Previsão da demanda brasileira de biodiesel utilizando redes neurais artificiais
DOI:
https://doi.org/10.33448/rsd-v10i5.13381Palavras-chave:
Biodiesel; Brasil; Redes neurais artificiais; Sazonalidade; Previsão de demanda.Resumo
O biodiesel é um combustível renovável utilizado como uma alternativa para substituir de modo total ou parcial o diesel de petróleo. A porcentagem obrigatória desse biocombustível adicionado ao diesel fóssil no Brasil tem sido elevada constantemente. Prever a quantidade de biodiesel que será demandada futuramente é essencial para manter o balanço nacional superavitário e auxiliar nas tomadas de decisões do setor. As redes neurais artificiais (RNAs) são úteis para previsão de diferentes tipos de demandas. Assim sendo, esse estudo utiliza redes neurais artificiais na previsão da demanda brasileira de biodiesel. A RNA proposta neste trabalho englobou dados obtidos de um modelo não-paramétrico de previsão de demanda baseado em séries temporais. O modelo não-paramétrico considerou as tendências e sazonalidade dos dados para previsão da demanda de biodiesel. Foram modeladas 100 redes do tipo perceptron multicamadas com retropropagação do erro para dois cenários do biodiesel brasileiro (uso de 15% (B15) ou 20% (B20) de biodiesel ao diesel). Todos os valores de R2 maiores que 0,99 para as redes simuladas e RMSE<2% comprovam que o modelo de RNA desenvolvido possui alta precisão em prever a demanda de biodiesel. A melhor rede para cada cenário foi determinada por análise heurística do RMSE. Os resultados das melhores RNA’s simuladas mostraram um crescimento da demanda de biodiesel de 2019 a 2050 de 150,63% para o B15, e de 229,73% para o B20. Ambos cenários de aumento de demanda são justificados pela elevação gradual da porcentagem obrigatória do biodiesel ao diesel. Dessa forma, os resultados crescentes da demanda de biodiesel comprovam a busca do país por um combustível não-tóxico, biodegradável e renovável na sua matriz energética.
Referências
Acheampong, A. O., & Boateng, E. B. (2019). Modelling carbon emission intensity: Application of artificial neural network. Journal of Cleaner Production, 225, 833-856. doi: 10.1016/j.jclepro.2019.03.352
ANP – Agência Nacional de Petróleo, Gás Natural e Biocombustível. (2020). Biodiesel. Retrieved July 10, 2020, from http://www.anp.gov.br/biocombustiveis/biodiesel
Betiku, E., Osunleke, A. S., Odude, V. O., Bamimore, A., Oladipo, B., Okeleye, A. A., & Ishola, N. B. (2021). Performance evaluation of adaptive neuro-fuzzy inference system, artificial neural network and response surface methodology in modeling biodiesel synthesis from palm kernel oil by transesterification. Biofuels, 12(3), 339-354. doi: 10.1080/17597269.2018.1472980
Brahimi, T., Alhebshi, F., Alnabilsi, H., Bensenouci, A., & Rahman, M. (2019). Prediction of Wind Speed Distribution Using Artificial Neural Network: The Case of Saudi Arabia. Procedia Computer Science, 163, 41-48. doi: 10.1016/j.procs.2019.12.084.
Carmo, B. B. T., Pontes, H. L. J., Albertin, M. R., Neto, J. F. B., & da Silva Dutra, N. G. (2009). Avaliação da demanda por biodiesel em função de um modelo de previsão de demanda por diesel. Revista Produção Online, 9(3),511–535.
Chidambaranathan, B., Gopinath, S., Aravindraj, R., Devaraj, A., Krishnan, S. G., & Jeevaananthan, J. K. S. (2020). The production of biodiesel from castor oil as a potential feedstock and its usage in compression ignition Engine: A comprehensive review. Materials Today: Proceedings, 33, 84-92. doi: 10.1016/j.matpr.2020.03.205
CNPE – Conselho Nacional de Política Energética. (2018). Resolução CNPE n° 16, de 29 de outubro de 2018. Retrieved July 10, 2020, from https://www.gov.br/mme/pt-br/assuntos/conselhos-e-comites/cnpe/resolucoes-do-cnpe/arquivos/2018/resolucao_16_cnpe_29-10-18.pdf
Đozić, D. J., & Urošević, B. D. G. (2019). Application of artificial neural networks for testing long-term energy policy targets. Energy, 174, 488-496. doi: 10.1016/j.energy.2019.02.191
Ebrahimabadi, A., Azimipour, M., & Bahreini, A. (2015). Prediction of roadheaders' performance using artificial neural network approaches (MLP and KOSFM). Journal of Rock Mechanics and Geotechnical Engineering, 7(5), 573-583. doi: 10.1016/j.jrmge.2015.06.008
Ekonomou, L. (2010). Greek long-term energy consumption prediction using artificial neural networks. Energy, 35(2), 512-517. doi: 10.1016/j.energy.2009.10.018
Farobie, O., Hasanah, N., & Matsumura, Y. (2015). Artificial neural network modeling to predict biodiesel production in supercritical methanol and ethanol using spiral reactor. Procedia environmental sciences, 28, 214-223. doi: 10.1016/j.proenv.2015.07.028
Gupta, N., & Nigam, S. (2020). Crude Oil Price Prediction using Articial Neural Network. Procedia Computer Science. 170, 642-647. doi:10.1016/j.procs.2020.03.136.
Jayalakshmi, T., & Santhakumaran, A. (2011). Statistical normalization and back propagation for classification. International Journal of Computer Theory and Engineering, 3(1), 1793-8201. Retrieved from http://www.ijcte.org/papers/288-L052.pdf
Karunathilake, S. L., & Nagahamulla, H. R. (2017, September). Artificial neural networks for daily electricity demand prediction of Sri Lanka. In 2017 Seventeenth International Conference on Advances in ICT for Emerging Regions (ICTer) (pp. 1-6). IEEE.
