To cite this paper use one of the standards below:
Este trabalho apresenta o desenvolvimento de uma Rede Neural Artificial como modelo substituto para predição rápida do desempenho em colunas de adsorção em leito fixo. O objetivo é reduzir o custo computacional associado a simulações e otimizações baseadas em modelos matemáticos rigorosos, que podem se tornar inviáveis em triagens de grande escala. Foi implementado um sistema em Python utilizando TensorFlow/Keras, treinado com aproximadamente 1 milhão de amostras geradas por solução numérica de um modelo 1D baseado em balanços de massa e energia. A rede recebe 22 parâmetros de entrada e prediz perfis ao longo do leito de C(z), q(z) e T(z), além da variável acumulada Qtot(t) ao longo do tempo. Os hiperparâmetros foram ajustados automaticamente com o Keras Tuner visando minimizar o erro de validação. Na validação por blocos, o modelo apresentou R² entre 0,9737 e 0,9936, com melhor desempenho nos perfis C(z), q(z) e T(z) e maior discrepância em Qtot(t), por ser uma grandeza acumulada. Os resultados indicam que a abordagem é promissora para acelerar predições com menor custo computacional, mantendo boa fidelidade às tendências do sistema.
Views per month
Galoá count, excluding known robots. Updated on 30/09/2026.
Views per month
Galoá count, excluding known robots. Updated on 30/09/2026.
With nearly 200,000 papers published, Galoá empowers scholars to share and discover cutting-edge research through our streamlined and accessible academic publishing platform.
Learn more about our products:
This proceedings is identified by a DOI , for use in citations or bibliographic references. Attention: this is not a DOI for the paper and as such cannot be used in Lattes to identify a particular work.
Check the link "How to cite" in the paper's page, to see how to properly cite the paper