13.07.2015 Views

Caracterização de Petróleo por Espectroscopia no Infravermelho ...

Caracterização de Petróleo por Espectroscopia no Infravermelho ...

Caracterização de Petróleo por Espectroscopia no Infravermelho ...

SHOW MORE
SHOW LESS

You also want an ePaper? Increase the reach of your titles

YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.

Uma <strong>no</strong>va análise PCA foi feita exclusivamente com o conjunto <strong>de</strong> treinamento,on<strong>de</strong> foi obtida a matriz <strong>de</strong> escores das amostras <strong>de</strong>sse conjunto. O mo<strong>de</strong>lo PCA criadofoi utilizado para o cálculo dos escores dos conjuntos <strong>de</strong> monitoramento e validação.A partir <strong>de</strong>sta etapa, as variáveis espectrais passaram a ser representadas pelosescores do PCA para os três conjuntos. Isso possibilitou a compressão <strong>de</strong> dados,reduzindo significativamente o número <strong>de</strong> variáveis. Foram utilizados os escores dos 15primeiros componentes principais.A seguir, os escores foram escalados, utilizando o escalamento min-max, paraa<strong>de</strong>quar os dados à faixa <strong>de</strong> -1 a +1, a<strong>de</strong>quada para a entrada na função <strong>de</strong>transferência sigmoidal.Os dados espectrais, representados pelos escores dos 15 primeiros componentesprincipais da análise PCA, juntamente com os pontos da curva PEV foram inseridos <strong>no</strong>programa Trajan Neural Networks, para o <strong>de</strong>senvolvimento das calibrações <strong>por</strong> ANN.Foram utilizadas re<strong>de</strong>s com três camadas (conforme figura 6), com funções <strong>de</strong>transferência sigmoidal, na camada interna, e linear, na camada <strong>de</strong> saída. A seleçãodos parâmetros <strong>de</strong> entrada, a <strong>de</strong>terminação do número ótimo <strong>de</strong> nós <strong>de</strong> cada camadada re<strong>de</strong> e o cálculo dos pesos foram realizados pelo programa, <strong>de</strong> forma automática.4.4.4. CALIBRAÇÃO POR REDES NEURAIS ARTIFICIAIS (ANN) A PARTIR DAEQUAÇÃO POLINOMIAL DA CURVA PEVVisto que a curva PEV é constituída <strong>por</strong> um gran<strong>de</strong> número <strong>de</strong> variáveis,procurou-se reduzir esse número para facilitar a calibração. Para isso, primeiramente ascurvas PEV foram tratadas matematicamente, <strong>de</strong> modo que pu<strong>de</strong>ssem ser <strong>de</strong>scritas <strong>por</strong>uma equação que calcula o volume <strong>de</strong>stilado acumulado (%) em função da temperaturado va<strong>por</strong> (°C).A função utilizada para <strong>de</strong>screver a curva PEV foi uma função poli<strong>no</strong>mial <strong>de</strong>terceira or<strong>de</strong>m. As curvas foram tratadas <strong>de</strong> modo a se obter os coeficientes daequação poli<strong>no</strong>mial para cada amostra. Desta forma, cada curva PEV foi <strong>de</strong>scritaatravés dos coeficientes a, b, c e d, conforme equação a seguir (on<strong>de</strong> T é a temperaturaem °C).61

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!