Modelagem preditiva multi-saída de um reator contínuo de tanque agitado

Este trabalho apresenta o desenvolvimento e a avaliação de um modelo preditivo multi-saída baseado em rede neural de memória de curto e longo prazo (LSTM, do inglês Long Short- Term Memory) para representar a dinâmica de um reator contínuo de tanque agitado (CSTR, do inglês Continuous Stirred-Tank Reactor). O estudo utiliza o conjunto de dados CSTR da base DaISy, composto por 7500 amostras com intervalo de amostragem de 0,1 minuto, equivalente a 6 segundos. A proposta tem como objetivo estimar simultaneamente a concentração e a temperatura do processo a partir do histórico recente de operação, sendo analisada como um componente preditivo orientado a dados. A implementação foi desenvolvida em Python, utilizando como entradas históricas a vazão de resfriamento, a concentração e a temperatura, organizadas em janelas temporais de 50 amostras. Os dados foram normalizados por média e desvio padrão calculados apenas no trecho de treinamento, e o modelo foi treinado com função de perda baseada no erro quadrático médio, otimizador Adam e mecanismos de parada antecipada, redução da taxa de aprendizado e salvamento do melhor modelo. A avaliação considerou testes de um passo à frente, teste externo, avaliação recursiva e estimação em múltiplos passos, sempre comparando a rede LSTM com um modelo de persistência. Os resultados indicaram que a rede LSTM apresentou melhor capacidade de estimar as duas variáveis de saída, acompanhando de forma mais próxima a dinâmica do processo do que a estratégia de persistência, principalmente em horizontes superiores a um passo. Conclui-se que a abordagem proposta é adequada como componente preditivo para o CSTR analisado, respeitando os limites do conjunto de dados utilizado. Entretanto, o modelo desenvolvido não constitui, por si só, um gêmeo digital completo, pois não inclui integração em tempo real com uma planta física, monitoramento operacional contínuo ou atuação automática sobre o processo.