| dc.description.abstract | O objetivo desse trabalho foi aplicar técnicas de modelagem ao processo de secagem de pedaços cúbicos de goiaba em leito de jorro. Utilizando-se da técnica de modelagem de Redes Neurais Artificiais (RNA) foram desenvolvidos dois modelos: um para a predição das propriedades físicas (densidade, diâmetro da partícula e a umidade) da goiaba (Psidium Guajava L.) durante a secagem em leito de jorro (modelo MN-1), e um segundo modelo neural, desenvolvido com o intuito de classificar os regimes de fluxo durante a secagem (modelo MN-2). O tipo de modelo neural utilizado foi o feedforward Backpropagation, que foi otimizado através do algoritmo de PSO (Particle Swarm Optimization). Para descrever o comportamento da transferência de calor e massa entre os pedaços de goiaba e o ar de secagem no leito de jorro foi desenvolvido um modelo híbrido (fenomenológico/Rede Neural), levando em consideração a variação das propriedades físicas e do encolhimento das partículas durante a secagem. Tal modelo híbrido foi obtido através do acoplamento do modelo MN-1 a um modelo fenomenológico, obtido através do balanço de massa e energia entre a fase sólida (pedaços de goiaba) e a fase gasosa (ar de secagem), o modelo neural nessa estratégia de modelagem, forneceu os efeitos da variação das propriedades físicas dos pedaços de goiaba durante a secagem. Os resultados obtidos pelas RNA’s mostraram boa concordância com os dados experimentais, apresentando o modelo MN-1, RMSE igual a 0,066 e R² 0,99, o modelo MN-2 obteve uma precisão de reconhecimento dos regimes de leito fixo, fluidização, leito de jorro e slugging iguais a 86,3%, 85,7%, 99% e 100% respectivamente. A partir da simulação do modelo híbrido, pode-se constatar que este pode ser aplicado para descrever as variações da temperatura do ar e do leito de partículas, bem como da umidade na secagem de partículas deformáveis, tais como a goiaba. | pt_BR |
