Dados do Trabalho

Título

SECADOR IoT: AUTOMAÇÃO OPERACIONAL E ANÁLISES EM RESÍDUO DE LÚPULO

Introdução

A secagem de resíduo de lúpulo representa uma alternativa no gerenciamento dos resíduos agroindustriais além de contribuir na preservação dos compostos bioativos, possibilitando um processo mais sustentável. Entretanto, um grande desafio inerente à secagem refere-se a obtenção de informações durante a operação, devido a fatores como, custos elevados de instrumentos de medição e impossibilidade de sensoriamento invasivo. O objetivo deste estudo foi automatizar o processo de secagem para o monitoramento da operação utilizando dos conceitos de internet das coisas (IoT).

Material e Métodos

Foram construídos dois sistemas: um para aquisição das temperaturas e umidades do secador, por meio de microcontrolador e sensores, e outro para aquisição das massas das amostras, captando as imagens da balança conectada ao secador, através de um microcontrolador com câmera. Em ambos os casos, há também módulos de transmissão, e, utilizando de algoritmos de aprendizado de máquina (machine learning), os caracteres são processados e os dados fornecidos automaticamente e remotamente. Os algoritmos foram criados em linguagem Python, os dispositivos de sensoriamento em C++, e as informações disponibilizadas em IP próprio. Os experimentos de secagem foram realizados em secador com bomba de calor (Uar = 2g/kg ar seco) e em secador de bandeja convencional (Uar = 15 g/kg ar seco) nas temperaturas de 50, 60 e 70°C até atingir o valor de umidade comercial (10% b.u). O resíduo de lúpulo foi caracterizado quanto ao teor de fenólicos totais por espectrofotometria utilizando o reagente Folin-Ciocalteau, e teor de α, β – ácidos (ASBC).

Resultados e Discussão

Como resultados obteve-se um total de 5949 dados de forma automatizada, remota, confiável, adaptativa, segura e sem a necessidade de métodos destrutivos. O resíduo de lúpulo seco não apresentou diferença significativa, dentre as diferentes condições de secagem citadas anteriormente, com valores médios para fenólicos totais, α – ácidos e β – ácidos, respectivamente, de 37,14 ± 0,50 mg GAE/g, 7,07 ± 0,15% e 5,47 ± 0,40%. Concluiu-se que a combinação de IoT e machine learning, embarcados em hardwares de baixo custo, apresentou-se como tecnologia promissora para automatizar o processo de secagem, permitindo a criação de supervisório, para monitoramento, geração de alertas de operação e obtenção das informações remotamente.

Conclusão

Concluiu-se que a combinação de IoT e machine learning, embarcados em hardwares de baixo custo, apresentou-se como tecnologia promissora para automatizar o processo de secagem, permitindo a criação de um supervisório, para monitoramento, geração de alertas de operação e obtenção das informações remotamente.