Otimização do Processo de Gaseificação de Biomassa para Produção de Hidrogênio Usando Redes Neurais Agregadas

Kenny Yusimy Garcia Angarita; Henrique Raymundo Gioia

DOI: 10.22167/2675-6528-202603113

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A matriz mundial de produção de hidrogênio ainda é dependente em 98% de fontes fósseis, gerando um passivo ambiental de aproximadamente 9 kg de CO2 para cada kg de H2 produzido. No cenário brasileiro, a gaseificação do bagaço de cana-de-açúcar surge como uma alternativa de baixo carbono, porém a complexidade e a não-linearidade das reações termoquímicas dificultam o controle e a maximização do rendimento por métodos convencionais. O estudo objetivou identificar parâmetros operacionais ótimos para a gaseificação de biomassa, visando maximizar a fração molar de hidrogênio, por meio de uma abordagem computacional integrada que combinou simulação termodinâmica e técnicas de inteligência artificial. Para tal, o processo de gaseificação foi simulado no software Aspen Plus e, após validação com dados da literatura, gerou uma base de dados de 1.000 cenários por amostragem via hipercubo latino. Esses dados alimentaram um metamodelo de redes neurais agregadas por bootstrap (BANN) com 57 neurônios, seguido da aplicação do algoritmo de otimização por enxame de partículas (PSO) para a busca do ótimo global. O metamodelo alcançou um coeficiente de determinação R² de 0,9902 no conjunto de teste, indicando elevada capacidade preditiva. A otimização revelou que a fração molar de hidrogênio pode atingir 67,54% após enriquecido por meio da reação de deslocamento do gás de água (WGS) sob condições de 857,12 °C e razão de equivalência (ER) de 0,10. A integração BANN-PSO reduziu o custo computacional da otimização em aproximadamente 5.400 vezes em relação à simulação direta no Aspen Plus, identificando condições operacionais que maximizam a fração molar de hidrogênio para 67,54% na entrada da PSA. Ao integrar modelagem termodinâmica, aprendizado de máquina, otimização metaheurística e técnicas de interpretabilidade, o estudo contribuiu para o avanço metodológico na análise e intensificação de processos de produção de hidrogênio a partir de biomassa, oferecendo uma estrutura computacional reprodutível e aplicável a sistemas energéticos complexos no contexto da transição energética.

Palavras-chave: Aprendizado de máquina; Bagaço de cana; Gás de síntese; Meta-heurística; Sustentabilidade.

1. Introdução

A transição energética global e a busca por um futuro com baixas emissões de carbono posicionam o hidrogênio como um vetor energético fundamental. Contudo, a produção atual de hidrogênio ainda depende majoritariamente de fontes fósseis, sendo responsável pela emissão de aproximadamente nove quilogramas de dióxido de carbono para cada quilograma de hidrogênio produzido (Lepage et al., 2021). Apenas dois por cento da produção provém de recursos renováveis, principalmente da eletrólise da água, com uso ainda limitado de biomassa vegetal ou algas em escala industrial. Este cenário reforça a urgência em desenvolver rotas sustentáveis para a produção de hidrogênio, e a biomassa emerge como uma fonte de carbono renovável e abundante, especialmente no Brasil, onde a cana-de-açúcar oferece grande potencial devido ao seu cultivo e à geração de coprodutos como o bagaço (Obiora et al., 2024).

Os processos para produção de energia a partir da biomassa podem ser classificados em termoquímicos, biológicos e eletroquímicos (Cao et al., 2020; Phan et al., 2022). Dentre essas categorias, a gaseificação termoquímica destaca-se pelo maior rendimento energético e grau de maturidade tecnológica. Este processo converte a biomassa sólida em um gás de síntese, composto majoritariamente por hidrogênio e monóxido de carbono, além de dióxido de carbono, metano e traços de outros hidrocarbonetos leves. O gás de síntese pode ser subsequentemente enriquecido pela reação de deslocamento do gás de água, que eleva a fração de hidrogênio à custa da conversão de monóxido de carbono em dióxido de carbono, e purificado por sistemas de adsorção por oscilação de pressão.

Apesar do potencial da gaseificação, a complexidade e a não-linearidade das reações termoquímicas dificultam o controle e a maximização do rendimento por métodos convencionais. A pesquisa atual foca na otimização dessa rota, com estudos recentes (Mohanty et al., 2025; Sun et al., 2025) buscando melhorar a qualidade do gás de síntese e enfatizando a importância de fatores como temperatura, pressão e seleção do agente de gaseificação. No entanto, a maioria dessas abordagens baseia-se em análises paramétricas ou otimizações pontuais, frequentemente desconsiderando a integração entre simulação termodinâmica detalhada, técnicas avançadas de aprendizado de máquina e métodos de otimização global. Além disso, poucos trabalhos incorporam explicitamente a etapa de purificação via adsorção por oscilação de pressão como parte da função objetivo de otimização, limitando a análise à composição do gás de síntese bruto e não ao hidrogênio efetivamente disponível para uso.

