MODELO ESTATÍSTICO PARA A EFICIÊNCIA DE REMOÇÃO DE DEMANDA ...

__________________________________________________________________________________________________

Faculdade Municipal Prof. Franco Montoro Interciência & Sociedade, v. 5, n. 1, p. 181-193, ed. especial, 2020

181

MODELO ESTATÍSTICO PARA A EFICIÊNCIA DE REMOÇÃO DE DEMANDA

BIOQUÍMICA DE OXIGÊNIO DA ESTAÇÃO DE TRATAMENTO DE EFLUENTES

DE UMA INDÚSTRIA DE CELULOSE

STATISTICAL MODEL FOR THE BIOCHEMICAL OXYGEN DEMAND REMOVAL

EFFICIENCY OF THE WASTEWATER TREATMENT PLANT OF A PULP

INDUSTRY

Gabriela Leite da Costa1; Francisco de Assis Bertini Moraes2

1- Engenheira Química formada pela Faculdade Municipal Prof. Franco Montoro, FMPFM/Mogi

Guaçu/SP; 2- Docente da FMPFM/Mogi Guaçu/SP (Mestre em Engenharia de Produção, pelo

Centro Universitário de Araraquara/SP).

Contato: [email protected]

RESUMO Este trabalho é uma modelagem estatística por regressão linear múltipla sobre o processo de tratamento de efluentes de uma indústria de papel e celulose. O objetivo é aumentar a eficiência da remoção de DBO, através da simulação de resultados, variando-se o pH, temperatura, vazão, DBO de entrada do efluente no sistema, sólidos suspensos totais e oxigênio dissolvido. Obteve-se neste trabalho um modelo com significância estatística na correlação, determinando os pesos de influência de cada variável o que permite a correta simulação e otimização deste tratamento, contribuindo para uma gestão adequada da ETE para os melhores resultados de mínimo impacto ambiental.

Palavras-chave: Modelo estatístico. Lodo ativado. Regressão linear múltipla.

ABSTRACT This work is a statistical modeling by multiple linear regression on the wastewater treatment process of a pulp and paper industry. The objective is to increase the efficiency of BOD removal by simulating results, varying the pH, temperature, flow rate, BOD inlet of the effluent in the system, total suspended solids and dissolved oxygen. In this work, a model with statistical significance was obtained in the correlation, determining the weights of influence of each variable which allows the correct simulation and optimization of this treatment, contributing to adequate management of TEE for the best results of minimal environmental impact. Keyword: Statistical modeling. Activated sludge. Linear multiple regression.

__________________________________________________________________________________________________


182

INTRODUÇÃO

O processo de produção de celulose consiste em dissolver e extrair a lignina e resinas das fibras de celulose contidas na madeira. Cerca de 98% desta lignina e resinas são extraídas no processo de polpação, concentradas em processo de evaporação e enviadas para queima na caldeira de recuperação, a qual fornecerá a energia térmica e elétrica para o funcionamento da fábrica. Os 2% a 3% remanescentes seguirão junto com as fibras para o processo de branqueamento, onde reagem com produtos químicos clorados, mais reativos com a lignina e resinas e em seguida são extraídas das fibras através de processo de lavagem com grandes quantidades de água. Este resíduo lavado é encaminhado ao tratamento de efluentes para redução de DBO e descarga ao manancial hídrico. As fibras seguem para a produção de papel ou para secagem de celulose (MORAES, 2011).

Sendo assim, as principais cargas de demanda bioquímica de oxigênio (DBO) dissolvidas no efluente de uma fábrica de celulose e papel são provenientes dos resíduos gerados pela água extraída na evaporação e pelo processo de lavagem no branqueamento (MORAES, 2011).

As empresas atualmente dão uma maior importância às consequências de seus processos produtivos, ou seja, que seus efluentes líquidos, seus resíduos sólidos e emissões atmosféricas não prejudiquem a qualidade do ecossistema ao seu redor, evidenciando uma preocupação com as futuras gerações (SILVEIRA, 2010).

