Modelos Preditivos para Produção de Biodiesel

Desafio

Uma produtora global de agronegócio e bioenergia contratou a Brainiall para otimizar a produção de biodiesel em uma de suas plantas na América do Sul, com três objetivos: maximizar o rendimento da transesterificação ao longo do trem de reatores e decantadores, reduzir o consumo de catalisador metilato — uma linha de custo anual multimilionária — e monitorar a qualidade do produto sem esperar as análises diárias de laboratório.

Fase 1 — Fundação de dados (entregue)

Dez meses de telemetria do historiador da planta (outubro/2024 a agosto/2025) — 56,5 milhões de leituras brutas de ~40 tags de instrumentação — foram consolidados em um pipeline de dados bronze→silver, com suavização por médias móveis e filtro operacional que isola a operação produtiva de paradas e manutenção.

A análise exploratória mapeou quais vazões, níveis, densidades e dosagens de fato governam a reação — e identificou padrões distintos de dosagem de catalisador associados a diferentes níveis de qualidade do glicerinado: evidência preliminar de margem para reduzir o gasto com catalisador sem comprometer a qualidade do produto.

Um sensor virtual como primeiro resultado

Um modelo de gradient boosting treinado com 13 variáveis de processo prediz um indicador-chave de qualidade baseado em densidade com R² de 96,3% em dados de teste — a fundação de um sensor virtual que antecipa em tempo real o resultado do laboratório, em vez de esperar a análise diária.

Próximos passos

A Fase 2 de modelagem está em andamento: predição de rendimento a partir das variáveis de processo ao vivo, análise de golden batches e comparação de famílias de modelos — de baselines lineares a gradient boosting e redes neurais temporais — sob um desenho de retreinamento contínuo, em que os modelos seguem aprendendo à medida que novos dados operacionais chegam.

Status

Fase 1 entregue em fevereiro de 2026; fase 2 quase concluída, aguardando os dados finais do cliente (setembro de 2026).