MODELING AND SIMULATION OF BIODIESEL PRODUCTION VIA TRANSESTERIFICATION USING ETHANOL: AN EXPERIMENTAL STUDY
REGISTRO DOI: 10.69849/revistaft/ar10202409232239
Edilson de Oliveira Junior1
Beatriz Sachetti Lourenço2
Sandra Regina Alves Confort3
Cristiane de Souza Siqueira Pereira4
Resumo
Este estudo investiga a produção de biodiesel via transesterificação utilizando etanol e óleo residual, com hidróxido de sódio (NaOH) como catalisador. A reação foi modelada e simulada em um reator batelada, considerando variações de temperatura. As constantes cinéticas foram determinadas a partir de dados experimentais, e as equações diferenciais ordinárias (EDO) foram resolvidas utilizando Python. Os resultados das simulações mostraram a influência das condições experimentais na produção de biodiesel. Além disso, o estudo propõe a aplicação de técnicas de Inteligência Artificial (IA) para prever a produção de biodiesel com base em diferentes condições experimentais. A IA será treinada com um conjunto de dados maior, dividido em treino e teste, para melhorar a precisão das previsões e otimizar o processo de produção. Este trabalho representa um avanço significativo na modelagem e otimização da produção de biodiesel, destacando o potencial da IA para identificar condições ideais de reação.
Palavras-chave: Biodiesel. Cinética. Modelagem.
1 INTRODUÇÃO
A produção de biodiesel a partir de etanol é uma alternativa promissora para a obtenção de combustíveis renováveis e sustentáveis. No entanto, a reação de transesterificação, essencial para a produção de biodiesel, pode ser comprometida por fatores como a saponificação, que impede a separação adequada dos produtos, glicerina e biodiesel. No laboratório da Univassouras, a produção de biodiesel com etanol foi inviabilizada devido à saponificação e à falta de separação das fases, resultando na não geração de biodiesel. Este estudo visa abordar esses desafios através da modelagem cinética, permitindo a identificação e otimização das condições experimentais para a produção eficiente de biodiesel.
O biodiesel tem sido destacado como uma alternativa mais sustentável em comparação aos combustíveis fósseis, uma vez que sua principal matéria-prima, os triglicerídeos, é geralmente obtida através do cultivo de vegetais. Durante a fotossíntese, as folhas das plantas absorvem dióxido de carbono (CO₂) presente no ambiente. O carbono assimilado é utilizado na formação de todas as partes das plantas, incluindo os grãos que contêm óleo. Quando o óleo é convertido em biodiesel e utilizado como combustível, a queima libera CO₂ de volta ao meio ambiente. Este ciclo resulta em uma emissão líquida de CO₂ nula, e a emissão total de gases de efeito estufa é reduzida em aproximadamente 78% ao longo do ciclo de vida do biodiesel, em comparação com o diesel convencional. Isso ocorre porque todo o CO₂ emitido durante a combustão é reutilizado pelas plantas na produção de novo óleo (Tyson, 2001).
Atualmente, a rota mais utilizada para produção de biodiesel é através da reação de transesterificação, exemplificada na Figura 1, que pode, ou não, ser antecedida por uma etapa de pré-tratamento, a depender do índice de acidez do óleo e do tipo de catalisador utilizado (ISTC, 2006).
Figura 1 – Reação genérica de transesterificação para formação do biodiesel
A reação de transesterificação é de caráter reversível, sendo necessário um excesso de álcool na reação (1:6 molar) para aumentar o rendimento de alquil ésteres e permitir a formação de uma fase separada de glicerol. O álcool mais utilizado na obtenção do biodiesel é o metanol, que promove melhores rendimentos. Considerando que o Brasil é um dos maiores produtores de álcool etílico (etanol) no mundo, há um estímulo para a substituição do metanol pelo etanol, gerando um combustível agrícola totalmente independente do petróleo.
Variáveis como tipos de catalisadores, temperatura, razão molar óleo: álcool e o tipo de álcool utilizado afetam o rendimento da produção de biodiesel. Neste contexto, o uso de ferramentas computacionais para configurar e avaliar futuras plantas de biodiesel tem se mostrado muito importante. Esse tipo de ferramenta possibilita uma avaliação integrada do processo, favorecendo sua otimização (DABDOUB, BRONZEL e RAMPIN, 2009).
