Integração de inteligência artificial no controle do processo de fabricação de papel Kraftliner: previsão de propriedades físicas do papel com base em um programa de retenção e drenagem com aumento de pH

Abstract

A fabricação de papel é um processo industrial multivariável e não linear, no qual pequenas alterações operacionais podem impactar simultaneamente a produtividade, o consumo químico, a eficiência energética e as propriedades do produto final. Nesse contexto, o presente trabalho teve como objetivo avaliar os efeitos da elevação controlada do pH na produção de papel Kraftliner, associada à otimização do sistema de retenção por meio da aplicação combinada de bentonita e poliacrilamida, bem como desenvolver um modelo preditivo baseado em Rede Neural Artificial (RNA) para representação do comportamento do processo industrial. A metodologia envolveu ensaios laboratoriais e testes industriais em escala real, com monitoramento de variáveis operacionais, consumo específico de sulfato de alumínio, demanda energética nas seções úmida e seca da máquina de papel e propriedades mecânicas como Mullen, RCT e SCT. Paralelamente, foi desenvolvido um modelo do tipo Perceptron Multicamadas (MLP), treinado pelo algoritmo de Levenberg?Marquardt, utilizando variáveis representativas do processo como dados de entrada e indicadores de desempenho como variáveis de saída. Foram avaliadas diferentes arquiteturas de rede neural, sendo selecionada a arquitetura composta por uma camada oculta com 20 neurônios, com base no desempenho estatístico, estabilidade do treinamento e capacidade de generalização. O modelo apresentou elevados coeficientes de correlação nos conjuntos de treinamento, validação e teste, evidenciando forte aderência entre valores previstos e observados. Os resultados demonstraram que a elevação controlada do pH, associada ao sistema otimizado de retenção, possibilita a redução do consumo de sulfato de alumínio, mantendo a produtividade e a estabilidade das propriedades mecânicas do papel, sem comprometer a eficiência energética. A modelagem por RNA mostrou-se uma ferramenta robusta para simulação e suporte à tomada de decisão, reforçando o potencial da integração entre experimentação industrial e inteligência artificial para otimização do processo de fabricação de papel.

Abstract: Paper manufacturing is a multivariable and nonlinear industrial process in which small operational changes may simultaneously impact productivity, chemical consumption, energy efficiency, and the properties of the final product. In this context, the present study aimed to evaluate the effects of controlled pH increase in Kraftliner paper production, associated with the optimization of the retention system through the combined application of bentonite and polyacrylamide, as well as to develop a predictive model based on an Artificial Neural Network (ANN) to represent the behavior of the industrial process. The methodology involved laboratory experiments and full-scale industrial trials, with monitoring of operational variables, specific aluminum sulfate consumption, energy demand in the wet and dry sections of the paper machine, and mechanical properties such as Mullen, RCT, and SCT. In parallel, a Multilayer Perceptron (MLP) model was developed and trained using the Levenberg?Marquardt algorithm, employing representative process variables as input data and performance indicators as output variables. Different neural network architectures were evaluated, and the configuration composed of a hidden layer with 20 neurons was selected based on statistical performance, training stability, and generalization capability. The model achieved high correlation coefficients in the training, validation, and testing datasets, demonstrating strong agreement between predicted and observed values. The results showed that the controlled increase in pH, combined with an optimized retention system, enables a reduction in aluminum sulfate consumption while maintaining productivity and the stability of the mechanical properties of the paper without compromising energy efficiency. ANN modeling proved to be a robust tool for simulation and decision support, highlighting the potential of integrating industrial experimentation with artificial intelligence techniques for the optimization of paper manufacturing processes.