Katsatos, A. L., & Moustris, K. P. (2019). Application of Artificial Neuron Networks as energy consumption forecasting tool in the building of Regulatory Authority of Energy, Athens, Greece. Energy Procedia, 157, 851-861. doi: 10.1016/j.egypro.2018.11.251
Kochak, A., & Sharma, S. (2015). Demand forecasting using neural network for supply chain management. International journal of mechanical engineering and robotics research, 4(1), 96-104. doi: 10.18178/ijmerr.
Ling, Y., Yue, Q., Chai, C., Shan, Q., Hei, D., & Jia, W. (2020). Nuclear accident source term estimation using Kernel Principal Component Analysis, Particle Swarm Optimization, and Backpropagation Neural Networks. Annals of Nuclear Energy, 136, 107031. doi: 10.1016/j.anucene.2019.107031
Ministério de Minas e Energia, Empresa de Pesquisa Energética - MME/EPE. (2020). Plano Decenal de Expansão de Energia 2029. Retrieved July 03, 2020, from https://www.epe.gov.br/pt/publicacoes-dados-abertos/publicacoes/plano-decenal-de-expansao-de-energia-2029
Ministério do Meio Ambiente. (2020). Acordo de Paris. Retrieved July 10, 2020, from https://www.mma.gov.br/clima/convencao-das-nacoes-unidas/acordo-de-paris
Pereira, A. S., Shitsuka, D. M., Parreira, F. J., & Shitsuka, R. (2018). Metodologia da pesquisa científica. Santa Maria: UFSM, NTE.
Queiroz, A. A., & Cavalheiro, D. (2003). Método de previsão de demanda e detecção de sazonalidade para o planejamento da produção de indústrias de alimentos. Anais do Encontro Nacional de Engenharia de Produção, 23.
Rajakarunakaran, S., Venkumar, P., Devaraj, D., & Rao, K. S. P. (2008). Artificial neural network approach for fault detection in rotary system. Applied Soft Computing, 8(1), 740-748. doi: 10.1016/j.asoc.2007.06.002
Selvan, S. S., Pandian, P. S., Subathira, A., & Saravanan, S. (2018). Artificial neural network modeling-coupled genetic algorithm optimization of supercritical methanol transesterification of Aegle marmelos oil to biodiesel. Biofuels, 1-9. doi: 10.1080/17597269.2018.1542567
Singh, D., Sharma, D., Soni, S. L., Sharma, S., Sharma, P. K., & Jhalani, A. (2020). A review on feedstocks, production processes, and yield for different generations of biodiesel. Fuel, 262, 116553. doi:10.1016/j.fuel.2019.116553.
Sivamani, S., Selvakumar, S., Rajendran, K., & Muthusamy, S. (2019). Artificial neural network–genetic algorithm-based optimization of biodiesel production from Simarouba glauca. Biofuels, 10(3), 393-401. doi: 10.1080/17597269.2018.1432267
Thakur, A. K., Mer, K. K. S., & Kaviti, A. (2018). An artificial neural network approach to predict the performance and exhaust emissions of a gasoline engine using ethanol–gasoline blended fuels. Biofuels, 9(3), 379-393.doi: 10.1080/17597269.2016.1271630
Tubino, D. F. (2007). Planejamento e controle da produção: teoria e prática. São Paulo: Atlas.
Turp, S. M., Eren, B., & Ates, A. (2011). Prediction of adsorption efficiency for the removal of nickel (II) ions by zeolite using artificial neural network (ANN) approach. Fresenius Environmental Bulletin, 20(12), 3158-3165. Retrieved from https://d1wqtxts1xzle7.cloudfront.net/30548310/02-FEB-Prediction_of_adsorption_efficiency_for_the_removal_of.pdf?1360286886=&response-content-disposition=inline%3B+filename%3DPREDICTION_OF_ADSORPTION_EFFICIENCY_FOR.pdf&Expires=1618498882&Signature=LbccMwk3lLWMu4GcTriv6aoz~E1~LYk9uddxkeqQJBigkGd3YhuK46-n1WMxg1HQn0TBIv7VdCqwLr9ecbNEmHfYAfjmhYbSV2M5mwaOB1zP43UcFcDpGBYM2NeEEhgyvA~QFKfmmW2vOyut5xFIs~dibp~Eeq5u7kP1HqIcYOL5FpRg0~Sz5LB5aOO~WG-ejZTEQnbXN8pL0UsamqEvIKsz3QrQtKz49H1ykRmFGrMRRkY3U9h5EAnm~V3l1fdIfmc1TtKxKj5BakgLAeo2Qd013Ip65wDmHK6o6C4~VcX0UYd5pwk4MOSb4L0lSuu0sOV-BAJ0WrVvPKRqnvSumg__&Key-Pair-Id=APKAJLOHF5GGSLRBV4ZA
União Brasileira do biodiesel e bioquerosene – Ubrabio. (2016). Energia para combater as mudanças climáticas. Biodiesel em foco; 9–17. Retrieved July 5, 2020, from https://issuu.com/ubrabio/docs/biodiesel_em_foco_-_ed_07-2016-web/17
Vastrad, C. (2013). Performance analysis of neural network models for oxazolines and oxazoles derivatives descriptor dataset. International Journal of Information Sciences and Techniques (IJIST), 3(6). doi: 10.5121/ijist.2013.3601
Zhang, G., Patuwo, B. E., & Hu, M. Y. (1998). Forecasting with artificial neural networks: The state of the art. International journal of forecasting, 14(1), 35-62.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2021 Kaique Vitor Louzada Caires; George Simonelli
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