O tratamento destas águas residuais ocorre normalmente pelo processo biológico aeróbio, que consiste na reprodução do mecanismo de biodegradação natural que acontece nos rios, conhecido por autodepuração. Pode ser definido como um processo fermentativo, aeróbio, contínuo, com reciclo de biomassa, que é um inoculo aclimatado e constante, também chamado de lodo ativado (VAZOLLÉR et al., 1991).

O modelo estatístico será elaborado utilizando a técnica de análise de regressão linear múltipla, sendo considerada de longe a técnica de dependência mais amplamente usada e versátil, aplicável em cada faceta da tomada de decisões em negócios. Seus usos variam desde os problemas mais gerais até os mais específicos, e, em cada caso, relaciona um fator (ou fatores) a um resultado específico (HAIR, 2007).

Portanto, o presente trabalho tem como objetivo a modelagem estatística de um sistema de tratamento de efluentes por lodo ativado de uma indústria de papel e celulose. Este trabalho trará tabelas e gráficos com os resultados obtidos através de dados fornecidos, pois será baseada em teoria, experiência prévia e nos objetivos da pesquisa, distinguindo as variáveis independentes, que preveem cada variável dependente, verificando que algumas variáveis dependentes se tornam independentes em relações subsequentes, além disso, muitas das mesmas variáveis independentes afetam cada uma das variáveis dependentes, mas com diferentes efeitos. O PROCESSO DE LODO ATIVADO

O processo de tratamento por lodo ativado é estritamente biológico e aeróbio, sendo necessário um pré-tratamento que consiste na retirada de sólidos por decantação em clarificadores.

Conforme o fluxograma da Figura 1, o efluente então segue para a torre de resfriamento com o objetivo de manter a temperatura na entrada do tratamento entre 35ºC e 37ºC, seguindo para uma lagoa de homogeneização. Encaminha-se então ao reator biológico, onde ocorre a degradação da matéria orgânica através das bactérias aeróbias presentes no lodo ativado. Depois passa por clarificadores onde o sobrenadante segue para uma lagoa de polimento para posterior descarte no

__________________________________________________________________________________________________


183

corpo hídrico. Esta lagoa é para manter uma vazão de descarte constante, de forma que seu nível alterará conforme ocorrem variações na vazão de entrada, mantendo maior estabilidade na vazão de saída da lagoa, evitando grandes variações de carga poluente ao corpo receptor.

O sólido sedimentado no clarificador retorna para um adensador, onde seu sobrenadante retorna para a lagoa de aeração e seu sólido decantado, contendo micro-organismos mortos, segue para duas prensas desaguadoras, que desidratam o lodo e este segue para o processo de compostagem (NICOLAU, 2002).

Os lodos ativados são flocos formados num efluente bruto ou decantado pelo crescimento de bactérias ou outros micro-organismos, na presença de oxigênio dissolvido, e acumulado em concentrações suficientes graças ao retorno de outros flocos previamente formados, eles são produzidos.

Figura 1 - Fluxograma do processo de lodo ativado.

Fonte: Nolli (2015).

A ocorrência de flocos densos pode ser vista na Figura 2, onde é necessário que as principais condições ambientais dentro dos reatores estejam controladas, tais como: meio neutro em termos de pH, presença dos principais nutrientes, geralmente nitrogênio e fósforo, oxigênio deve ser adicionado em quantidade suficiente, controle da presença de substâncias tóxicas ou potencialmente inibidoras (CLAAS, 2007).

As principais variáveis para o adequado controle do processo são: temperatura, normalmente controlada na entrada do tanque de aeração; pH, controlado do tanque de mistura de efluente ao tanque de aeração; DBO ou demanda bioquímica de oxigênio indica a concentração de material biodegradável no líquido; DQO ou demanda química de oxigênio indica a concentração de material biodegradável e não biodegradável no líquido; IVL ou índice volumétrico do lodo serve para avaliar quão sedimentável ele é; OD ou oxigênio dissolvido é residual deste no tanque de aeração; N-NH3 ou índice do nível nutricional e a capacidade de nitrificação do sistema; IL ou idade do lodo, ou ainda, tempo de permanência do lodo no sistema; FC ou fator de carga é a relação da carga de DQO pela massa viva no sistema (NICOLAU, 2002).

