JBCS

INTRODUÇÃO

O Painel Intergovernamental sobre Mudanças Climáticas de 2023 (IPCC) concluiu que o aumento de 1,1 ºC na temperatura média da Terra foi principalmente causado pelo excesso de emissões de CO₂.¹ Na busca de controlar as emissões desse gás por combustíveis fósseis, políticas de uso de biocombustíveis vêm sendo implementadas no Brasil e no mundo, como o emprego de biodiesel em misturas com o diesel mineral.

A porcentagem de biodiesel presente no diesel comercial brasileiro (combustível composto pela mistura de diesel mineral e biodiesel) atualmente é de 14% (v v^-1).² Entretanto, as análises semestrais da Agência Nacional do Petróleo, Gás Natural e Biocombustíveis têm identificado um alto número de não conformidades referentes ao teor de biodiesel presente no diesel comercial.³ Essas não conformidades podem ser causadas por adulterações, que geralmente são feitas utilizando substâncias mais baratas e miscíveis no combustível como querosene, álcoois, solventes em geral, óleos vegetais e/ou óleos lubrificantes usados.⁴

As adulterações afetam propriedades físico-químicas do diesel comercial, como ponto de fulgor, teor de enxofre, teor de água e massa específica, podendo causar a perda na eficiência do combustível e danos aos motores de combustão. Com isto, dependendo da quantidade desses adulterantes, podem ocorrer a obstrução do sistema de injeção e filtros de combustível, aumento da corrosão e uma maior deposição de carbono nos motores, prejudicando economicamente os consumidores ao diminuir a vida útil dos veículos e aumentar a frequência de manutenção e reparos.^4,5 Outros fatores econômicos a se considerar são a concorrência desleal e a fraude fiscal. Com a adulteração, produtores de diesel comercial conseguem vender o combustível a um preço menor que aquele não adulterado, podendo monopolizar o mercado e diminuir a arrecadação de impostos relacionados à venda de combustíveis.^6,7

As vantagens ambientais esperadas utilizando a mistura biodiesel-diesel também sofre graves impactos com a prática das adulterações, pois a queima do combustível adulterado pode gerar monóxido de carbono, óxidos de nitrogênio e enxofre, substâncias particuladas, partículas inaláveis (MP₁₀ e MP_2,5) e fumaça em maiores quantidades, acarretando a um desarranjo ambiental no que se refere a qualidade do ar, que por sua vez, afeta a saúde da população. A inalação desses poluentes pode causar problemas pulmonares, especialmente em grupos mais vulneráveis, como idosos e crianças, além de propiciar o desenvolvimento de doenças crônicas como asma, bronquite e demais síndromes respiratórias.^8,9

Diante das implicações ambientais, econômicas e de saúde relatadas, métodos analíticos com capacidade de determinar a concentração de biodiesel, como as ferramentas quimiométricas, se mostram relevantes e fundamentais para o controle de qualidade dessa classe de combustíveis. Assim, o presente estudo propõe dois métodos: o primeiro visando a quantificação da concentração de biodiesel metílico de dendê (Elaeis guineensis) em misturas com diesel mineral na faixa de 1 a 30% (v v^-1) biodiesel-diesel e o segundo, para determinar possíveis adulterações de óleo lubrificante automotivo (usado) na mistura de 14% (v v^-1) biodiesel-diesel utilizando a técnica de espectroscopia no infravermelho médio com transformada de Fourier (FT-MIR, do inglês Fourier-transform mid infrared) e a resolução multivariada de curvas por mínimos quadrados alternados (MCR-ALS, do inglês multivariate curve resolution with alternating least squares), uma vez que essa técnica multivariada se destaca por possuir a capacidade de identificar e quantificar analitos em amostras complexas, sem conhecimento prévio de possíveis interferentes.¹⁰

 

PARTE EXPERIMENTAL

Produção do biodiesel e preparação das amostras

O biodiesel metílico de dendê (BMD) foi produzido no Laboratório de Biocombustíveis, do Instituto de Química da Universidade Federal de Uberlândia (Uberlândia, MG, Brasil), utilizando o processo a seguir: o óleo de dendê comercial foi submetido ao processo de hidroesterificação na proporção de massas 1:1 (m m^-1) óleo:álcool metílico (H₃COH, 99,8% v v^-1, Synth, Diadema, Brasil), acrescido de 0,5% (m m^-1) de ácido sulfúrico (H₂SO₄, 99,8% v v^-1, Neon, São Paulo, Brasil), em relação ao volume de álcool. A mistura foi mantida em fervura por 120 min sob refluxo.

Em seguida, se separou a fase óleo e a ela, foi adicionado álcool metílico na razão de 30% de sua massa mais 1% (m m^-1) de hidróxido de potássio (KOH, 85% m m^-1, ACS Científica, Sumaré, Brasil). A solução foi deixada em agitação (agitador RCT basic, IKA, Campinas, Brasil) por 60 min a 120 rpm e depois transferida para um funil de separação para descanso, por 24 h. Depois do período de descanso, a fase glicerol da catálise básica foi retirada e o éster resultante (biodiesel) foi lavado com porções de água destilada a 80 ºC até a fase aquosa se tornar límpida. O biodiesel foi levado a um evaporador rotativo (modelo 802, Fisatom, São Paulo, Brasil) por 60 min, a 80 rpm, pressão de 400 mm Hg e 80 ºC para a retirada de possíveis traços de água.

As amostras para o modelo de teor de BMD em diesel foram preparadas em quintuplicata no intervalo de concentração de 1 a 30% (v v^-1) BMD-diesel, adicionando o biodiesel em diesel mineral S-10 puro, com o auxílio de uma balança analítica (modelo AUY220, Shimadzu, Barueri, Brasil). As frações mássicas (% m m^-1) foram convertidas em frações volumétricas (% v v^-1) através da densidade. Para o modelo de quantificação do interferente, frações de óleo lubrificante automotivo (usado) foram adicionadas em misturas de 14% (v v^-1) BMD-diesel. Todas as amostras foram homogeneizadas e mantidas em descanso, sem contato com a luz e à temperatura ambiente, por um período de 24 h.

Aquisição de dados espectrais

Os espectros FT-MIR foram adquiridos usando um espectrômetro IR PRESTIGE-21 (Shimadzu, Barueri, Brasil), pertencente a Rede de Laboratórios Multiusuário da Universidade Federal de Uberlândia (Uberlândia, MG, Brasil), equipado com acessório horizontal de refletância total atenuada (HATR, do inglês horizontal attenuated total reflectance) com cristal de ZnSe (Pike Techonologies, Fitchburg, EUA), na faixa de 4000 a 600 cm^-1 resolução de 4 cm^-1 e 16 varreduras, utilizando cerca de 1 mL de amostras.

Resolução multivariada de curvas por mínimos quadrados alternados

A resolução multivariada de curvas (MCR, do inglês multivariate curve resolution) procura extrair informações dos perfis puros dos componentes presentes em uma matriz de dados experimentais X, através do produto das matrizes C (comumente associada aos perfis de concentração) e S^t (associada aos espectros dos constituintes) conforme a Equação 1:¹¹

onde, X (n × m) é a matriz de dados, de "n" amostras para "m" variáveis; C (n × A) e S^t (A × m) são, respectivamente, as matrizes com os perfis de concentração e espectros de componentes puros nas amostras, em que A é o número de componentes que contribuem para o sinal. E é relacionado ao erro experimental e tem o mesmo tamanho de X, e contém a variância não explicada do modelo.

No MCR-ALS, a Equação 1 é resolvida iterativamente usando os quadrados mínimos alternados (ALS, do inglês alternating least squares), o que torna o modelo bastante flexível e com facilidade para incorporar informações externas no processo de resolução. Na otimização do modelo, restrições como não negatividade, balanço de massas, unimodalidade, fechamento e inclusão de modelos pré-determinados são empregados para melhorar os resultados da análise, os deixando mais condizentes com os dados químicos e evitando ambiguidades rotacionais comuns em métodos de resolução bilinear.¹²

Construção dos modelos de regressão

Os modelos de regressão multivariada foram construídos no Laboratório de Quimiometria do Triângulo, do Instituto de Química da Universidade Federal de Uberlândia (Uberlândia, MG, Brasil) utilizando o ambiente MATLAB^® R2015b (MathWorks, Inc. , EUA),¹³ e o software MCR-ALS GUI toolbox versão 2.0.¹⁴

O pré-processamento dos dados espectrais foi realizando fazendo-se a média das replicatas, corrigindo a linha de base e cortando regiões ruidosas nas faixas entre 4000 e 3100 e 2500 e 1850 cm^-1. A separação das amostras para as análises foi realizada pelo algoritmo de Kennard-Stone,¹⁵ sendo 15 para o conjunto de calibração e 10 amostras para o conjunto de teste em ambos os modelos.

As estimativas dos postos de matriz foram realizadas utilizando o método decomposição em valores singulares (SVD, do inglês singular values decomposition) e para as estimativas iniciais foi aplicado o método de aproximação da variável pura (PURE, do inglês pure variable approximation), baseada na análise de mistura interativa simples de usar (SIMPLISMA, do inglês simple-to-use interactives mixture analysis).

Validação dos modelos multivariados

O processo de validação, tem como intuito a certificação do bom desempenho de um método desenvolvido, utilizando para isso parâmetros (figuras de mérito) como: erros quadráticos médios, coeficiente de determinação, porcentagem de falta de ajuste, gráfico de resíduos, limite de determinação e limite de quantificação.¹⁶

O erro quadrático médio (RMSE, do inglês root mean squared error) calculado a partir da Equação 2, apresenta valores sobre o ajuste do modelo em relação aos grupos de calibração (RMSEC, do inglês root mean squared error of calibration) e previsão (RMSEP, do inglês root mean squared error of prediction).

onde o y_p é o valor previsto de concentração do analito, y_r é o valor real de concentração da espécie de interesse presente na amostra e n_g refere-se o número de amostras presentes em cada grupo.

O valor do coeficiente de determinação (R²) com a porcentagem de falta de ajuste (%LOF, do inglês lack of fit) e a análise do gráfico de resíduos, avaliam a qualidade do ajuste do modelo desenvolvido, demonstrando o quanto a equação matemática produzida consegue explicar os dados originais. Desta forma, as Equações 3 e 4, apresentam respectivamente, o cálculo para a obtenção do R² e da %LOF, sendo que quanto mais próximo de 1 for o valor de R² e quanto menor a %LOF, melhor é a capacidade do modelo em representar a realidade.¹⁷

onde e_ij é igual a x_ij - x^*_ij (x_ij é um elemento da matriz X original e x^*_ij corresponde ao mesmo elemento na matriz X* reconstruída).

O limite de detecção (LOD) é a menor quantidade do analito de interesse que pode ser identificada, porém, que não pode ser quantificada sob as condições em que o ensaio é realizado. Por outro lado, o limite de quantificação (LOQ), expressa a menor quantidade da espécie que, além de detectada, é quantificada. Diante das diversas maneiras de se obter os valores de LOD e LOQ, neste trabalho foi adotado o LOQ = 1% (v v^-1) para ambos os modelos desenvolvidos nesse estudo, uma vez que é recomendado que o valor de LOQ seja igual ou maior que o primeiro ponto da curva analítica. Para o cálculo do LOD, empregou-se a Equação 5,¹⁸ seguida da confirmação visual do valor obtido de 0,3% (v v^-1).

 

RESULTADOS E DISCUSSÃO

Analisando os perfis recuperados por MCR a partir da mistura BMD-diesel apresentados na Figura 1a, nota-se grande similaridade com o espectro real do biodiesel (Figura 1b), principalmente pela presença das bandas associadas às vibrações de deformação axial C-O, por volta de 1000 a 1300 cm^-1 e vibração C=O da carbonila de ésteres (~ 1750 cm^-1).¹⁹ De modo análogo, o perfil recuperado para o diesel assemelha-se ao espectro real do diesel S-10 (Figura 1c) ao apresentar as bandas em 1380 e 1450 cm^-1 que se referem, respectivamente, às deformações simétricas e assimétricas de CH₃ e entre 2840 e 3000 cm^-1, associadas às vibrações de deformação axial das ligações C-H dos agrupamentos de metila e metileno.²⁰

 

 

Os perfis recuperados do BMD foram utilizados para a determinação do teor desse biodiesel nas misturas com diesel, onde o modelo de regressão MCR-ALS, apresentado na Figura 2, convergiu após 3 iterações (critério de convergência 0,1%), obtendo R² = 0,9997, %LOF = 1,36, RMSEC = 0,56% (v v^-1), RMSEP = 0,65% (v v^-1), LOQ = 1,0% (v v^-1) e LOD = 0,33% (v v^-1). Para a construção deste modelo, foram utilizadas 3 componentes principais (PC, do inglês principal component), empregando a concentração como estimativa inicial no método PURE e a restrição de não negatividade nas linhas e colunas da matriz de dados instrumentais.

