O chorume em estudo é oriundo da cidade de Cachoeira Paulista-SP, apresentando baixa biodegradabilidade, devendo ser pré-tratado por um processo oxidativo. O objetivo desse trabalho foi obter um modelo neural em conjunto com análises estatÃsticas que representassem a degradação do chorume in natura pelo processo foto-Fenton solar, em função da redução da demanda quÃmica de oxigênio (DQO). Redes neurais apresentam-se como uma alternativa para a modelagem de processos não-lineares como os processos oxidativos avançados, que envolvem um grande número de variáveis de controle e complexas reações envolvidas. O processo fotocatalÃtico foi otimizado por um planejamento fatorial fracionado (24-1) em duplicata e triplicata no ponto central, sendo as variáveis de entrada em três nÃveis: pH, radiação solar e concentrações de H2O2 e Fe2+. O sistema de tratamento em escala de bancada utilizou um reator batelada, com volume constante (3 L) de chorume, vazão 13 L min-1 e 2-h de reação. A otimização do processo mostrou que o efeito individual de cada variável de entrada deve operar em seu maior nÃvel, sendo que a variável Fe2+ teve significância na forma combinada. A redução percentual de DQO do melhor experimento foi de 88,7 %, sendo esta avaliada em um custo de R$ 126,67 m-3 de chorume. O processo de degradação foi modelado via redes neurais feedforward backpropagation, com coeficientes de correlação linear para os conjuntos de treinamento, validação e teste acima de 0,9, indicando alta predição e generalização do modelo neural proposto. A rede neural proposta mapeou um espaço multidimensional da forma .
This study sought to obtain a neural model and statistical analyzes that represented the degradation of leachate in natura by the solar photo-Fenton process, according to the reduction of chemical oxygen demand (COD). The study used leachate from the town of Cachoeira Paulista-SP, which had low biodegradability and required pre-treatment by an oxidative process. Neural networks are presented as an alternative for the modeling of nonlinear processes such as advanced oxidation processes, which involve a large number of control variables and complex reactions. The photo-catalytic process was optimized by a fractional (24-1) factorial design in duplicate and triplicate, with the center point being the input variables at three levels: pH, solar radiation and concentrations of H2O2 and Fe2+. The treatment system used an open reactor in bench scale with a constant volume (3 L) of leachate flow of 13 L min-1 and a 2-h reaction. The optimization process showed that the individual effect of each input variable should operate at its highest level, and that the variable Fe2 + was significant for the combination. The percentage reduction of COD of the best experiment was 88.7%, which is valued at a cost of R$126.67 m-3. The degradation process was modeled via feedforward backpropagation neural networks with linear correlation coefficients for the training sets, validation and test above 0.9, indicating high prediction and generalization of the proposed neural model. The proposed neural network mapped a multidimensional space of the form .