Abordagens baseadas em redes neurais artificiais têm sido empregadas para modelagem de sistemas de gaseificação, demonstrando capacidade de capturar relações não lineares complexas (Sun et al., 2025). Contudo, redes neurais simples podem apresentar elevada variância preditiva, especialmente em domínios com forte não linearidade e múltiplas interações entre variáveis. Nesse contexto, a técnica de bootstrap aggregation aplicada a redes neurais, conhecida como redes neurais agregadas por bootstrap, surge como uma alternativa promissora para aumentar a robustez estatística e reduzir o risco de sobreajuste.

Diante dessas lacunas, o presente trabalho propõe o desenvolvimento de uma metodologia computacional integrada que combina simulação termodinâmica no software Aspen Plus, amostragem via hipercubo latino, modelagem baseada em redes neurais agregadas por bootstrap, otimização global por enxame de partículas e análise de interpretabilidade por Shapley Additive Explanations. Esta abordagem visa superar as limitações das metodologias convencionais, oferecendo uma ferramenta mais robusta e eficiente para a otimização de processos de gaseificação de biomassa. A integração de modelagem termodinâmica, aprendizado de máquina, otimização meta-heurística e técnicas de interpretabilidade contribui para o avanço metodológico na análise e intensificação de processos de produção de hidrogênio a partir de biomassa, oferecendo uma estrutura computacional reprodutível e aplicável a sistemas energéticos complexos no contexto da transição energética.

Assim, o presente estudo justifica-se pela necessidade de desenvolver e viabilizar rotas sustentáveis para a produção de hidrogênio, utilizando o bagaço de cana-de-açúcar como matéria-prima. O objetivo central é maximizar a fração molar de hidrogênio na corrente de alimentação da unidade de adsorção por oscilação de pressão, incorporando simultaneamente coerência físico-química, robustez estatística e interpretação das variáveis dominantes do processo.

2. Material e Métodos

O presente estudo empregou uma metodologia computacional integrada para a otimização do processo de gaseificação de biomassa. As simulações do processo foram realizadas no software Aspen Plus (versão 15.0). Os modelos de aprendizado de máquina foram desenvolvidos e analisados em linguagem Python (versão 3.11), utilizando a biblioteca Scikit-Learn (versão 1.4.0). A interpretabilidade dos resultados foi viabilizada pela biblioteca SHAP (versão 0.44.1). Todo o processamento computacional foi executado em uma estação de trabalho equipada com um processador Intel Core™ i7 (8ª geração) e 32 GB de memória RAM.

A modelagem termodinâmica baseou-se em uma abordagem de equilíbrio não-estequiométrico, fundamentada na minimização da energia livre de Gibbs total do sistema. Para estimar as propriedades termoquímicas do bagaço de cana-de-açúcar, utilizaram-se análises ultimate e proximate obtidas na literatura (Motta et al., 2022), o que permitiu definir a biomassa como um componente “não convencional” no simulador. O pacote termodinâmico adotado foi o Peng-Robinson com modificação de Boston-Mathias (PR-BM), adequado para gases não polares e processos sob alta temperatura (Fawad et al., 2025; Motta et al., 2022).

O processo de gaseificação foi simulado em etapas sequenciais. Inicialmente, o bagaço de cana-de-açúcar foi decomposto em seus elementos químicos constituintes em um reator estequiométrico (DECOMP). Esta etapa utilizou dados de análise ultimate e proximate, entalpia de formação e densidade do componente não convencional, calculadas pelos métodos de propriedades HCOALGEN e DCOALIGT (Fawad et al., 2025; Phan et al., 2022). A etapa de gaseificação compreendeu os blocos DECOMP, C-SEP, GASIF1 e GASIF2, que converteram o fluxo de biomassa não convencional em componentes convencionais.

O fluxo elementar resultante foi direcionado para o estágio de gaseificação, modelado usando a minimização da energia livre de Gibbs (GASIF1). O equilíbrio das reações de deslocamento do gás de água (WGS) e reforma do metano foi restringido usando abordagens de temperatura (-90 °C e -265 °C), conforme sugerido em pesquisas anteriores para levar em conta as limitações cinéticas do processo (Doherty et al., 2013). O gás de síntese produzido foi separado do carvão e das cinzas utilizando um bloco de ciclone (CYCLONE) com eficiência de separação de 85%.

