LONG SHORT TERM MEMORY E AUTOENCODER NO DESENVOLVIMENTO DE SOFT-SENSOR PARA PROCESSOS DE FERMENTAÇÃO ALCOÓLICA EM BATELADA

A fermentação alcoólica é um processo biológico  no qual converte açúcares simples em compostos de interesse comercial, como o etanol, sendo o Brasil em 2024, responsável por uma produção de 36,83 bilhões de litros. O processo é influenciado por variáveis como: concentração de açúcares, tempo de alimentação, temperatura e pH, o que dificulta seu controle e a utilização de sensores físicos ou análises laboratoriais. Como alternativa, os Soft-Sensors (SS) que  utilizam de inferência a partir modelos empíricos baseados em máquinas de aprendizado baseadas em inteligência artificial como as  redes neurais artificiais (RNAs) e as mais especificamente as redes profundas  Deep Learning (DL) como a Long Short Term Memory (LSTM) uma vez que em processos de batelada alimentada, como é o caso da fermentação alcoólica desafio incorporar a variável tempo aos modelos empíricos ainda é um desafio. É comum na construção de SS surgirem problemas relacionados a dimensionalidade e não linearidade dos dados sendo a utilização de Autoencoders (AE), que são  redes de Deep Learning (DL) não supervisionadas, utilizada para essa finalidade. Dessa forma, esse trabalho explorou o uso de RNAs,  LSTM e LSTM-AE  na construção de estratégias para elaboração de SS. Dentre os  resultados obtidos, evidenciado pelas métricas de avaliação  R², RMSE e MAE onde a abordagem da LSTM obteve  0,9973, 0,4336 e 0,3055 e a abordagem do modelo LSTM-AE 0,9551, 1,7722 e 1,5242, respectivamente. Embora as duas abordagens tenham obtido bons resultados na incorporação da variável tempo para inferência das variáveis, ainda pode-se notar que o modelo LSTM-AE manteve uma boa precisão apesar da quantidade menor de informações, sendo ideal para aplicações que exigem alta eficiência computacional.