📊 statistics

Viskositas: Viscosity Prediction of Multicomponent Chemical Systems

O artigo apresenta o "Viskositas", um modelo baseado em redes neurais artificiais que supera os modelos lineares, não lineares e comerciais existentes na previsão da viscosidade de sistemas químicos multicomponentes ao alcançar erros menores, menor variabilidade e menos valores atípicos por meio da otimização do ajuste de hiperparâmetros.

Autores originais: Patrick dos Anjos

Publicado 2026-08-19

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Patrick dos Anjos

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Nos mundos de calor intenso da fabricação de aço e de vidro, bem como nas profundezas da crosta terrestre, onde as rochas derretem e fluem, uma única propriedade física dita como os materiais se comportam: a viscosidade. Esta é simplesmente uma medida da resistência de um fluido ao fluxo, ou o quão espesso e lento ele é. Imagine o mel escorrendo lentamente de uma colher em comparação com a água correndo de uma torneira; essa diferença de resistência é a viscosidade. Para engenheiros e geólogos, conhecer esse valor é crítico. Em uma usina siderúrgica, a espessura correta da escória fundida garante que as impurezas sejam removidas de forma eficiente; na produção de vidro, ela determina se o material poderá ser moldado ou se irá rachar. No entanto, medir essa propriedade é uma tarefa difícil e dispendiosa. Requer equipamentos especializados e caros e um tempo significativo para aquecer as amostras até que fiquem perfeitamente uniformes e, mesmo assim, os resultados podem ser distorcidos por pequenos erros no procedimento. Devido a esses obstáculos, os cientistas há muito dependem de fórmulas matemáticas para prever a viscosidade com base no que uma mistura é composta e de quão quente ela está, mas essas equações tradicionais frequentemente falham quando aplicadas a sistemas complexos de múltiplos ingredientes.

Um pesquisador do Instituto Federal do Espírito Santo, no Brasil, propôs-se a resolver este problema ensinando um computador a aprender os padrões de líquidos em fluxo diretamente de dados, em vez de forçar os dados em fórmulas rígidas. Patrick dos Anjos compilou uma coleção massiva de resultados experimentais da literatura científica, reunindo milhares de medições de diversos sistemas químicos envolvendo óxidos de silício, cálcio, alumínio, ferro e muitos outros, todos registrados em várias temperaturas. O objetivo era construir um novo tipo de ferramenta de previsão que pudesse lidar com a realidade complexa da química industrial. Em vez de usar uma equação padrão, o pesquisador treinou uma rede neural artificial, um tipo de programa de computador modelado conforme o cérebro humano, para encontrar as conexões ocultas entre a receita química de uma mistura, sua temperatura e sua espessura resultante. O sistema recebeu a composição química e a temperatura como entradas e foi solicitado a prever a viscosidade, aprendendo com seus erros ao longo de milhares de ciclos até que pudesse fazer previsões precisas sobre dados que nunca tinha visto antes.

O modelo resultante, chamado Viskositas, provou ser uma melhoria significativa em relação aos métodos existentes. Quando testado contra um novo conjunto de dados que o computador não havia utilizado durante seu treinamento, o Viskositas cometeu menos erros e apresentou menos variação aleatória do que outros seis modelos estabelecidos encontrados na literatura científica e até mesmo um popular pacote de software comercial usado por profissionais da indústria. O novo modelo foi particularmente bom em evitar erros extremos, conhecidos como outliers, que podem ser desastrosos em um ambiente industrial onde uma previsão errada poderia levar a um lote de vidro falho ou a um processo de aço interrompido. Ao analisar em quais ingredientes o computador prestava mais atenção, o estudo confirmou princípios científicos conhecidos: certos componentes como a sílica tendem a tornar o líquido mais espesso, enquanto outros como o óxido de cálcio ou a fluorita tendem a torná-lo mais fluido, e temperaturas mais altas consistentemente fazem a mistura fluir com mais facilidade. O estudo demonstrou que, ao permitir que um computador aprenda a partir de um banco de dados amplo de medições do mundo real, é possível criar uma ferramenta confiável e flexível para prever como fluidos químicos complexos se comportarão, ofereção um guia mais preciso para as indústrias que dependem do controle do fluxo de materiais fundidos.

Resumo Técnico: Viskositas – Uma Abordagem de Redes Neurais para a Predição de Viscosidade em Sistemas Químicos Multicomponentes

Definição do Problema
A viscosidade é um parâmetro crítico em processos metalúrgicos (ex: dessulfuração do aço, tratamento de inclusões, lingotamento contínuo) e na indústria do vidro (ex: refino, homogeneização), bem como na geofísica. No entanto, a medição experimental da viscosidade é financeiramente dispendiosa, demorada e propensa a erros procedimentais, com erros de precisão relatados variando de 5–20% e erros de exatidão de 1–5%. Embora existam modelos numéricos e semiempíricos, eles frequentemente sofrem de aplicabilidade restrita devido a limitações nas composições químicas, temperaturas e faixas de viscosidade contra as quais foram validados. Há uma necessidade de um modelo não linear robusto, capaz de predizer a viscosidade em diversos sistemas químicos multicomponentes sem as restrições das equações empíricas tradicionais.