Para o enriquecimento de hidrogênio, o gás resultante foi submetido ao processo de conversão de gás de água em reatores Gibbs adicionais (HTS-WGS e LTS-WGS), com uma aproximação de temperatura de -90 °C para alinhar a conversão ao desempenho de catalisadores industriais. Finalmente, o gás rico em hidrogênio foi condensado (COND) e purificado em uma unidade de adsorção por oscilação de pressão (PSA), projetada para atingir uma pureza molar superior a 99%, removendo impurezas remanescentes.

A geração do banco de dados foi realizada por amostragem via hipercubo latino (LHS), totalizando 1.000 cenários operacionais, técnica amplamente utilizada na geração de bases de dados para metamodelagem de processos (Helton e Davis, 2003). As variáveis de decisão (entradas do metamodelo) incluíram temperatura do gaseificador (500-1000 °C), pressão do gaseificador (1-15 bar), razão vapor/biomassa (0,5-4,0, base molar), razão de equivalência (0,1-0,4), vazão de água na etapa WGS (10-50 kg/h), temperaturas dos reatores HTS-WGS (350-570 °C) e LTS-WGS (210-270 °C), e temperatura do condensador antes da PSA (5-50 °C).

Os intervalos dessas variáveis foram definidos com base em faixas reportadas na literatura (Phan et al., 2022; Motta et al., 2022) e limites operacionais plausíveis para a simulação em Aspen Plus. Cenários que não convergiram ou apresentaram resultados não físicos foram descartados antes do treinamento do metamodelo. As saídas coletadas, que serviram como variáveis alvo para o treinamento supervisionado, foram as composições molares do gás de síntese e a composição molar de hidrogênio.

Para evitar vieses decorrentes das diferentes escalas de magnitude das variáveis, aplicou-se a técnica de padronização pelo método Z-score em todas as variáveis de entrada e saída. Após a padronização, o conjunto de dados foi particionado em treinamento (70%), validação (15%) e teste (15%), correspondendo a 700, 150 e 150 amostras, respectivamente. A amostragem aleatória com semente fixa (random_state = 42) foi utilizada para assegurar a reprodutibilidade e a avaliação do modelo em dados inéditos.

Para a predição das variáveis de desempenho do processo, adotou-se um metamodelo de redes neurais agregadas por bootstrap (BANN). Inicialmente, uma rede neural artificial (ANN) com arquitetura Multilayer Perceptron (MLP) foi empregada, utilizando a função de ativação tangente hiperbólica (tanh). Para mitigar a alta variância e sensibilidade a ruídos de redes neurais individuais, implementou-se a técnica de Ensemble Learning denominada Bootstrap Aggregating (Bagging).

Nesta abordagem, foram gerados 10 subconjuntos de treinamento distintos por meio de amostragem aleatória com reposição (bootstrapping). Para cada subconjunto, uma rede neural independente foi treinada. A predição final do metamodelo BANN para cada cenário de entrada foi obtida pela média aritmética das predições das 10 redes neurais treinadas no ensemble. A arquitetura desenvolvida consistiu em uma única camada oculta com 57 neurônios, número determinado por um estudo sistemático de topologia, buscando o melhor equilíbrio entre capacidade de ajuste e generalização.

O ajuste dos pesos foi realizado pelo otimizador estocástico Adam, com um limite máximo de 2.000 iterações. O número de estimadores no ensemble (M = 10) foi determinado por meio de um estudo de sensibilidade, avaliando o erro quadrático médio no conjunto de validação. A adoção de uma arquitetura com camada oculta única, em vez de redes profundas, baseou-se na adequação para superfícies de resposta geradas por simulação termodinâmica de equilíbrio, contínuas e sem descontinuidades abruptas (Hornik et al., 1989).

A validação do desempenho preditivo e da capacidade de generalização do metamodelo BANN foi conduzida mediante a comparação entre os valores preditos e os valores observados na simulação. Para quantificar a acurácia, adotaram-se três critérios estatísticos fundamentais: o Coeficiente de Determinação (R²), a Raiz do Erro Quadrático Médio (RMSE) e a análise gráfica dos resíduos (Haq et al., 2025; Tuntiwongwat et al., 2025). A análise de resíduos foi realizada para verificar a homoscedasticidade do modelo e a ausência de padrões sistemáticos.

Para a busca das condições operacionais ótimas, utilizou-se o algoritmo de Otimização por Enxame de Partículas (PSO), uma técnica de meta-heurística selecionada por sua eficiência em encontrar mínimos globais em espaços de busca multidimensionais e não lineares (Medeiros et al., 2016). A função objetivo do algoritmo foi o valor negativo da fração molar de hidrogênio predita pelo metamodelo BANN, visando maximizar essa fração. O algoritmo PSO foi configurado com uma população de 200 partículas e um número máximo de 150 iterações como critério de parada.