Tratamento Primário

Retirada de Sólidos

Fábrica Integrada de

Papel e Celulose

Lagoa de Equalização

Reator Biológic

o

ClarificadoreEfluente Tratado Torre de

Resfriamento

Lagoa de Estabilização

Descarte de Lodo

Compostage

Corpo Hídrico Lagoa de

Emergência

Reto

rno d

e L

od

o

__________________________________________________________________________________________________


184

Além do carbono, os micro-organismos necessitam de outros nutrientes para o funcionamento de seu metabolismo, sendo os principais: nitrogênio e o fósforo, comumente adicionados ao sistema na forma de ureia e ácido fosfórico, respectivamente (SOTEMANN et al., 2005).

Figura 2 - Estrutura de um floco bem formado.

Fonte: Yano (2012).

Uma das variáveis mais importantes para o controle do sistema de lodos ativados é a

baseada na relação existente entre a matéria orgânica do efluente a ser tratado e a quantidade de micro-organismos necessários para degradá-la, conhecida como relação alimento/micro-organismo (A/M) (CAO et al., 2005). Outra variável primordial do processo é a taxa de recirculação do lodo e seu descarte, onde o volume de lodo em excesso que deverá ser retirado, está diretamente relacionado à sua idade e ao volume do reator, determina também, a quantidade de sólidos suspensos totais e camada de lodo no decantador secundário (DIEZ et al., 2002).

MODELAGEM ESTATÍSTICA POR REGRESSÃO LINEAR MULTIPLA

A modelagem estatística utilizando a técnica de regressão linear múltipla permite ao pesquisador avaliar inúmeras relações de dependência inter-relacionadas em diferentes níveis de complexidade.

O tipo de regressão que envolve mais de um regressor (variável independente) é chamado de regressão linear múltipla. Modelos estatísticos de regressão linear múltipla são geralmente utilizados para a construção de modelos empíricos, ou seja, o modelo fenomenológico que relaciona y e x1, x2,..., xn é desconhecido, mas, sobre certos domínios das variáveis independentes, o modelo de regressão linear é uma aproximação adequada (MORAES, 2011).

Em geral, a variável dependente, ou resposta y, está relacionada com n variáveis independentes ou regressoras. O modelo y = β0 + β1.x1 + β2.x2 ... βn.xn é chamado de modelo linear de regressão múltipla com n regressores. Os β1, β2, β3,..., βn, são chamados de coeficientes de regressão.

Cabe salientar que esta forma de análise é mais rápida e segura do que realizar testes em uma planta real. Neste ponto, é importante lembrar que o modelo é uma aproximação das "leis" que

Matriz de Polissacarídeos

Bactérias Formadoras de

Flocos

Partículas Coloídais Aderidas

Protozoários

Bactérias Filamentosas (Estrutura Rígida do Floco)

__________________________________________________________________________________________________


185

regem o comportamento da planta industrial e, portanto, poderão ocorrer diferenças entre o comportamento do processo e o comportamento previsto pelo modelo.

Sendo assim, a análise de regressão múltipla é de longe a técnica de dependência mais amplamente usada e versátil, aplicável em cada faceta da tomada de decisões em engenharia e negócios. Seus usos variam desde os problemas mais gerais até os mais específicos, e, em cada caso, relaciona um fator (ou fatores) a um resultado específico.

Em geral, a variável dependente, ou resposta y, está relacionada com k variáveis independentes ou regressoras. O modelo:

y = β0 + β1 x1 + β2 x2 + ………+ βk xk + ε

É chamado de modelo linear de regressão múltipla com k regressores. Os βj, j=0, 1,..., k,

são chamados de coeficientes de regressão. Esse modelo descreve um hiperplano no espaço de K dimensão das variáveis regressoras (xi) da variável dependente (y). O parâmetro βj representa a mudança esperada na resposta y por unidade de mudança em xj, quando todos os demais regressores xi (i≠j) são constantes. Se o domínio dos dados inclui x1 = x2 =.....= xk = 0, então β0 é a média de y quando x1 = x2 =.....= xk= 0. Caso contrário, β0 não tem interpretação física.

