ESPECTROSCOPIA DE INFRAVERMELHO PRÓXIMO (NIR) E ALGORÍTMOS DE MACHINE LEARNING PARA CLASSIFICAÇÃO E QUANTIFICAÇÃO AÇÚCARES PRESENTES EM CALDO HIDROLISADO OBTIDOS DO RESÍDUO DE BIOMASSA

A espectroscopia no infravermelho próximo (NIR) combinada a métodos quimiométricos e algoritmos de machine learning (ML) têm se destacado em aplicações industriais, especialmente no monitoramento de propriedades físico-químicas. Entre elas, cita-se a predição de teores de monossacarídeos, como glicose, xilose, galactose, manose, arabinose e celobiose, obtidos em processos de hidrolise da biomassa lignocelulósica. Este estudo teve como objetivo desenvolver modelos de ML para classificar e quantificar açúcares obtidos ao final desse processo. Para isso, o banco de dados espectral, referente às soluções aquosas dos padrões açúcares supracitados, foi obtido por espectrômetro FT-NIR Bruker MPA®, em transmitância, com concentrações entre 1000 e 5000 ppm. O banco de dados foi construído para os açúcares puros como também para soluções multicomponentes. Em seguida os espectros foram organizados em classes segundo o tipo de açúcar e submetidos a processo de pré-tratamento para destacar o efeito da concentração e do tipo de açúcar no sinal espectral. Para classificação, foi avaliado os métodos de Random Forest e um modelo de Rede Neural Convolucional unidimensional. Em seguida, os espectros foram utilizados para ajuste dos modelos de regressão utilizando mínimos quadrados parciais (PLS). Os modelos apresentaram boa acurácia e precisão tanto na classificação dos açúcares puros (99% de acerto), como também na identificação dos açúcares presentes em misturas de multicomponentes (97% de acerto). Os modelos de regressão PLS também apresentaram boas métricas de avaliação na predição da concentração dos açúcares puros ou em soluções de multicomponentes (R² superior a 0,96). O estudo comprova a eficiência da metodologia apresentada para um processo industrial, ressaltando a capacidade de distinguir estereoisômeros tais como glicose, galactose e manose com a mesma precisão. Além disso, a técnica pode ser ampliada para identificação de outros componentes presentes no mesmo processo.