Borsato, Dionísio [Orientador]Savada, Felipe Yassuo2024-05-012024-05-012021.00https://repositorio.uel.br/handle/123456789/9629Resumo: Amostras de biodiesel foram submetidas a análise de estabilidade oxidativa, massa específica, ponto de fulgor, índice de acidez, teor de água, viscosidade e ponto de névoa e fluidez para avaliar o efeito desses parâmetros na quantidade de antioxidante BHA e BHT, a ser adicionada ao biodiesel, para que o valor do período de indução (PI) se apresentasse dentro das normas estabelecidas pela legislação vigente Os resultados obtidos foram apresentados em forma de capítulos No primeiro, propondo uma equação para cada aditivo, tendo a massa de antioxidante como termo dependente e os parâmetros de conformidade como termos independentes, obtendo assim, equações de regressão múltipla sem intercepto As equações obtidas foram significativas em nível de 5 % e apresentaram coeficientes de determinação (R²) igual a ,979 e ,977, comprovando a sua capacidade de predição As massas previstas para adição mínima foram ,59% e ,64% para BHA, BHT respectivamente No segundo capítulo os dados foram tabulados e apresentados ao módulo de regressão da rede neural do tipo perceptron de múltiplas camadas (MLP) Para o treinamento das redes foram utilizadas 2 épocas, taxa de aprendizagem de ,5 e uma subdivisão aleatória das amostras, em três grupos: 7% para treinamento, 15% para teste e 15% para validação A massa de BHA e de BHT foi considerada como variável dependente e os demais parâmetros como variáveis independentes As 6 amostras de biodiesel utilizadas foram consideradas como variáveis discretas (Z) Para cada antioxidante foram treinadas 2 redes e as 6 com melhor desempenho, foram destacadas A capacidade de previsão da rede foi analisada, e aquelas com melhor desempenho apresentaram de 4 a 11 e 9 a 19 camadas ocultas para os modelos do BHA e do BHT, respectivamente O teste de Tukey aplicado às médias mostrou haver diferença significativa, em nível de 5 %, entre o valor da massa de BHA utilizada e o valor médio modelado para duas amostras do treinamento e nenhuma diferença no mesmo nível de significância para teste e validação Para a massa de BHT o mesmo comportamento foi verificado A análise sensitiva mostrou que a variável período de indução seguida de Z foram as mais importantes na construção dos modelos Os modelos de regressão múltipla e de redes perceptron de múltiplas camadas se mostram úteis para predizer a massa de antioxidante necessária para satisfazer os valores delimitados por lei brasileiraQuímicaBiodieselAntioxidantesRedes neurais (Computação)Regressão múltiplaChemistryBiodiesel fuelsAntioxidantsNeural networks (Computer science)Multiple regressionDissertação