Implementou-se uma estratégia de decaimento linear do peso de inércia (w), com valores de w_max = 0,9 e w_min = 0,4, para equilibrar a exploração e a explotação do espaço de busca. Os coeficientes de aceleração cognitiva (c1) e social (c2) foram fixados em 1,8. A utilização do metamodelo BANN como função objetivo viabilizou computacionalmente a otimização, reduzindo significativamente o tempo de processamento em comparação com a simulação direta no Aspen Plus.

Com o objetivo de compreender os mecanismos internos do metamodelo BANN e quantificar a influência relativa das variáveis operacionais sobre a fração molar de hidrogênio na entrada da PSA, aplicou-se a metodologia Shapley Additive Explanations (SHAP). A análise foi conduzida exclusivamente para a variável alvo, a fração molar de hidrogênio na entrada da PSA. O método Kernel SHAP foi utilizado para estimar a contribuição marginal de cada variável na decomposição da predição do modelo.

A implementação do SHAP foi realizada com um conjunto de referência (background) extraído do conjunto de treinamento padronizado e um subconjunto de amostras para explicação. Isso permitiu estimar as contribuições locais e agregá-las em métricas globais de importância, como a média do valor absoluto. Essa abordagem fortaleceu a interpretação físico-química e a rastreabilidade do ótimo obtido via PSO, garantindo que a análise das variáveis dominantes fosse coerente com os fundamentos do processo.

3. Resultados e Discussão

A presente seção detalha os resultados obtidos no estudo, abrangendo a validação do simulador termodinâmico, a avaliação do desempenho do metamodelo de redes neurais agregadas por bootstrap (BANN) e a otimização das condições operacionais para maximizar a fração molar de hidrogênio, bem como a interpretação das variáveis dominantes do processo. Os achados demonstram a eficácia da abordagem computacional integrada na identificação de parâmetros ótimos e na compreensão dos mecanismos subjacentes à gaseificação de biomassa.

Inicialmente, a fidelidade da simulação de gaseificação foi verificada por meio de uma análise comparativa entre os resultados do modelo e dados experimentais, além de valores simulados reportados na literatura por Motta et al. (2022), especificamente para o bagaço de cana-de-açúcar. As condições de validação incluíram uma temperatura de operação de 836 °C, pressão de 1 bar, razão vapor/biomassa (S/B) de 1,2 e razão de equivalência (ER) de 0,35. Essa comparação revelou uma boa concordância para os principais componentes do gás de síntese.

Para o hidrogênio (H2), monóxido de carbono (CO) e dióxido de carbono (CO2), os desvios relativos observados foram inferiores a 7% e 3%, respectivamente, em relação aos dados experimentais e da literatura. O componente CO, por exemplo, apresentou um desvio de 7,87%, valor considerado aceitável para análises paramétricas e otimização, dadas as simplificações inerentes ao modelo de equilíbrio termodinâmico. Essa consistência valida a capacidade do modelo em representar as tendências operacionais essenciais do processo.

Contudo, a predição da fração de metano (CH4) apresentou um desvio mais elevado, aproximadamente 30%, um comportamento frequentemente observado em modelos de equilíbrio termodinâmico aplicados à gaseificação de biomassa (Motta et al., 2022; Fawad et al., 2025). Essa discrepância é explicada por fatores físico-químicos, uma vez que a formação de CH4 é predominantemente governada por reações cinéticas de hidrogenação heterogênea do carvão e de reforma secundária.

As taxas dessas reações são fortemente dependentes da estrutura porosa da biomassa, do tempo de residência e da temperatura local do leito, fenômenos que o modelo de equilíbrio, por sua natureza, não incorpora. Em condições de equilíbrio termodinâmico a altas temperaturas, a minimização da energia livre de Gibbs tende a subestimar a fração de CH4, pois o equilíbrio favorece a reforma completa do metano. Na prática, limitações cinéticas impedem essa reforma completa, resultando em frações de CH4 superiores às previstas.

Apesar desse desvio para o metano, o comportamento do modelo não compromete a validade para os componentes principais do gás de síntese (H2, CO e CO2), que mantiveram desvios inferiores a 8%. Mais importante, não afeta o objetivo central do trabalho, que é a maximização da fração molar de H2 na entrada da unidade de adsorção por oscilação de pressão (PSA). Os resultados são coerentes com a literatura e considerados adequados para capturar tendências operacionais e otimização, sem a necessidade de reproduzir com exatidão todos os fenômenos cinéticos do processo.

