Detalhes bibliográficos
| Ano de defesa: |
2014 |
| Autor(a) principal: |
BRITO, Lívia Rodrigues e |
| Orientador(a): |
PIMENTEL, Maria Fernanda |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal de Pernambuco
|
| Programa de Pós-Graduação: |
Programa de Pos Graduacao em Quimica
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://repositorio.ufpe.br/handle/123456789/17177
|
Resumo: |
A adição de aditivos detergentes dispersantes nas gasolinas brasileiras será obrigatória a partir de julho de 2015. É necessário, portanto, desenvolver uma metodologia que permita quantificar esses aditivos para verificar o cumprimento da lei. Neste trabalho, é proposto um método que associa a técnica do ring-oven com as imagens hiperespectrais no infravermelho próximo (NIR-HI). Como os aditivos são adicionados em baixas concentrações, a técnica do ring-oven foi empregada para concentrá-los previamente à análise por NIR-HI. Anéis foram produzidos a partir de amostras de gasolinas comum adicionadas dos aditivos (denominados G, T, W e Y) fornecidos pela Agência Nacional do Petróleo, Gás Natural e Biocombustíveis (ANP) e as imagens adquiridas utilizando uma câmera hiperespectral (SisuCHEMA). Três estratégias de extração dos espectros do anel foram testadas a fim de se escolher a mais rápida e objetiva. A estratégia escolhida se baseia nos histogramas dos escores da primeira componente principal das imagens analisadas individualmente. Modelos de calibração individuais para cada aditivo foram construídos empregando a regressão por mínimos quadrados parciais (PLS), por isso, fez-se necessária uma etapa prévia de classificação. O melhor resultado para classificação foi obtido empregando a análise discriminante linear (LDA) associada ao algoritmo genético (GA) para seleção de variáveis, o qual apresentou uma taxa de classificações corretas de 92,31 %. Observou-se que a maioria dos erros de classificação envolveram amostras dos aditivos G e W. Um único modelo de regressão para esses dois aditivos foi, então, construído e seu erro foi equivalente aos dos modelos individuais. Os modelos de regressão apresentaram erros médios de predição entre 2 e 15 %. Esses resultados mostram que a metodologia proposta pode ser utilizada para determinar as concentrações dos aditivos com confiabilidade e garantir que eles estão sendo adicionados conforme a lei. |
