PREVISÃO DA FORMULAÇÃO DE MICROEMULSÕES PARA REDUÇÃO SIMULTÂNEA DE TOG E SALINIDADE DA ÁGUA PRODUZIDA DO PETRÓLEO USANDO REDES NEURAIS ARTIFICIAIS

O tratamento de água produzida (AP) constitui um desafio contínuo para a indústria do petróleo devido ao seu elevado volume e à presença de contaminantes tóxicos com efeitos adversos ao ecossistema. As microemulsões formuladas com tensoativo, fase oleosa, fase aquosa e, eventualmente, cotensoativos, têm sido eficazes na redução de poluentes como sais e óleos e graxas. No entanto, a definição precisa das proporções dos componentes da microemulsão para atingir as eficiências desejadas de redução desses contaminantes ainda depende exclusivamente de métodos experimentais. Para contornar essa limitação, as redes neurais artificiais (RNAs) surgem como uma ferramenta promissora por sua capacidade de modelar relações complexas e não lineares entre variáveis experimentais de maneira mais eficiente e rápida. Além disso, para o nosso conhecimento, não há trabalhos anteriores que integram RNAs e microemulsões para o tratamento de AP. Este estudo desenvolveu uma RNA do tipo feedforward com retropropagação (algoritmo de Levenberg-Marquardt), com duas entradas (eficiências de remoção do teor de óleos e graxas (TOG) e salinidade) e três saídas (razão cotensoativo/tensoativo, fase oleosa e fase aquosa). A arquitetura 2-4-3 (camada de entrada – quatro neurônios na camada oculta – camada de saída) apresentou o melhor desempenho, com raiz quadrada do erro quadrático médio (RMSE) de 0,048 e coeficiente de regressão (R²) de 0,98, evidenciando a adequação da abordagem para a predição da composição de microemulsões voltadas ao tratamento de AP.