Para citar este trabalho use um dos padrões abaixo:
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.
Visualizações por mês
Contagem da Galoá, excluindo robôs conhecidos. Atualizado em 30/09/2026.
Visualizações por mês
Contagem da Galoá, excluindo robôs conhecidos. Atualizado em 30/09/2026.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo