Agradeço primeiramente aos meus pais e ao meu querido irmão que, apesar da distância, sempre me incentivaram em todos os meus desafios e sempre fizeram de tudo para que eu possa realizar meus sonhos.Às grandes amizades feitas em Campinas que se tornaram uma verdadeira família ao longo desses dois anos. Em especial a Daniel, Izabela, Virna e Guilherme.Ao meu orientador Prof. Dr. Flávio V. da Silva e minha coorientadora Prof.ª Dra. Ana Maria Frattini Fileti pela oportunidade de fazer parte da sua equipe e pelos preciosos ensinamentos.Aos amigos do LCAP que de alguma forma me ajudaram durante os dois anos de mestrado, em especial a Ana Cláudia, Luís e Thompson.Aos amigos e professores que fiz durante minha experiência no exterior, em especial a Takase-sensei, Hongo-sensei, Ito-sensei, Terada-sensei e Kinh-san.À CAPES, FAPESP e JASSO pelo apoio financeiro.
ResumoA flotação por ar dissolvido (FAD) é um processo amplamente utilizado em tratamento de água e efluentes. Nela, as partículas em suspensão têm sua densidade aparente reduzida a partir da adesão de microbolhas de ar, o que provoca a separação de tais partículas. Esse processo, deve ser precedido por um pré-tratamento: coagulação e/ou floculação; tais etapas, garantem uma melhor eficiência da flotação. Um protótipo de FAD foi montado, instrumentado e automatizado no Laboratório de Controle e Automação de Processos (LCAP) na Unicamp. Por ser um protótipo novo, faz-se necessário um estudo que defina quais são as melhores condições de processo. Dessa forma, esse trabalho investigou as condições de processo que viabilizam a melhor qualidade de água clarificada possível utilizando a ferramenta de planejamento de experimentos aliada à inteligência artificial e aprendizado de máquina. Foi possível obter remoções de turbidez de até 98,8% apenas com a etapa de floculação. Além disso, a partir das análises por planejamento de experimento concluiu-se que a vazão de tanino é a variável de entrada com maior efeito na turbidez removida. A RNA para predição da turbidez apresentou alta capacidade de generalização, entretanto não foi capaz de prever casos extremos testados nos experimentos. O modelo por regressão logística possibilitou a predição da efetividade da etapa de flotação com acurácia de 82%. Já o gerado pela rede neural classificatória obteve acurácia de 100% para os dados gerados nos ensaios.Palavras-chave: flotação; planejamento de experimentos; redes neurais; aprendizado de máquina; coagulação.