META-HEURÍSTICOS E MÁQUINAS DE APRENDIZAGEM EM LINGUAGEM PYTHON PARA OTIMIZAÇÃO E CONSTRUÇÃO DE ANALISADORES VIRTUAIS NA OPERAÇÃO DE REDE DE REATORES COM REAÇÕES COMPLEXAS

A Indústria 4.0, impulsionada pelo cloud computing e aprendizado de máquina (ML), tem promovido  avanços significativos na detecção de falhas e na inferência de variáveis complexas em processos químicos. Nesse contexto, este trabalho apresenta a simulação e otimização da reação de Denbigh em uma superestrutura de reatores CSTR e PFR, utilizando os algoritmos metaheurísticos Particle Swarm Optimization (PSO) e Genetic Algorithm (GA) para maximizar o seletividade do produto de interesse, o que resultou na convergência para uma configuração de PFR em série com CSTR. A partir dos dados simulados, desenvolveu-se um detector de falhas e um sensor virtual empregando as técnicas Random Forest (RF), Multilayer Perceptron (MLP) e Support Vector Machine (SVM). Os resultados do sensor virtual indicaram a superioridade do modelo RF (R2: 0,9973; MSE: 0,0027), superando significativamente MLP e SVM. Na detecção de falhas, RF e SVM apresentaram desempenhos significativos, com F1-score de 1,00, demonstrando que a integração de técnicas de ML à engenharia de reações constitui uma estratégia robusta para a otimização e monitoramento de processos industriais.