Título: APLICAÇÕES DA CIÊNCIA DE DADOS E APRENDIZADO DE MÁQUINA NA ENGENHARIA QUÍMICA
Título alternativo: APPLICATIONS OF DATA SCIENCE AND MACHINE LEARNING IN CHEMICAL ENGINEERING
Autoria de: Gabriela Pereira Silva
Orientação de: Natalia Maira Braga Oliveira
Presidente da banca: Natália Maira Braga Oliveira
Primeiro membro da banca: Luciano Jacob Corrêa
Segundo membro da banca: Nathan Sombra Evangelista
Palavras-chaves: modelagem híbrida, controle de processos, eficiência energética, manutenção preditiva, otimização de processos
Data da defesa: 26/06/2026
Semestre letivo da defesa: 2026-1
Data da versão final: 10/07/2026
Data da publicação: 10/07/2026
Referência: Silva, G. P. APLICAÇÕES DA CIÊNCIA DE DADOS E APRENDIZADO DE MÁQUINA NA ENGENHARIA QUÍMICA. 2026. 43 p. Trabalho de Conclusão de Curso (Graduação em Engenharia Química Bacharelado)-Universidade Federal de Lavras, Lavras, 2026.
Resumo: A Engenharia Química é uma área tradicionalmente rica em dados, e a crescente disponibili-dade de informações provenientes de sensores, instrumentos e sistemas de monitoramento industrial tem impulsionado a integração da Ciência de Dados e do Aprendizado de Máquina (AM) aos métodos clássicos de modelagem, controle e otimização de processos. Este trabalho tem como objetivo realizar uma revisão bibliográfica sobre as principais aplicações dessas tecnologias na Engenharia Química, abordando seus fundamentos teóricos, seu histórico de desenvolvimento na indústria de processos e suas aplicações práticas em quatro eixos temáti-cos otimização de processos, modelagem e simulação, manutenção preditiva e segurança de processos, e sustentabilidade e eficiência energética. A pesquisa bibliográfica foi conduzida entre agosto de 2025 e maio de 2026, em bases de dados como Scopus, Google Scholar, Bi-blioteca Virtual Pearson, Periódicos CAPES e repositórios institucionais. Para a aplicabilida-de dessas ferramentas, foram apresentados três estudos de caso um modelo preditivo híbrido para otimização da produção de etilbenzeno, um sistema de controle de temperatura de um biorreator de fermentação para produção de etanol baseado em aprendizagem por reforço, e a aplicação de algoritmos de aprendizado de máquina integrados ao software Aspen Plus para otimização da produção de hidrogênio por chemical looping. Por fim, discutem-se as princi-pais limitações à implementação dessas tecnologias, como qualidade e disponibilidade de dados, custos de infraestrutura computacional e necessidade de formação interdisciplinar, além de perspectivas futuras para a consolidação da Inteligência Artificial como ferramenta cada vez mais relevante para a indústria química. Os estudos revisados indicam que a combi-nação entre o conhecimento fenomenológico tradicional e as técnicas computacionais não substitui, mas complementa as abordagens clássicas, ampliando a capacidade preditiva e ana-lítica dos processos industriais, com ganhos relatados em eficiência operacional, redução de custos, segurança e sustentabilidade.
Abstract: Chemical Engineering is a field traditionally rich in data, and the growing availability of in-formation from sensors, instruments, and industrial monitoring systems has driven the inte-gration of Data Science and Machine Learning (ML) into classical methods of process model-ing, control, and optimization. This study aims to conduct a literature review on the main ap-plications of these technologies in Chemical Engineering, addressing their theoretical founda-tions, their historical development within the process industries, and their practical applica-tions in four thematic areas process optimization, modeling and simulation, predictive maintenance and process safety, and sustainability and energy efficiency. The literature re-view was conducted between August 2025 and May 2026 using databases such as Scopus, Google Scholar, Pearson Virtual Library, CAPES Journals Portal, and institutional reposito-ries. To demonstrate the applicability of these tools, three case studies were presented a hy-brid predictive model for optimizing ethylbenzene production, a reinforcement learning-based temperature control system for a fermentation bioreactor used in ethanol production, and the application of machine learning algorithms integrated with Aspen Plus software to optimize hydrogen production through chemical looping. Finally, the main limitations to the imple-mentation of these technologies are discussed, including data quality and availability, compu-tational infrastructure costs, and the need for interdisciplinary training, as well as future per-spectives for the consolidation of Artificial Intelligence as an increasingly relevant tool for the chemical industry. The reviewed studies indicate that the combination of traditional phenom-enological knowledge with computational techniques does not replace, but rather comple-ment, classical approaches, expanding the predictive and analytical capacity of industrial pro-cesses, with reported gains in operational efficiency, cost reduction, safety, and sustainability.
URI alternaviva: sem URI do Repositório Institucional da UFLA até o momento.
Curso: G033 - ENGENHARIA QUÍMICA (BACHARELADO)
Nome da editora: Universidade Federal de Lavras
Sigla da editora: UFLA
País da editora: Brasil
Gênero textual: Trabalho de Conclusão de Curso
Nome da língua do conteúdo: Português
Código da língua do conteúdo: por
Licença de acesso: Acesso aberto
Nome da licença: Licença do Repositório Institucional da Universidade Federal de Lavras
URI da licença: repositorio.ufla.br
Termos da licença: Acesso aos termos da licença em repositorio.ufla.br
Detentores dos direitos autorais: Gabriela Pereira Silva e Universidade Federal de Lavras
Baixar arquivo