0210
-3,0191
3,0099
-1,4433
3,3662
-2,7121
-1,1999
-3,6356
-3,1142
1,3391
2,4708
1,5296
-3,7647
-2,9421
-1,0496
3,3132
-2,9397
0,1058
0,0717
-4,6583
-0,9256
-0,6222
1,4875
0,1656
2,4862
-3,1539
Bias de entrada
-1,1397
-4,4562
-3,9375
3,7699
3,8306
3,0381
Camada oculta
-0,2616
0,4116
-0,8132
0,4235
-0,3295
-0,3644
Bias oculto
0,8784
146
concluso
Neurnio 8
Neurnio 9
Neurnio 10
Neurnio 11
Aromticos
Isoparafinas
Naftnicos
Olefinas
Oxigenados
Parafinas
Desconhecidos
1,2440
4,1346
2,6827
-0,2587
4,2857
0,0146
-0,3987
-3,6734
-3,5344
1,9864
-2,2040
2,9539
-0,8636
0,8721
3,3758
0,6181
3,1953
3,6042
-2,1550
-1,6482
1,2605
-1,0667
-1,2169
4,0436
1,5280
-3,9191
-2,5247
-1,2280
-4,4975
-2,7706
-0,3497
-0,4277
0,0740
3,8956
1,0951
Bias de entrada
-5,2770
0,7032
-2,8941
0,5002
-0,0997
Camada oculta
0,1686
0,4425
0,3259
0,2839
0,8137
Bias oculto
147
continua
148
concluso
Bias de entrada
0,4235
0,7681
-0,1239
-0,9102
0,1418
-0,0729
-0,1466
-0,1210
Bias oculto
0,4161
149
continua
Neurnio 2
Neurnio 3
Neurnio 4
Neurnio 5
Neurnio 6
Aromticos
Isoparafinas
Naftnicos
Olefinas
Oxigenados
Parafinas
Desconhecidos
4,1959
-4,9478
0,4700
-5,7285
6,9416
7,5578
-2,5067
-2,3229
-9,4903
-9,5627
4,7745
0,5483
-2,9086
-1,5489
0,3284
10,1797
7,9122
1,1396
2,9527
1,5255
0,2315
-10,4744
2,6311
-2,7939
-7,4063
-1,9025
-2,2655
-5,6762
-6,0251
-4,3921
-5,8277
-8,0545
-7,7329
-5,2871
-3,7695
-7,8104
-6,1896
1,3076
-0,9490
-5,6230
-4,6730
6,3945
Bias de entrada
-5,7784
5,9436
-15,0724
11,9227
15,7762
3,8492
Camada oculta
1,5771
0,0476
1,2522
-0,4452
1,2863
-0,0371
Bias oculto
0,5157
Neurnio 8
Neurnio 9
Neurnio 10
Neurnio 11
concluso
Neurnio 12
Aromticos
Isoparafinas
Naftnicos
Olefinas
Oxigenados
Parafinas
Desconhecidos
7,2989
-1,3863
-4,4081
-3,1443
-6,5058
6,4070
-2,2604
5,0099
-0,2647
5,5217
-1,7764
-4,6199
-6,6508
5,5736
6,4433
4,8431
0,0837
-3,5810
3,2888
-8,5311
0,8613
0,9469
-3,4089
-4,6157
-9,5935
5,3333
-7,5530
0,3179
-7,9786
-1,9421
-2,8506
-4,1060
5,6357
-1,7088
-7,6895
6,2803
-2,8274
3,8266
-7,9626
-0,5898
-7,8402
-2,2279
Bias de entrada
-2,7782
-6,2766
-5,1580
5,3529
5,9925
2,5158
Camada oculta
-0,2158
0,0735
0,3082
0,1259
-1,3860
-0,4338
Bias oculto
150
Bias de entrada
-0,1684
-2,2018
-3,9957
0,4922
4,8561
-0,3413
-0,1400
0,1151
0,0666
-0,7047
Bias oculto
-0,1802
151
Neurnio 4
Neurnio 5
1,5326
4,3573
5,7138
10,5649 -4,0123 -7,5536
-3,3330 -11,3666 -10,0680
-2,2400
5,0555
5,4180
-6,2063 10,7767
0,4041
9,1628
1,9042 11,3333
9,8185 -7,8796
4,8903
-8,1760
-9,0063
-6,5351
-7,6908
-9,8907
0,1281
-5,0494
9,5927
9,6592
-2,6347
-9,3503
0,6503
9,0059
3,2402
Bias de entrada
-15,2432
-2,2604
-6,4648
23,7985
-9,4746 -13,3544
Camada oculta
-3,0991
0,0720
0,1913
0,2159
Bias oculto
-0,3819
Aromticos
Isoparafinas
Naftnicos
Olefinas
Oxigenados
Parafinas
Desconhecidos
Neurnio 1
Neurnio 2
0,1587
-
Neurnio 6
Neurnio 7
-4,4698 -0,3966
8,1371 -10,1055
6,3030
6,0656
10,5002 10,6191
7,9011 -7,2971
3,1025 -7,2901
-7,2388
2,0084
-2,8413
-
Neurnio 8
Neurnio 9
-3,4611
5,7294
-3,7864 -9,3768
-7,6795
4,4022
9,8378 -11,5302
0,1551
5,4708
11,1399
7,9790
8,1378
0,5706
3,1510
-9,4730
2,3564
-0,3705
0,3488
0,9336
152
-0,8201
-0,4274
-0,4728
0,2502
-0,4269
0,0844
153
Neurnio 2
Neurnio 3
Neurnio 4
Neurnio 5
Neurnio 6
Neurnio 7
Neurnio 8
Aromticos
Isoparafinas
Naftnicos
Olefinas
Oxigenados
Parafinas
Desconhecidos
2,6259
-3,8959
0,0282
-4,4310
-3,3136
-3,5550
4,7047
-5,8863
-3,4231
-1,9191
6,1614
-1,4140
-0,9392
-1,0701
2,6538
0,2793
-3,0881
-0,3961
-4,5693
-5,7216
4,2937
-3,8557
-3,8532
5,0456
1,1686
-1,6454
5,4290
-1,0505
2,3458
-8,0497
-0,8907
0,3551
0,9573
3,7745
-1,8256
-0,3265
-0,1916
-2,9368
5,6351
-5,2391
1,1185
4,5164
-0,1035
-3,7951
5,3172
-4,3756
-4,6067
1,6713
-2,8175
-1,8590
-4,6833
-2,3736
2,4946
-1,0634
5,3009
4,6148
Bias de entrada
2,4776
4,3179
1,9953
-0,1395
1,3628
-2,2195
4,3073
-0,7009
Camada oculta
-0,0891
-0,1957
0,1151
0,0828
0,0277
-0,0463
-0,0609
0,2390
Bias oculto
0,4298