Modelos de regressão linear múltipla são geralmente usados como modelos empíricos, ou seja, o modelo fenomenológico que relaciona y e x1, x2,..., xk é desconhecido, mas, sobre certos domínios das variáveis independentes, o modelo de regressão linear é uma aproximação adequada.

Na maioria dos problemas reais, os valores dos parâmetros (os coeficientes de regressão βj) e as variâncias σ2 não são conhecidos, e eles devem ser estimados a partir de uma amostra de dados.

A técnica MLR apresenta a vantagem de utilizar variáveis originais, sendo os modelos obtidos fáceis de serem interpretados. Importante ressaltar que, para um conjunto de variáveis, alguns pré-requisitos, já discutidos, devem ser atendidos, tais como:

Análise de variância da regressão (ANOVA) ou de valor-p da regressão;

Teste T ou de valor-p para os coeficientes das variáveis independentes;

Comparação de R-Sq, R-Sqadj, R-Sqpred;

Linearidade do fenômeno medido;

Variância constante dos termos do erro (Homoscedasticidade);

Normalidade dos erros;

Ausência de colinearidade, e

Ausência de observações aberrantes (Outliers). Neste trabalho, serão construídos modelos estatísticos através da “Metodologia”, cujos

dados utilizados constam no apêndice e os modelos encontrados com a respectiva validação no “Estudo de Caso”.

METODOLOGIA

Como pode-se ver em Silva e Menezes (2005), do ponto de vista de sua natureza, a presente pesquisa é aplicada, pois tem como objetivo gerar conhecimentos para aplicação prática dirigida à solução de problemas específicos.

Do ponto de vista da forma de abordagem do problema, essa pesquisa é quantitativa, pois visa coletar e analisar variáveis dependentes e independentes por meio de técnicas estatísticas.

__________________________________________________________________________________________________


186

Através de seus objetivos, esta pesquisa pode ser visualizada e classificada como descritiva, pois descreve relações entre variáveis através da construção de um modelo matemático.

Portanto, do ponto de vista dos procedimentos técnicos, esta pesquisa caracteriza-se como uma pesquisa bibliográfica e estudo de caso, pois através do conhecimento dos fenômenos é articulado de forma teórica usando conceitos, modelos, experiência prévia e proposições bem definidos. Nesta situação, o tratamento dos dados é conduzido com o objetivo específico de testar a adequação dos conceitos desenvolvidos e a validade das fronteiras dos modelos (modelo estrutural). É importante salientar que, nesta pesquisa, as informações são coletadas de uma fração de um tratamento, que deve necessariamente ser capaz de generalizar descobertas sobre a amostra que representa.

Sendo assim, esta análise exige habilidade e conhecimento conceitual do problema, normalmente formalizado com a construção de um modelo estrutural que permite testar uma série de relações que constituem o modelo em larga escala ou um conjunto de princípios fundamentais. Para essas tarefas a modelagem com regressão linear múltipla é bem adequada.

Dessa forma, a proposta de trabalho envolve os seguintes itens:

Técnicas: modelagem de equações com regressão linear múltipla;

Processo: planta de tratamento de efluentes por lodo ativado da empresa International Paper do Brasil na unidade de Mogi Guaçu-SP;

Variáveis a serem preditas: vazão de entrada do efluente; concentração e carga da DBO de entrada e saída; temperatura de entrada e saída; pH; sólidos suspensos totais; oxigênio dissolvido; eficiência de remoção da DBO;

Dados: dados mensais do período de 01 de março de 2017 a 30 de abril de 2017;

Programas e Softwares: MINITAB 14 e Excel para construção dos modelos de regressão linear múltipla e Power Point para apresentação dos gráficos.

