:

Muitas variáveis de processos químicos refletem o real estado de outras variáveis de saída, porém, quando se deseja construir modelos de identificação, a inserção de um número excessivo de variáveis converge para problemas recursivos de sobreajustes, bem como o oposto pode corromper a etapa de aprendizagem e boas estimativas poderão não ser alcançadas, como é o caso das estimativas por redes neurais artificiais (RNA). Muitas vezes, apenas o conhecimento fenomenológico do processo não é suficiente para selecionar variáveis secundárias importantes para o processo. Assim, desenvolveu-se e empregou-se em software Matlab® algoritmos de seleção de variáveis baseados em análise estatística multivariada, com objetivo de indicar os melhores modelos de inferência em um processo de produção de etilbenzeno (EB) para construção de sensores virtuais. Tal processo mostrou-se interessante para o presente trabalho, haja vista a ocorrência de efeitos transientes nas composições de alta pureza nas correntes de topo e de base da segunda coluna de destilação. Foram empregados os métodos da regressão por etapas (stepwise regression) e de todas as regressões possíveis (all possible regressions) para selecionar as variáveis de entrada dos modelos de inferência das composições de topo do EB e de base do dietilbenzeno (DEB). Com os resultados das técnicas utilizadas, concluiu-se que todas as variáveis analisadas exercem influência preponderante nas composições de saída dos compostos de interesse.