MACHINE LEARNING APLICADA À PRODUÇÃO DE ETANOL DE SEGUNDA GERAÇÃO

A produção de etanol de segunda geração a partir da palha de cana-de-açúcar é uma alternativa promissora para ampliar a oferta de biocombustíveis sem expansão de área agrícola. No entanto, o processo ainda enfrenta desafios técnico-econômicos nas etapas de pré-tratamento e hidrólise enzimática. Neste trabalho, desenvolveu-se uma ferramenta computacional em “Python” baseada em modelo híbrido (“surrogate model”), para identificar condições operacionais que maximizem a conversão da biomassa. A metodologia integrou revisão e tratamento dos dados, modelagem híbrida baseada em redes neurais (biblioteca “TensorFlow”) e incorporação de restrições físico-químicas para garantir predições consistentes. Os modelos foram incorporados em uma interface interativa, denominada “Ethanol AI”, construída usando o framework “Streamlit”, permitindo simular diferentes cenários de processo, comparar métricas de desempenho e visualizar perfis de concentração ao longo do tempo. O desempenho dos modelos foi avaliado em gráficos de paridade que indicaram elevada correlação entre os valores preditos e os dados de referência, com coeficientes de determinação (R²) próximos de 0,98 para todas as variáveis simuladas. Como principal resultado, obteve-se um software funcional, reutilizável e expansível, capaz de apoiar decisões de operação nas etapas estudadas e de receber novos dados experimentais e modelos para aumentar sua capacidade preditiva em diferentes biomassas lignocelulósicas.