Avaliação e seleção da arquitetura do metamodelo

A avaliação e seleção da arquitetura do metamodelo foram realizadas por meio de uma comparação entre uma rede neural simples (SNN) e um ensemble BANN, composto por dez redes neurais treinadas por bootstrap. O número de estimadores no ensemble, dez, foi determinado empiricamente através de um estudo de sensibilidade, que avaliou o Erro Quadrático Médio (RMSE) no conjunto de validação para um número de estimadores (M) variando de cinco a trinta.

Os resultados desse estudo indicaram uma redução de 5,63% no RMSE ao passar de M = 5 (RMSE = 0,002750) para M = 10 (RMSE = 0,002595). Acima de M = 10, observou-se uma degradação progressiva do desempenho, atingindo RMSE = 0,002683 em M = 30. Esse comportamento sugere que, abaixo de M = 10, a variância do ensemble ainda pode ser reduzida com o aumento da diversidade entre estimadores, enquanto acima desse valor, a redundância entre as redes bootstrap supera o ganho de diversidade.

Portanto, M = 10 representa o ponto de equilíbrio ótimo entre capacidade preditiva e custo computacional de treinamento. A topologia do metamodelo BANN foi definida com uma única camada oculta contendo 57 neurônios, após um estudo sistemático que buscou o melhor equilíbrio entre capacidade de ajuste e generalização. Arquiteturas mais complexas não resultaram em ganhos consistentes de desempenho, validando a suficiência da configuração adotada.

A robustez do modelo preditivo foi confirmada pelas métricas estatísticas, que mostraram um coeficiente de determinação (R²) superior a 0,99 tanto no conjunto de treinamento quanto no de teste. Especificamente, o R² de 0,9902 e o RMSE de 0,0015 no conjunto de teste indicam que o modelo explica mais de 99% da variância no domínio analisado, demonstrando elevada capacidade preditiva e de generalização. A consistência entre as métricas de treinamento e teste confirma que o metamodelo capturou adequadamente a não-linearidade do processo termodinâmico sem sobreajuste.

Para assegurar a ausência de viés sistemático, foi realizada uma análise de resíduos. Os erros de predição mostraram-se distribuídos aleatoriamente em torno de zero, confirmando a homocedasticidade do modelo e a ausência de padrões definidos. Essa robustez estatística do metamodelo BANN é crucial para a confiabilidade das predições e para a subsequente otimização, garantindo que o modelo possa ser aplicado com confiança em dados inéditos e em diferentes cenários operacionais.

Resultados da otimização via PSO

A aplicação do algoritmo de Otimização por Enxame de Partículas (PSO) sobre o metamodelo BANN permitiu identificar as condições operacionais que maximizam a fração molar de hidrogênio na corrente de entrada da unidade de PSA. O algoritmo convergiu para um ótimo global de 67,54% de H2, estabilizando-se antes da iteração 100, demonstrando a eficiência da abordagem integrada BANN-PSO.

As condições operacionais ótimas estimadas pelo algoritmo PSO são: temperatura do gaseificador de 857,12 °C, pressão do gaseificador de 8,09 bar, razão vapor/biomassa (S/B) de 2,13, razão de equivalência (ER) de 0,10, vazão de água na etapa de deslocamento do gás de água (WGS) de 49,98 kg/h, temperatura do reator HTS-WGS de 492,52 °C, temperatura do reator LTS-WGS de 210,03 °C e temperatura do condensador antes da PSA de 5,04 °C. Essas condições revelam um regime operacional específico que favorece a produção de hidrogênio.

A alta temperatura no gaseificador (857,12 °C) favorece as reações endotérmicas de reforma a vapor, essenciais para a produção de H2. A pressão moderada (8,09 bar) contribui para a cinética sem penalizar excessivamente o equilíbrio. A razão S/B de 2,13 indica um fornecimento abundante de vapor, crucial para deslocar as reações de reforma do metano e WGS. Uma razão ER baixa (0,10) aponta para uma operação próxima à pirólise/reforma a vapor, minimizando a oxidação e maximizando a produção de H2.

O excesso de vapor na etapa WGS (49,98 kg/h) impulsiona a conversão de CO em H2. As temperaturas dos reatores WGS (HTS a 492,52 °C e LTS a 210,03 °C) corroboram a estratégia industrial clássica de dois estágios para maximizar a conversão de monóxido de carbono, com a alta temperatura inicial garantindo cinética rápida e a baixa temperatura final favorecendo o equilíbrio termodinâmico da reação exotérmica. O resfriamento intenso no condensador (5,04 °C) maximiza a remoção de água, elevando a fração molar de H2 na corrente seca.