Metodologia
O estudo desenvolveu um modelo preditivo chamado Viskositas utilizando Redes Neurais Artificiais (RNA). A metodologia envolveu as seguintes etapas:

Construção do Banco de Dados: Um conjunto de dados foi compilado a partir de dois artigos científicos internacionais e uma tese de bacharelado, totalizando 7.035 pontos de dados iniciais cobrindo uma ampla gama de sistemas químicos (incluindo óxidos como SiO₂, Al₂O₃, CaO, MgO, FeO, etc., e fluoretos).
Pré-processamento:
- Filtragem: Os dados foram filtrados para incluir apenas fluidos totalmente líquidos (temperaturas acima da temperatura de liquidus calculada, $T_{liq}$ ) para garantir o comportamento Newtoniano adequado para modelagem de Arrhenius ou VFT.
- Engenharia de Atributos: O grau de despolimerização ($NBO/T$) foi calculado para caracterizar a estrutura química.
- Remoção de Outliers: Limites estatísticos baseados em quartis foram aplicados para remover valores atípicos tanto em $NBO/T$ quanto nas distribuições de viscosidade.
- Transformação: Os valores de viscosidade foram convertidos para escala logarítmica ( $\log_{10} \eta$ ) para reduzir a dimensionalidade e adaptar-se aos requisitos de modelagem matemática.
- Padronização: Todas as variáveis preditoras (composição química em massa % e temperatura em Kelvin) foram padronizadas usando o método z-score para obter média 0 e desvio padrão 1.
- Particionamento: O conjunto de dados final de 5.659 entradas únicas foi dividido em 81% para treinamento, 9% para validação e 10% para teste.
Arquitetura do Modelo:
- A RNA utilizou 20 neurônios de entrada (componentes químicos e temperatura) e 1 neurônio de saída ( $\log_{10} \eta$ ).
- A otimização de hiperparâmetros foi realizada para determinar a arquitetura ideal. O modelo selecionado, Viskositas, apresenta 3 camadas ocultas com 22 neurônios cada (satisfazendo o requisito de largura mínima do teorema da aproximação universal $w_{min} \leq d_x + d_y + 1$ ).
- A função de ativação utilizada foi ReLU, com inicialização de pesos He uniform e inicialização de viés (bias) zero.
- O treinamento empregou o otimizador Adam com perda de Erro Quadrático Médio (MSE) e Parada Antecipada (Early Stopping) para evitar o sobreajuste (overfitting).
Análise Estatística: O desempenho do modelo foi avaliado utilizando o Erro Absol de Médio (MAE), Desvio Padrão do erro (Std) e o Coeficiente de Determinação ( $R^2$ ). A análise de sensibilidade foi realizada usando o algoritmo de pesos de conexão para determinar a importância relativa das variáveis de entrada.

Principais Contribuições

Desenvolvimento do Viskositas: A criação de um modelo de RNA especializado capaz de predizer a viscosidade para sistemas químicos complexos e multicomponentes baseando-se na composição e temperatura.
Integração de um Banco de Dados Abrangente: A síntese de um grande e diverso conjunto de dados cobrindo inúmeros sistemas de óxidos, fluoretos e faixas de temperatura, pré-processados para garantir consistência física (apenas estado líquido).
Análise de Sensibilidade: A aplicação do algoritmo de pesos de conexão para quantificar a importância relativa de espécies químicas específicas (ex: modificadores de rede vs. formadores) e da temperatura na viscosidade predita, alinhando-se com teorias químicas estabelecidas (ex: o papel de $NBO/T$ e comportamentos específicos de óxidos).

Resultados
O modelo Viskositas foi comparado com seis modelos da literatura (Shaw, Watt-Fereday, Bomkamp, Riboud, Duchesne e ANNLiq) e um modelo comercial (módulo de Viscosidade FactSage™ 7.2).

Métricas de Desempenho: O modelo Viskositas e o módulo de Viscosidade FactSage™ 7.2 apresentaram os melhores resultados para MAE, Std e $R^2$ em comparação com os outros modelos da literatura. No entanto, ao comparar esses dois principais desempenhos, o Viskositas demonstrou um desempenho estatístico superior, alcançando um MAE e Desvio Padrão menores, e um $R^2$ mais alto no banco de dados de teste.
Distribuição de Erro: A análise de assimetria (skewness) e curtose revelou que o Viskositas gerou menos outliers e exibiu menor variabilidade nos erros de predição em comparação com o módulo FactSage™. Especificamente, o Viskositas apresentou um erro negativo máximo de -1,3920 e um erro positivo máximo de 1,0507 (em $\log_{10} \eta$ ), superando significativamente o módulo FactSage, que apresentou erros de -5,2931 e 2,0832, respectivamente.
Importância das Variáveis: A análise de sensibilidade confirmou que a temperatura e óxidos específicos (como modificadores de rede, ex: CaO, MgO e metais alcalinos) possuem relações significativas com a viscosidade. A análise alinha-se com as expectativas teóricas onde a temperatura é inversamente proporcional à viscosidade; uma diminuição na temperatura reduz o grau de agitação entre as espécies químicas, diminuindo a fluidez e aumentando a viscosidade.

Significância
O artigo afirma que o modelo Viskositas oferece uma alternativa confiável às medições experimentais de viscosidade, que são caras e propensas a erros. Ao alavancar um grande banco de dados pré-processado e uma arquitetura de rede neural não linear, o modelo fornece predições com menores erros, menor variabilidade e menos outliers do que os modelos existentes na literatura e o software comercial FactSage™. Essa capacidade é significativa para indústrias que dependem de dados precisos de viscosidade para otimização de processos na metalurgia e fabricação de vidro, onde restrições experimentais frequentemente limitam a disponibilidade de dados. O estudo valida a utilidade das RNAs para superar as restrições de aplicabilidade dos modelos semiempíricos tradicionais em sistemas químicos multicomponentes.

Mais como este