Estudo comparativo entre observador de estado não-linear de alto ganho e calorimetria associada a redes neurais artificiais para previsão de composição de copolimeros produzidos em emulsão com altos teores solidos

Na indústria de materiais poliméricos, os processos de polimerização em emulsão com altos teores de sólidos têm ocupado lugar de destaque, tanto por razões ambientais, pois em sua maioria utilizam água como fase contínua, como por razões de ordem econômica, já que resultam em maior quantidade de material polimérico por volume de látex produzido. A preocupação com a qualidade na aplicação final do filme polimérico produzido é uma constante e está intimamente ligada à composição da cadeia polimérica. Visando propor alternativas técnica e economicamente viáveis para o controle dessa composição na indústria de látex, esse trabalho tem como proposta principal testar duas metodologias de previsão de composição aplicadas a látices com altos teores de sólidos. Uma delas, já divulgada na literatura, é a dos observadores de estado não lineares de alto ganho. A outra, ainda sem precedentes na literatura recente, envolve a criação de redes neurais artificiais que, aliadas a um modelo mecanístico baseado em técnicas calorimétricas, propõe-se a prever a composição da cadeia polimérica. As redes neurais artificiais têm sido cada vez mais usadas para modelar as não linearidades comuns aos processos químicos. Dois sistemas clássicos de polimerização em emulsão foram testados, o MMA / BA / MAA (metacrilato de metila / acrilato de butila / ácido metacrílico) e o MMA / VAc (metacrilato de metila / acetato de vinila). Os resultados obtidos mostraram que o observador de estado testado, apesar de poder ser classificado como bom, apresenta limitações quando se trabalha com monômeros parcialmente solúveis em água. As redes neurais artificiais desenvolvidas proporcionaram excelentes resultados tanto quando submetidas a testes de variação de condições de processo (tais como temperatura e tempo de reação) como quando submetidas a teste de variação na proporção com que os monômeros foram utilizados na formulação do látex. Dessa forma, concluiu-se que as redes neurais artificiais se prestam, com bastante eficiência, à tarefa de prever, conjuntamente com a calorimetria, a composição da cadeia polimérica em copolimerizações em emulsão.High solid content lattices produced by emulsion polymerization have a great importance in the polymeric industry, not only for environmental reasons, since they usually have water as continuous phase, but also for economic motive, because these processes result in more polymeric material by volume of latex. The worry with the final application quality of the produced film is a rule, and it is closely related to the composition of the polymeric chain. In order to propose technical and economically feasible alternatives to control polymeric composition to the latex industry, this work has as its principal aim to test two composition control techniques applied to high solid content lattices. The first one, already known from the literature, is the nonlinear high gain state observer. The second, which still remains unprecedented in recent literature, is based on artificial neural networks associated with a mechanistic calorimetric model, to preview polymeric composition. Artificial neural networks have been more and more used to model the nonlinearities commonly found in chemical process systems. Two classic copolymeric systems were tested, MMA / BA / MAA (methyl methacrylate / n-butyl acrylate / methacrylic acid) and MMA / VAc (methyl methacrylate / vi nyl acetate). The results showed that the tested state observer, although generally good on its previews, tended to fail when working with partially water-soluble monomers. The designed artificial neural networks presented excellent results when tested with process condition variations (such as temperature and reaction time) as well as when they were submitted to test concerning the variation on the proportion of monomers in the latex formulation. Hence, it was possible to conclude that artificial neural networks associated to calorimetric technique lead to an efficient method to preview the polymer composition in emulsion copolymerizations