ESTUDO DE CASO

O estudo de caso foi realizado na empresa International Paper do Brasil Ltda., que possui três unidades produtivas no Brasil (Mogi Guaçu-SP, Luiz Antônio-SP e Três Lagoas-MS), com capacidade instalada de 820 mil toneladas/ano de celulose e 1 milhão de toneladas/ano de papel para imprimir e escrever. Sendo que cerca de 50% das vendas são destinadas ao mercado interno e as exportações destinadas a países de todos os continentes, mas o estudo de caso refere-se à Unidade Mogi Guaçu-SP – adquirida pela IP em 1959 – atualmente a mesma atua de forma integrada, com capacidade de produção de 1.000 toneladas/dia de celulose e 1.200 toneladas/dia de papel, contendo uma linha única de produção de celulose e quatro máquinas de papel.

__________________________________________________________________________________________________


187

Figura 5 - Contribuições para a estação de tratamento de efluentes.

Fonte: Nolli (2015).

Como pode-se ver, a Figura 5 ilustra as principais áreas da indústria e suas contribuições de carga poluente à estação de tratamento por lodo ativado e ao manancial hídrico.

A planta de tratamento de efluentes por lodo ativado vem operando de forma satisfatória, mantendo todos os parâmetros em conformidade com a legislação pertinente, licença de operação e a capacidade do meio ambiente circundante. A Figura 6 nos mostra resumidamente esta estação.

Figura 6 -Tratamento de efluentes por lodo ativado.

Fonte: Moraes (2011).

Linha de Fibras

Recuperação

Fábrica de Papel

Tratamento de Efluentes

Celulose Branqueada

Papel

Licor PretoLicor Branco

Madeira

Eficiência de 98% de remoção de DBO

Carga DBO: 12500 Kg/dVazão: 55000 m³/dConc DBO: 227 ppm

Carga DBO: 250 Kg/diaVazão: 55000 m³/diaConc DBO: 4,5 mgO2/L




DecantadorPrimário

DecantadorSecundário

Ar

TanquePolimento

Tanque de Aeração

Gradeamento

EfluenteBruto

DescargaPara o Rio

Prensa

TorreResfriamento

Solidos p/Compostagem

Lodo Secundário

Tratamento SecundárioLodo-Ativado Polimento

Sopradores

Tratamento Primário

Adensador

Tanque deEqualização

__________________________________________________________________________________________________


188

RESULTADOS E DISCUSSÕES

As variáveis disponibilizadas pela IP-Mogi Guaçu-SP são referentes ao período de 01 de Março de 2017 a 30 de Abril de 2017, tendo como base dados por dia. Através da resposta da eficiência de remoção de DBO (EFC – %) foram identificadas as covariáveis ou fatores previamente mostrados que estariam relacionados com a variabilidade dos dados, sendo elas: Vazão de entrada do efluente (Q – m3/h), DBO de entrada do efluente (DBOe – mg/l), Carga da DBO de entrada do efluente (C_DBOe – kg/dia), Temperatura de entrada (Te – ºC), Temperatura de saída (Ts – ºC), pH de entrada do efluente (pH), Sólidos suspensos totais (SST – ppm), Oxigênio dissolvido (OD – ppm), DBO de saída do efluente (DBOs – mg/l), Carga da DBO de saída do efluente (C_DBOs – kg/dia), conforme Figura 7.

Figura 7 - Ilustração das variáveis envolvidas na modelagem.

Fonte: elaborado pelos autores.

Portanto selecionou-se e verificaram-se as covariáveis que realmente estão influenciando na eficiência de remoção de DBO, realizou-se pré-avaliações de correlações para que o modelo represente adequadamente o processo, através do software MINITAB versão 14.

Conforme se pode visualizar na Figura 8, pela avaliação nota-se que as covariáveis de influência no modelo são: a DBO de entrada do efluente (DBOe); a vazão de entrada do efluente (Q); Temperatura (T); sólidos suspensos totais (SST); o oxigênio dissolvido; o pH encontra-se na faixa de 6,4 a 7 esta não mostrou correlação com a eficiência de remoção de DBO de saída do efluente (DBOs).