Para validar o ponto ótimo estimado pelo PSO, as condições operacionais identificadas foram inseridas diretamente no simulador Aspen Plus. Metamodelos BANN adicionais foram treinados para CO e CO2 na entrada da PSA, com R² de 0,983 e 0,946 no conjunto de teste, respectivamente. Os desvios relativos para H2 e CO2 foram de 0,14% e 0,59%, respectivamente, ambos inferiores ao RMSE dos modelos correspondentes, confirmando a capacidade de generalização do ensemble para o ponto ótimo.

O componente CO apresentou um desvio relativo de 41,07%; contudo, dado que os valores preditos (0,0030) e simulado (0,0052) são próximos de zero em fração molar, a variabilidade relativa é naturalmente ampliada nessa região. A diferença absoluta de 0,0022 em fração molar não impacta as conclusões do trabalho. Os resultados confirmam que o metamodelo substituto representa fielmente o comportamento do simulador termodinâmico no ponto de operação ótimo, validando a confiabilidade da integração BANN-PSO como ferramenta de otimização de processos.

Análise dos trade-offs termodinâmicos no ponto ótimo

No ponto ótimo, a fração molar de H2 na corrente de alimentação da PSA atingiu 67,54%, evidenciando um elevado grau de enriquecimento após as etapas de gaseificação e WGS. A composição do gás de síntese (syngas) antes da WGS era de 20,78% de H2, 8,12% de CO, 11,70% de CO2 e 6,68% de CH4. Após a etapa WGS, a fração de H2 aumentou para 31,83%, enquanto o CO foi drasticamente reduzido para 0,07%, e o CO2 aumentou para 15,19%.

Essa conversão superior a 99% do CO na etapa WGS demonstra que as condições operacionais selecionadas favorecem fortemente a reação de deslocamento do gás de água, deslocando o equilíbrio termodinâmico no sentido da formação adicional de hidrogênio. Assim, a maximização de H2 está diretamente associada à intensificação da etapa WGS, que utiliza o monóxido de carbono como intermediário reacional.

Entretanto, o aumento da produção de H2 implica um aumento proporcional na formação de CO2, como consequência estequiométrica da reação de deslocamento. Observou-se que a fração molar de CO2 na corrente anterior à PSA é superior àquela em condições operacionais menos intensificadas. Esse comportamento caracteriza um trade-off estrutural do processo, onde o enriquecimento em hidrogênio ocorre à custa da maior geração de dióxido de carbono na fase gasosa.

É fundamental ressaltar que esse aumento de CO2 ocorre antes da etapa de purificação. A unidade de PSA promove a separação do CO2, resultando em uma corrente de produto enriquecida em H2. Dessa forma, o ótimo identificado maximiza a pureza relativa de hidrogênio, mas aumenta a carga de separação associada ao dióxido de carbono, o que pode implicar uma penalização energética indireta na etapa de purificação.

Em relação às emissões de carbono, o processo pode ser classificado como de baixo carbono fóssil líquido, uma vez que o CO2 gerado provém da biomassa, uma fonte renovável cujo carbono foi previamente fixado da atmosfera por fotossíntese (Cao et al., 2020; Obiora et al., 2024). O balanço líquido de carbono fóssil é intrinsecamente favorável em comparação à reforma a vapor do metano, que emite aproximadamente 9 kg de CO2 por kg de H2 produzido (Lepage et al., 2021).

A quantificação precisa das emissões líquidas, considerando transporte, preparo da biomassa e destinação do CO2 de rejeito, constitui uma recomendação para trabalhos futuros com abordagem de análise de ciclo de vida. O ponto ótimo identificado evidencia um trade-off estrutural entre pureza de hidrogênio e poder calorífico do gás de síntese. Em ER = 0,10, o processo opera próximo ao regime de pirólise e reforma a vapor pura, com mínima oxidação da biomassa.

Esse regime favorece a produção de H2, mas implica redução do poder calorífico inferior do syngas bruto, uma vez que espécies energeticamente ricas como CO e CH4 são convertidas em CO2, uma espécie completamente oxidada e energeticamente inerte. A composição do syngas no ponto ótimo (H2 = 20,78%, CO = 8,12%, CH4 = 6,68%) indica que o gás bruto ainda possui conteúdo energético relevante. Contudo, em ER = 0,10, a quantidade de O2 fornecida é mínima, o que pode comprometer o balanço energético autotérmico do gaseificador em escala real, dependendo das perdas térmicas do sistema.

