Navegando por Autor "Brasil, Jéssica Alves"
Agora exibindo 1 - 2 de 2
- Resultados por página
- Opções de Ordenação
TCC Avaliação da capacidade de adsorção do carvão da pirólise do capim elefante em corantes têxteis red S-B e amarelo C-RG(Universidade Federal do Rio Grande do Norte, 2019-09-02) Brasil, Jéssica Alves; Sousa, João Fernandes de; Silva, Maitê Medeiros de Santana e; Sousa, Magna Angélica dos Santos BezerraOs resíduos das atividades industriais causam sérios prejuízos ao meio ambiente, em especial aos corpos hídricos. Dentre esses resíduos podem-se citar os efluentes descartados pelas indústrias têxteis, que se caracterizam por apresentar alta carga de compostos químicos orgânicos. Os corantes são os principais resíduos desses efluentes, sendo estes compostos de difícil degradação e altamente tóxicos para o meio ambiente. Nesse trabalho foi estudado o processo de adsorção, em batelada, para remoção dos corantes têxteis comerciais (red S-B e o amarelo C-RG) fornecidos pela Indústria Vicunha Têxtil Ltda utilizando carvão comercial bem como carvão obtido da pirólise do capim elefante. O carvão da pirólise foi submetido à etapas de pré-lavagens, ativações químicas (HCl e H3PO4), física (N2 e T = 500ºC) e posteriormente foi carecterizado. O estudo de adsorção foi realizado para os dois corantes em um shaker, com volume da fase líquida igual a 50 ml e temperatura de 25ºC. As variáveis estudadas foram: pH do meio (2, 7 e 10), concentração inicial do soluto (5, 20 e 50 ppm) e massa do adsorvente (50 e 100 mg). Nas condições ótimas de operação foram construídas as isotermas de Langmuir e Freundlich, bem como proposto uma cinética de adsorção para averiguação dos modelos pseudo de 1ª e 2ª ordem. Os resultados experimentais mostraram através da análise de FRX que, os carvões (comercial e da pirólise, após lavagem) são constituídos dos principalmente por Ca (4,7 – 25,4), Fe (41,16 – 15,73%), K (10,95 – 1,9%) e Si (31,71 – 38,53%). A capacidade de adsorção foi maior para o carvão comercial (2 g/L), adsorvendo o corante amarelo C-RG (50 ppm), cujo valor foi de 92,02% em pH = 2,0. Enquanto que, para o carvão da pirólise, nas mesmas condições, o percentual máximo de remoção foi de 40,13% (tratado com H3PO4). Em ensaio realizado com a mistura dos dois corantes, carvão comercial e nas mesmas condições de operação, a porcentagem de remoção foi de 88%. Tanto para o carvão comercial adsorvendo o amarelo C-RG como para o carvão da pirólise do capim, a isoterma de Langmuir foi a que apresentou melhor ajuste em relação aos resultados experimentais. A constante de adsorção (KL) calculada teve como valor 1,0 L/mg e o fator de separação (RL) foi igual a 0,0219 indicando uma adsorção favorável. Em relação à cinética de adsorção utilizando o corante amarelo, o modelo que mais se ajustou aos pontos experimentais foi o de pseudo de 2ª ordem, para os dois tipos de carvão estudados. As constantes cinéticas tiveram como valores 0,00485 g/mg.min (carvão comercial) e 0,00285 g/mg.min (carvão da pirólise). Com corante red S-B não foi obtido bons resultados.Dissertação Diagnóstico de condições de operação do bombeio centrífugo submerso utilizando machine learning(Universidade Federal do Rio Grande do Norte, 2022-05-30) Brasil, Jéssica Alves; Chiavone Filho, Osvaldo; Maitelli, Carla Wilza Souza de Paula; https://orcid.org/0000-0002-3893-6010; http://lattes.cnpq.br/2441911467149645; http://lattes.cnpq.br/2621516646153655; http://lattes.cnpq.br/0874113052311486; Diniz, Anthony Andrey Ramalho; Galvão, Edney Rafael Viana Pinheiro; http://lattes.cnpq.br/3142315953748654Na elevação artificial, as técnicas de Automação são empregadas também com o intuito de aumentar a eficiência e produção dos poços de petróleo. No método de elevação por Bombeio Centrífugo Submerso (BCS), a utilização de ferramentas de Automação se torna imprescindível na interpretação dos dados disponíveis em campo, visto que, a análise desses dados nem sempre é suficiente para analisar, interpretar, monitorar e diagnosticar o desempenho e a integridade do poço, além da operação do BCS e eficiência em tempo real. No entanto, ainda que esses poços operem com sistemas automatizados, alguns danos na produção podem ser identificados diminuindo a eficiência da bomba BCS e poderão ocorrer perdas significativas nas vazões obtidas. O diagnóstico inicial do sistema BCS pode levar a uma grande economia de custos e menos manutenção devido a tecnologias implementadas em campos de produção. Em campos de petróleo, para identificar as condições de operação de um poço BCS, utilizam-se as cartas amperimétricas, que são gráficos de corrente versus tempo. A análise dessas cartas, geralmente, é realizada por operadores que possuem um elevado número de poços para examinar, e essa sobrecarga, muitas vezes, diminui a eficiência no processo de leitura das condições de operação da bomba BCS. Atualmente, tecnologias em tempo real baseadas em algoritmos de Aprendizado de Máquina (Machine Learning - ML) têm desafiado e estimulado empresas a criarem soluções para diagnosticar precocemente anormalidades na operação dos poços. Dessa forma, este trabalho tem como intuito fornecer uma proposta de detecção das condições de operação (operação normal, operação normal com gás, interferência de gás e bloqueio por gás) da bomba BCS a partir da análise dos dados de corrente elétrica obtidos a partir de 24 poços de Mossoró, RN, Brasil. Algoritmos de classificação de Aprendizado de Máquina foram implementados na linguagem de programação Python no ambiente Google Colaboratory®. Os algoritmos de classificação utilizados foram Árvore de Decisão (AD), Máquinas de Vetores de Suporte (SVM - Support Vector Machine), Classificação do Vizinho Mais Próximo (KNN - K-Nearest Neighbor) e Rede Neural do tipo Multi-Layer Perceptron (MLP). Como os conjuntos de dados possuíam pontos variando de 159 a 344, realizou-se uma padronização com uma técnica de interpolação para que todos os conjuntos de dados tivessem 344 pontos, o número máximo de pontos coletados. Os algoritmos foram testados sem e com sintonia de hiperparâmetros, tendo em vista que para cada técnica de ML havia um conjunto de hiperparâmetros específico. Além disso, foram realizados testes de balanceamento (oversampling) dos conjuntos de dados de treinamento para identificar a diferença em relação ao conjunto de dados desbalanceados. Os resultados obtidos e apresentados ao longo do trabalho, confirmam que a aplicação do algoritmo ML é viável para a classificação das condições de operação apresentadas, pois todos tiveram uma acurácia superior a 87%, tendo como melhor resultado a aplicação do modelo SVM, que alcançou uma acurácia de 93%.