__________________________________________________________________________________________________


189

Figura 8 - Correlações para a DBO de saída do efluente (DBOs).


Usando o software MINITAB versão 14 e considerando-se o modelo com as cinco covariáveis

selecionadas apresentado abaixo, construiu-se a Tabela 2, contendo os estimadores de mínimos quadrados (EMQ) para os coeficientes de regressão, os erros padrão (EP) dos estimadores obtidos, a estatística t de Student observada e os valores-p.

Tabela 2 - Estimadores de mínimos quadrados.


Dos resultados da Tabela 2, se pode verificar que as covariáveis: DBOe, Q, T, SST e OD apresentam efeitos significativos na resposta Y, pois os valores-p correspondentes são menores do que 0,05. Esses resultados afirmam as hipóteses preliminares da influência das covariáveis.

Um estimador da variância σ2 do erro é dado a partir da soma de quadrados residual por S2 = 3,86783 e o coeficiente de determinação que mede a qualidade do ajuste do modelo aos dados é igual à R2 = 0,955 (95,5%) e R2 ajustado = 0,951 (95,1%) (um indicativo do adequado ajuste do

Preditor EMQ EP do Estimador Estatística t Valor -p (*)

Constante -121,21 23,73 -5,11 0,000

DBOe 0,10306 0,01012 10,16 0,000

Q 0,018881 0,004247 4,45 0,000

T 0,09843 0,395 2,49 0,016

SST 0,012516 0,005028 2,49 0,016

OD -12,692 2,991 -4,24 0,000

(*) significativo em 5% (0,05)

__________________________________________________________________________________________________


190

modelo aos dados). A adequabilidade do modelo (normalidade dos erros, variância constante, erros não correlacionados) também é verificada a partir de gráficos dos resíduos conforme se pode ver na Figura 9.

Dos estimadores de mínimos quadrados (EMQ) para os parâmetros de regressão βI, I = 1, 2, 3, 4 e 5, verifica-se que aumentos em DBOe, Q, T e SST (β1 = 0,103, β2 = 0,0189, β3 = 0,984 e β4 = 0,0125) levam a um aumento médio na resposta Y, pois os sinais dos estimadores são positivos. Dessa forma, pode-se concluir, há aumento na eficiência de remoção de DBO de saída do efluente com o aumento dos valores desses fatores (DBO de entrada do efluente, vazão de entrada do efluente, temperatura do efluente e sólidos suspensos totais). Da mesma forma, um aumento nos níveis de OD (oxigênio dissolvido) leva a uma redução na eficiência de remoção de DBO de saída do efluente (β5 = -12,7), pois o sinal do EMQ é negativo.

Figura 9 - Normalidade dos erros, variância constante, erros não correlacionados.


O modelo de primeira ordem ajustado é dado por:

DBOs = - 121 + 0,103 DBOe + 0,0189 Q + 0,984 T + 0,0125 SST - 12,7 OD

Portanto conforme a equação 5 obtida com as covariáveis DBOe, Q, T, SST e OD, podemos obter uma DBOs calculada através da mesma, conforme ilustrado nos gráficos das Figuras 10 e 11, segue uma breve comparação com os valores reais e pelo tempo.

Standardized Residual

Pe

rce

nt

420-2-4

99,9

99

90

50

10

1

0,1

Fitted Value

Sta

nda

rd

ized

Resid

ua

l

604020

2

1

0

-1

-2

Standardized Residual

Fre

que

ncy

2,41,20,0-1,2-2,4

16

12

8

4

0

Observation Order

Sta

nda

rd

ized

Resid

ua

l

605550454035302520151051

2

1

0

-1

-2

Normal Probability Plot of the Residuals Residuals Versus the Fitted Values

Histogram of the Residuals Residuals Versus the Order of the Data

Residual Plots for DBOs

__________________________________________________________________________________________________


191

Figura 10 - Comparação entre os valores de DBOs – Calculado x Real.


Figura 11 - Comparação entre os valores de DBOs em função do tempo.