O objetivo deste trabalho é investigar e otimizar a produção de biodiesel a partir de etanol e óleo residual, utilizando hidróxido de sódio (NaOH) como catalisador. Através da modelagem cinética e simulação numérica, busca-se identificar as condições experimentais ideais para maximizar a produção de biodiesel, minimizando problemas como a saponificação e a falta de separação das fases, observados em experimentos realizados no laboratório da Univassouras. Além disso, o estudo propõe a aplicação de técnicas de Inteligência Artificial (IA) para prever a produção de biodiesel sob diferentes condições experimentais, visando aprimorar a eficiência do processo e fornecer uma base para futuras otimizações.
2 METODOLOGIA
Inicialmente, foram realizadas diversas análises experimentais para a produção de biodiesel utilizando etanol, seguindo o método a seguir: O óleo residual é coletado em recipiente plástico. Após decantação, o óleo residual é submetido à avaliação da presença de água por aquecimento a 80ºC. Em seguida, o óleo é submetido à reação de transesterificação com etanol hidratado em meio alcalino, utilizando hidróxido de sódio (NaOH) como catalisador (1% da massa de óleo). A reação ocorre sob agitação mecânica a uma temperatura de 55ºC por 40 minutos.
Foram identificadas as condições experimentais críticas, como temperatura, tempo e concentração, que necessitavam de ajustes. Um código foi desenvolvido para iterar sobre diferentes condições experimentais, utilizando a cinética da reação para estimar os produtos obtidos. A modelagem foi realizada considerando um reator batelada, onde o produto obtido é em função do tempo. As equações diferenciais ordinárias (EDO) que modelam a reação foram resolvidas utilizando Python. As constantes cinéticas foram determinadas a partir de dados experimentais para diferentes temperaturas. O código foi projetado para simular a produção de biodiesel sob as condições experimentais citadas acima, gerando uma base de dados com os resultados das simulações.
3 RESULTADOS E DISCUSSÕES OU ANÁLISE DOS DADOS
A produção de biodiesel no laboratório foi inviabilizada devido à ocorrência de saponificação e à falta de separação adequada dos produtos, resultando na não geração de biodiesel. Diante desses desafios, a modelagem cinética tornou-se essencial para obter dados experimentais que permitissem a realização da produção. Através da modelagem, foi possível identificar e otimizar as condições experimentais críticas, como temperatura, tempo e concentração, necessárias para superar os obstáculos encontrados e viabilizar a produção de biodiesel.
A transesterificação é a reação entre triglicerídeos e um álcool, na presença de um catalisador, formando biodiesel e glicerol. O óleo vegetal e etanol foram utilizados a temperaturas de 55°C a 65°C, com NaOH como catalisador.
A equação geral da reação pode ser representada da seguinte forma:
As equações modelam as mudanças nas concentrações de triglicerídeos (TG), álcool (A), biodiesel (BD) e glicerol (G) ao longo do tempo. As reações químicas são representadas pelas seguintes equações diferenciais:
Essas equações foram implementadas utilizando bibliotecas numéricas. A constante cinética (k) varia com a temperatura e é um fator crucial para a taxa de reação. Os valores experimentais utilizados neste estudo são:
Esses valores foram usados para resolver as equações diferenciais e determinar a quantidade de biodiesel produzido. As equações diferenciais foram resolvidas numericamente usando o método de Runge-Kutta de quarta ordem (RK4). Para a implementação, foram utilizadas as bibliotecas Python SciPy (para ‘odeint’) e NumPy (para cálculos numéricos). A simulação foi realizada em intervalos de 1 minuto durante 1 hora de reação. Essas ferramentas permitiram prever a quantidade final de biodiesel produzido para diferentes temperaturas. A tabela a seguir apresenta os resultados das simulações e a quantidade de biodiesel gerado:
Tabela 1 – Resultados da Simulação da Produção de Biodiesel
| Transesterificação | Óleo | Etanol (g) | NaOH | Biodiesel (g) |
| 55 | 500 | 136,497 | 8,3 | 494,9152543 |
| 55 | 500 | 136,497 | 9,15 | 494,9152543 |
| 55 | 500 | 136,497 | 8,3 | 494,9152543 |
| 60 | 300 | 47,4347 | 3 | 295,6605564 |
| 65 | 300 | 47,531 | 3 | 296,372237 |
| 55 | 300 | 47,4416 | 3 | 291,1932137 |
| 60 | 300 | 47,4617 | 3 | 295,7089771 |
| 60 | 300 | 94,8597 | 3 | 296,9491525 |
| 60 | 300 | 189,7261 | 3 | 296,9491525 |
| 60 | 300 | 47,4617 | 3 | 295,7089771 |
| 60 | 300 | 94,8597 | 3 | 296,9491525 |
| 65 | 300 | 189,7341 | 3 | 296,9491525 |
| 65 | 300 | 94,9125 | 3 | 296,9491525 |
Fonte – Autor
Para implementar a IA, utilizaremos um conjunto de dados maior, que será dividido em dois subconjuntos: treino e teste. A divisão típica é de 80% dos dados para treino e 20% para teste. O conjunto de treino será usado para ensinar o modelo de IA a associar condições experimentais aos resultados obtidos, enquanto o conjunto de teste será usado para avaliar a precisão do modelo. Espera-se que a aplicação de IA permita prever com maior precisão a produção de biodiesel sob diferentes condições experimentais. Isso pode ajudar a otimizar o processo de produção, identificando as condições ideais para maximizar a produção de biodiesel. A integração de técnicas de IA no estudo da produção de biodiesel representa um avanço significativo, permitindo uma análise mais detalhada e precisa das condições experimentais. Trabalhos futuros poderão explorar a aplicação de diferentes modelos de IA e a coleta de um conjunto de dados maior para melhorar ainda mais a precisão das previsões.