O limite inferior de ER = 0,10 foi estabelecido com base em faixas reportadas na literatura para operação estável do gaseificador (Phan et al., 2022; Motta et al., 2022), sendo o ponto ótimo identificado o máximo de H2 dentro desse domínio operacional seguro. Embora o poder calorífico inferior (LHV) não tenha sido explicitamente calculado neste estudo, a maximização de H2 não implica necessariamente a maximização do conteúdo energético do gás. Esse resultado reforça que o ótimo identificado é específico para H2 na entrada da PSA, e não sob um critério energético global.

Interpretação das variáveis via SHAP

A análise de interpretabilidade via Shapley Additive Explanations (SHAP) revelou a hierarquia de influência das variáveis operacionais sobre a fração molar de hidrogênio na entrada da PSA. A razão de equivalência (ER) emergiu como a variável dominante no modelo, seguida pela razão vapor/biomassa (S/B), vazão de água na etapa WGS, temperatura do condensador antes da PSA e temperatura do reator de deslocamento (LTS).

Esse resultado é fisicamente coerente, pois a ER controla diretamente o grau de oxidação do sistema, influenciando o balanço entre oxidação parcial e reforma a vapor. A disponibilidade de vapor, por sua vez, modulada pela S/B, afeta o deslocamento do equilíbrio da reação WGS. Os gráficos de dependência direcional indicaram que aumentos de ER tendem a reduzir a contribuição positiva para H2, evidenciando que condições mais oxidativas diminuem a fração molar de hidrogênio prevista pelo metamodelo.

Por outro lado, aumentos moderados na S/B contribuem positivamente para H2 até determinado patamar, após o qual se observa uma tendência de saturação, sugerindo um limite termodinâmico para o benefício do excesso de vapor. Embora os valores SHAP representem contribuições estatísticas na predição do metamodelo, e não relações causais diretas, a coerência físico-química observada entre SHAP e a teoria reforça a consistência interna do modelo, fortalecendo a interpretação físico-química e a rastreabilidade do ótimo obtido via PSO.

A coerência entre os resultados SHAP, os trade-offs observados nas composições molares e os fundamentos termoquímicos da gaseificação indica que o metamodelo BANN não apenas apresentou elevado desempenho estatístico, mas também capturou de forma consistente os mecanismos físicos dominantes do processo. Dessa forma, a integração entre otimização global via PSO e interpretabilidade via SHAP fortalece a confiabilidade científica dos resultados e sustenta a validade do modelo como ferramenta para análise e otimização de sistemas de produção de hidrogênio a partir de biomassa simulados em Aspen Plus e do espaço de projeto definido pelo LHS.

Em síntese, a pesquisa demonstrou que a metodologia computacional integrada, combinando simulação termodinâmica, redes neurais agregadas por bootstrap e otimização por enxame de partículas, é uma ferramenta robusta e eficiente para identificar as condições operacionais ótimas na gaseificação de bagaço de cana-de-açúcar. A maximização da fração molar de hidrogênio para 67,54% na entrada da PSA foi alcançada sob condições específicas de temperatura, razão de equivalência e fluxo de vapor, com a análise de interpretabilidade confirmando a coerência físico-química dos parâmetros dominantes do processo.

4. Conclusão

O presente estudo buscou identificar parâmetros operacionais ótimos para a gaseificação de biomassa, visando maximizar a fração molar de hidrogênio, por meio de uma abordagem computacional integrada. Verificou-se que a simulação termodinâmica no Aspen Plus representou adequadamente o processo de gaseificação de bagaço de cana-de-açúcar, com desvios inferiores a 8% para os principais componentes do gás de síntese, apesar da conhecida subestimação da fração de metano. Desenvolveu-se um metamodelo de redes neurais agregadas por bootstrap (BANN) que demonstrou elevada capacidade preditiva, com um coeficiente de determinação R² de 0,9902 no conjunto de teste, assegurando a robustez estatística para a otimização. A aplicação do algoritmo de Otimização por Enxame de Partículas (PSO) sobre este metamodelo permitiu identificar que a fração molar de hidrogênio pode atingir 67,54% na entrada da unidade de adsorção por oscilação de pressão (PSA), sob condições de 857,12 °C de temperatura do gaseificador e razão de equivalência (ER) de 0,10. Essa integração BANN-PSO reduziu o custo computacional da otimização em aproximadamente 5.400 vezes. A principal contribuição reside no avanço metodológico para a análise e intensificação de processos de produção de hidrogênio a partir de biomassa, oferecendo uma estrutura computacional reprodutível e aplicável a sistemas energéticos complexos no contexto da transição energética.