CONSIDERAÇÕES FINAIS

Por conta da natureza quantitativa e descritiva deste trabalho, escolheu-se por verificar se a utilização da técnica de modelagem por regressão linear múltipla é uma ferramenta viável,

__________________________________________________________________________________________________


192

alternativa aos modelos teóricos (com base fenomenológica). A modelagem mostrou-se capaz para abordar um processo de complexidade reconhecida: a influência das variáveis do sistema de tratamento de efluentes numa indústria de papel e celulose.

Com o emprego da técnica de simulação gráfica, é possível identificar condições recomendadas para obter uma máxima eficiência de remoção de DBO de saída e o que se deve fazer caso ocorra diminuição ou aumento da mesma, em relação às variáveis que compõe este sistema.

As técnicas aqui empreendidas possibilitam a replicação de estudos similares em outras unidades fabris (a partir de dados reais), visando sua eficiência econômica e, consequentemente, a sustentabilidade da cadeia industrial. Salienta-se que os dados aqui reportados não foram encontrados na literatura industrial. REFERÊNCIAS CAO, Y. S. et al. Performance analysis of anoxic selector in upgrading activated sludge process in tropical climate. Water Science and Technology, v. 52, p. 27-37, 2005. CLAAS, I. C. Lodos Ativados: princípios teóricos fundamentais, operação e controle. Porto Alegre: Evangraf, 136p. 2007. DIEZ, M. C. et al. Operational factors and nutrient effects on activated sludge treatment of Pinus radiata kraft Mill wastewater. Bioresource Technology, v. 83, p. 131-138, 2002. HAIR, A. T. Análise Multivariada de Dados. 5a edição. Bookman Editora. Porto Alegre, RS, 2007. MORAES, F. A. B., Modelo para estimativa do consumo de madeira e insumos energéticos para indústria de celulose e papel, programa de mestrado profissional em engenharia de produção. Dissertação (Mestrado) - Centro universitário de Araraquara. Araraquara, SP, 2011. NICOLAU, A. et al., Importância da identificação das espécies responsáveis pelo crescimento filamentoso nas ETARS. In: Encontro Nacional de Saneamento Básico - Simpósio Luso-Brasileiro de Engenharia Sanitária e Ambiental, 2002. NOLLI, Carlos Eduardo. Aplicação da metodologia Kaizen no controle de bulk filamentoso do processo de lodo ativado na indústria de papel e celulose. In: V Congresso de Sistemas LEAN, UFSC – Florianópolis, SC, 2015. SILVEIRA, Gustavo Echenique. Sistema de tratamento de efluentes industriais. Monografia (Trabalho de Conclusão de Curso) – Universidade Federal do Rio Grande do Sul – UFRGS, Porto Alegre, RS, 2010. SOTEMANN, S.W. et al. Integrated biological, chemical and physical processes kinetic modeling part-1- Anoxic-aerobic C and N removal in activated sludge system. Water AS, v. 31, p. 529-544, 2005.

__________________________________________________________________________________________________


193

VAZOLLÈR, R. F.; GARCIA, A. D.; CONCEIÇÃO NETO, J. Microbiologia de Lodos Ativados- Série Manuais. CETESB-Companhia de Tecnologia de Saneamento Ambiental. São Paulo: CETESB, p.23.1991. YANO, A. A. Estudo sobre o controle do intumescimento filamentoso, utilizando cloro em lodos ativados de indústria alimentícia. Dissertação (Mestrado). UFMT, Cuiabá, 2012. SILVA, E. L.; MENEZES, E. M. Metodologia da pesquisa e elaboração de dissertação. 138 p. 4ª. edição. Universidade Federal de Santa Catarina, UFSC, 2005.

Os autores declararam não haver qualquer potencial conflito de interesses referente a este artigo.

MODELO ESTATÍSTICO PARA A EFICIÊNCIA DE REMOÇÃO DE DEMANDA ...

Documents

Transcript of MODELO ESTATÍSTICO PARA A EFICIÊNCIA DE REMOÇÃO DE DEMANDA ...