4 CONCLUSÃO/CONSIDERAÇÕES FINAIS
Através da modelagem e simulação numérica, utilizando a linguagem Python e bibliotecas numéricas (Numpy), foi possível prever a quantidade de biodiesel produzido sob diferentes condições experimentais. As constantes cinéticas determinadas a partir de dados experimentais foram fundamentais para a resolução das equações diferenciais que modelam a reação de transesterificação. Os resultados das simulações mostraram que a temperatura e a concentração dos reagentes são fatores cruciais para a eficiência da produção de biodiesel.
A aplicação de técnicas de Inteligência Artificial (IA) foi proposta como uma continuação do trabalho, visando aprimorar a previsão da produção de biodiesel e otimizar ainda mais o processo. A IA permitirá identificar padrões complexos nos dados experimentais, proporcionando uma base sólida para futuras otimizações. Além disso, serão realizados mais experimentos no laboratório da Univassouras para produzir biodiesel em escala laboratorial utilizando os parâmetros gerados pela simulação. Esses experimentos permitirão comparar a eficiência e verificar se a produção de biodiesel com etanol será viável na prática.
REFERÊNCIAS
Trejo-Zárraga F, Hernández-Loyo F de J, Chavarría-Hernández JC, et al. (2018) Kinetics of Transesterification Processes for Biodiesel Production. Biofuels – State of Development. InTech. Available at: http://dx.doi.org/10.5772/intechopen.75927
Devaraj Naik B, Udayakumar M Kinetics and thermodynamic analysis of transesterification of waste cooking sunflower oil using bentonite-supported sodium methoxide catalyst. Biomass Conv. Bioref. 13, 9701–9714 (2023). https://doi.org/10.1007/s13399-021-01836-9
Biodiesel: visão crítica do status atual e perspectivas na academia e na indústria; Quim. Nova, Vol. 32, No. 3, 776-792, 2009; (DABDOUB, BRONZEL e RAMPIN, 2009)
SciPy: Jones, E., Oliphant, T., Peterson, P., et al. SciPy: Open source scientific tools for Python, 2001.
NumPy: Harris, C. R., Millman, K. J., van der Walt, S. J., et al. “Array programming with NumPy”. Nature, 2020.
Bibliografia de referência para transesterificação: Ma, F., & Hanna, M. A. (1999). Biodiesel production: a review. Bioresource technology, 70(1), 1-15
Hsiao, M.-C.; Liao, P.-H.; Lan, N.V.; Hou, S.-S. Enhancement of Biodiesel Production from High-Acid-Value Waste Cooking Oil via a Microwave Reactor Using a Homogeneous Alkaline Catalyst. Energies2021, 14, 437. https://doi.org/10.3390/en14020437
1Discente do Curso Superior de Engenharia Química da Universidade de Vassouras Campus Vassouras e-mail: edi.engq@gmail.com
2Discente do Curso Superior de Engenharia Química da Universidade de Vassouras Campus Vassouras e-mail: bsacchettilourenco@gmail.com
3Discente do Mestrado Profissional em Ciências Ambientais da Universidade de Vassouras Campus Vassouras e-mail: sanconfort@yahoo.com.br
4Docente do Curso Superior de Engenharia Química da Universidade de Vassouras Campus Vassouras Mestre em Engenharia Química (UFRRJ). e-mail: cristiane.pereira@univassouras.edu.br