Luís Otávio Rigo Jr.
◽
Jesuina Cássia Santiago de Araújo
◽
Leandro Nogueira dos Santos
◽
Mona Lisa Moura de Oliveira
Fontes veiculares movidos a Diesel têm contribuido significativamente para o aumento da poluição atmosférica. A tendência mundial de utilizar motor Diesel se deve ao rendimento real alcançado por esta máquina (~34%), quando comparada com motores Otto (~26%). Em termos de poluição, tais motores apresentam a vantagem de emitir menor concentração de hidrocarbonetos e CO2. Por outro lado, o motor Diesel apresenta a desvantagem de emitir materiais particulados e NOx. Com fins de atender a legislação, tem sido incorporado aos veículos a Diesel um sistema catalítico, que injeta uréia nos gases de escape. Tal processo, conhecido como SCR (Selective Catalytic Reduction), tem por finalidade transformar NOx em N2 e H2O. Órgãos governamentais têm atuado como agentes controladores, exigindo dos fabricantes de motores soluções tecnológicas, capazes de reduzir os níveis de emissões destes poluentes. Essas soluções estão atreladas a uma série de testes experimentais onerosos. Tendo-se em vista que as taxas de emissão de NOx dependem de fatores que se correlacionam de forma complexa, faz-se necessário à utilização de ferramentas de simulação para prever tais taxas. Neste trabalho, foi utilizada uma Rede Neural Artificial, denominada Multi-Layer Perceptron, com algoritmo de aprendizado supervisionado Back Propagation, para estimar as taxas de emissão dos gases NOx, NH3 e N2O em veículos a Diesel. Os resultados mostraram que parâmetros de entrada (velocidade espacial, temperatura, concentração de NOx, de NH3, de O2 , de SO2 e de H2O) se correcionam fortemente com as taxas de emissão de NOx e NH3 na saída. Este fator foi comprovado pela grande capacidade de aprendizado das redes testadas, com erro médio próximo de 0,01 no conjunto de aprendizado. Os resultados sobre o conjunto de teste demonstraram, também, grande capacidade de generalização das redes. O melhor resultado encontrado foi de 2,9% para NOx e NH3 e de N2O de 5,1%. Estes resultados revelam que a RNA demonstrou ser um método eficiente para prever as taxas de emissão de poluentes em perímetro urbano e rodovias.