Otimização de reações químicas com machine learning

O trabalho propõe usar técnicas de Deep Learning para otimizar reações químicas em reatores contínuos agitados (CSTR), superando limitações de métodos empíricos (OFAT, DOE) em problemas de alta dimensionalidade. Adota-se o modelo de CSTR e formulam-se os balanços molares e de energia do sistema para prever conversão e rendimento. A cinética é modelada pelo mecanismo de Langmuir–Hinshelwood, com taxa dependente de constantes cinéticas e de adsorção cuja dependência térmica segue as equações de Svante Arrhenius e de Jacobus Henricus van 't Hoff. Dados sintéticos (variando temperatura, concentrações, catalisador e tempo) são gerados com ruído gaussiano e divididos em treino/validação/teste, arquiteturas avaliadas incluem redes feedforward, CNN e RNN, com MAE entre as métricas. Resultados preliminares mostram boa aproximação pela rede feedforward e potencial das CNNs e RNNs para extrair padrões multidimensionais.