A análise dos resultados revelou um trade-off estrutural, onde a maximização da fração de hidrogênio, impulsionada pela alta conversão de monóxido de carbono na etapa de deslocamento do gás de água (WGS), implica um aumento proporcional na formação de dióxido de carbono antes da purificação. Embora o processo seja classificado como de baixo carbono fóssil líquido, a quantificação precisa das emissões líquidas, considerando o ciclo de vida completo, constitui uma recomendação para estudos futuros. Uma limitação do trabalho foi a adoção de um modelo de equilíbrio termodinâmico, que não incorpora efeitos cinéticos, e a formulação mono-objetivo, que não considerou explicitamente o poder calorífico inferior (LHV) ou a eficiência energética global. Sugere-se que futuras pesquisas integrem modelagem cinética, avaliações energéticas detalhadas e formulações multiobjetivo, visando otimizar simultaneamente o desempenho, a eficiência e os impactos ambientais. O ótimo identificado representa o melhor ponto dentro do domínio operacional seguro e fisicamente realizável, consolidando a metodologia proposta como ferramenta válida para análise preliminar e intensificação de processos.

Referências Bibliográficas

Cao, L.; Iris, K. M.; Xiong, X.; Tsang, D. C.; Zhang, S.; Clark, J. H.; Ok, Y. S. 2020. Biorenewable hydrogen production through biomass gasification: A review and future prospects. Environmental research, 186, 109547.

Doherty, W.; Reynolds, A.; Kennedy, D. 2013. Aspen Plus simulation of biomass gasification in a steam blown dual fluidised bed. In Materials and Processes for Energy. Communicating Current Research and Technological Developments; Formatex Research Centre: Badajoz, Spain.

Fawad, A.; Qyyum, M.A.; UI Jabbar, A. 2025. A comprehensive simulation study of integrated gasification, enrichment, and separation processes for biohydrogen production from sugarcane bagasse. International Journal Hydrogen Energy, 137, 905–916.

Haq, Z. U.; Akintunde, S. B.; Salaudeen, S. A. 2025. Hydrogen production from the steam gasification of hydrochar: A multi-output machine learning approach integrated with metaheuristic algorithms. International Journal of Hydrogen Energy, 116, 230-241.

Helton, J.C.; Davis, F.J. 2003. Latin hypercube sampling and the propagation of uncertainty in analyses of complex systems. Reliability Engineering and System Safety 81(1): 23-69.

Hornik, K.; Stinchcombe, M.; White, H. 1989. Multilayer feedforward networks are universal approximators. Neural Networks 2(5): 359-366.

Lepage, T.; Kammoun, M.; Schmetz, Q.; Richel, A. 2021. Biomass-to-hydrogen: A review of main routes production, processes evaluation and techno-economical assessment. Biomass and Bioenergy, 144, 105920.

Medeiros L, A.; Alcântara de M, Y.; Lucas, V. 2016. Estudo Comparativo Sobre a Convergência e o Custo Computacional das Estruturas Topológicas Aplicadas à Otimização por Enxame de Partículas (PSO). Revista Científica Semana Acadêmica, Fortaleza, ano MMXVI, N°. 000090, 27/10/2016.

Mohanty, R.; Mahanta, P.; Sharma, R. P. 2025. Recent Advances in Biomass Gasification to Improve the Quality of Syngas: A Comprehensive Review. Industrial & Engineering Chemistry Research, 64(28), 13950-13965.

Motta, I. L.; Marchesan, A. N.; Maciel Filho, R.; Maciel, M. R. W. 2022. Correlating biomass properties, gasification performance, and syngas applications of Brazilian feedstocks via simulation and multivariate analysis. Industrial Crops and Products, 181, 114808.

Obiora, N. K.; Ujah, C. O.; Asadu, C. O.; Kolawole, F. O.; Ekwueme, B. N. 2024. Production of hydrogen energy from biomass: Prospects and challenges. Green Technologies and Sustainability, 2(3), 100100.

Phan, T. S.; Minh, D. P.; Espitalier, F.; Nzihou, A.; Grouset, D. 2022. Hydrogen production from biogas: Process optimization using ASPEN Plus®. International Journal of Hydrogen Energy, 47(100), 42027-42039.

Sun, X.; Zhu, X.; Yan, B.; Hou, D.; Chen, W.; Yang, K.; Chen, G. 2025. Enhancing hydrogen production from bio-digested residue in biogas gasification: Synergistic effect, thermodynamic, and kinetic analysis. Energy Conversion and Management, 343, 120222.

Tuntiwongwat, T.; Yukawa, T.; Srinophakun, T. R.; Manatura, K.; Sukpancharoen, S.; Mirjalili, S. 2025. Machine Learning and Thermodynamic Modeling for Optimizing Hydrogen Production via Algae-Biomass Co-Gasification. Cleaner Engineering and Technology, 101038.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy