Avaliação do Tratamento de Efluentes de Uma Unidade de Refino de Petróleo Por Processos Oxidativos Avançados Utilizando Redes Neurais Artificiais

A exploração, a produção e o transporte de petróleo e seus derivados podem levar à geração de efluentes que são tratados em geral por processos biológicos (lagoas aeradas, lodos ativados ou reatores biológicos). Nesses processos, alguns contaminantes são removidos, e o efluente final apresenta uma nova característica físico-química que algumas vezes atinge os limites permitidos pela legislação para descarte em corpos receptores. No entanto, estes processos geram um lodo com uma alta carga de contaminação e deve ser levado para aterro sanitário ou co-processamento, processos que são onerosos para a refinaria. Neste trabalho foi aplicado o método de Processos Oxidativos Avançados (POA) para degradação dos Hidrocarbonetos Policíclico Aromático (HPA) em efluentes reais de uma refinaria de petróleo e os dados obtidos foram tratados por redes neurais, modelos estatísticos baseados em comportamento de um sistema físico complexo, onde mapea um conjunto de dados de entrada-saída sem possuir nenhum outro conhecimento prévio do processo, apenas se baseando no histórico dos dados. Os resultados obtidos foram corroborados pelas medidas de degradação dos HPA, Carbono Orgânico Total (COT) e foram completados com estudos de toxicidade utilizando material natural como microcrustáceo. Foram empregados três processos oxidativos: fotólise, Processo Fenton e Processo FotoFenton. Observou-se uma degradação abaixo de 30% para o tratamento com fotólise, até 60% para o tratamento Fenton e acima de 90% para o tratamento FotoFenton quando se empregou uma concentração de H2O2 de 60; 95 e 130 mmol nestes dois últimos processos. No teste de toxicidade, utilizou-se o microcrustáceo artemia salina, que foi submetido à exposição durante 24h , obtendo uma porcentagem de sobreviventes de 80% do microcrustáceo o que comprova a eficiência do tratamento POA. Para empregar a Rede Neural, foram utilizados os dados experimentais e os simulados no teste e na validação, levando à evidência que os valores ficaram muito próximos e que a rede neural utilizada foi capaz de acompanhar com precisão a tendência dos dados, consequentemente os valores do COT, pois, o coeficiente de correlação para a primeira modelagem foi R2= 0,994 e para a segunda modelagem foi R2=0,996