Modelagem preditiva do armazenamento adsortivo de gás natural utilizando aprendizado de máquina

Resumo

O presente trabalho propõe um modelo preditivo baseado em aprendizado de máquina para o processo de armazenamento adsortivo de gás natural (ANG), uma técnica promissora por operar em pressões moderadas e com maior segurança em relação aos métodos tradicionais. Utilizou-se regressão linear e polinomial, ajustadas a dados experimentais obtidos em ensaios com metano e carvões ativados (CAQ1 e CAQ2), considerando como variáveis de interesse a pressão, temperatura e capacidade adsortiva ao longo do tempo. A metodologia adotou segmentação temporal, com regressão linear nos regimes iniciais e polinomial nos trechos não lineares, além de validação cruzada e avaliação por métricas estatísticas (MAE, RMSE, R², MAPE). Para a análise comparativa, o modelo foi confrontado exclusivamente com o modelo fenomenológico de Wakao-Smith, considerado referência pela literatura (SALES, 2009). Os resultados indicaram que o modelo proposto apresenta menor erro médio e melhor capacidade de previsão em comparação ao modelo clássico, especialmente nas variáveis pressão e adsorvidade. Tais resultados evidenciam a viabilidade do uso de técnicas de aprendizado de máquina como ferramenta robusta para a modelagem de sistemas adsortivos, com potencial para superar modelos tradicionais em precisão e adaptabilidade.