 

 

O valor de R² próximo de um, juntamente com o baixo valor de %LOF, indicam bom ajuste do modelo. Esse desempenho é reforçado, ainda, pelos baixos valores de RMSEC e RMSEP, onde o valor de RMSEC menor que o RMSEP demonstra que o modelo não possui tendências em suas previsões.

Com o gráfico de resíduos apresentado na Figura 3, é possível visualizar a homocedasticidade (aleatoriedade) dos erros de previsão, assim como seus baixos valores (menores que +1,2% e maiores que −1,0%), o que confirma (com o R²) a linearidade da equação desenvolvida e caracteriza um modelo não tendencioso.

 

 

O modelo para a quantificação da concentração do interferente (óleo lubrificante automotivo usado) em misturas 14% (v v^-1) BMD-diesel apresentado na Figura 4, foi construído a partir de 4 PC, utilizando a concentração como estimativa inicial (método PURE) e restrição de não negatividade sob as linhas e colunas da matriz espectral. A convergência ocorreu após 17 iterações, quando a variação dos resultados entre a 17ª e a 18ª iteração foi menor que 0,1%. Foram obtidos como parâmetros de mérito os seguintes valores: R² = 0,9992, %LOF = 1,45, RMSEC = 0,67% (v v^-1), RMSEP = 0,81% (v v^-1), LOQ = 1,0% (v v^-1) e LOD = 0,33% (v v^-1).

 

 

Novamente, o valor de R² próximo de um e o baixo valor de %LOF, indicam bom ajuste do modelo, o que é reforçado pelos baixos valores de RMSEC e RMSEP. A homocedasticidade dos erros pode ser verificada através do gráfico de resíduos apresentado na Figura 5, onde os baixos valores (entre- 2,0 e +1,5%) confirmam a linearidade da equação desenvolvida, característica de um modelo não tendencioso.

 

 

Diversos autores^21-25 se dedicaram na criação de métodos capazes de identificar e quantificar o teor de analitos em misturas de ésteres, ácidos graxos, hidrocarbonetos e óleos em geral, além de determinar a presença e concentração de possíveis adulterantes nessas matrizes complexas conforme exemplos apresentados na Tabela 1. A ferramenta quimiométrica mais utilizada para estes fins é a regressão por mínimos quadrados parciais (PLS, do ingles partial least squares) e suas variações (PLS por sinergismo de intervalos, siPLS e PLS por intervalos, iPLS) por ser uma técnica conhecida, regulamentada,^26,27 e conseguir prever a concentração do analito mesmo na presença de interferentes, caso esses interferentes estajam presentes na construção do modelo. Essa condição pode se tornar uma limitação ao uso do PLS pela dificuldade de simular todas as contaminações e adulterações que os combustíveis e óleos comerciais podem sofrer e, além disso, o ajuste do modelo pode se tornar complexo e exigir uma validação extensa para evitar overfitting, ou seja, para que o modelo não apresente bom desempenho somente para os dados de treinamento, mas também consiga prever adequadamente novos dados.^28,29

 

 

Este estudo vai de encontro com a literatura (Tabela 1) ao apresentar baixos valores de RMSEC e RMSEP, assim como uma alta linearidade para ambos os modelos propostos: determinação do teor de BMD em diesel e quantificação do adulterante óleo lubrificante automotivo (usado) em misturas 14% (v v^-1) BMD-diesel, com as vantagens de prever a concentração dos analitos de interesse na presença de interferentes que não estejam presentes na calibração dos modelos (diferente do PLS), de se utilizar um menor numero de amostras para a construção das curvas analíticas e utilizar uma técnica espectroscópica de fácil operação, amplamente conhecida e custo razoável. Entretanto é importante salientar que o MCR-ALS possui forte dependência das condições iniciais, que impactam profundamente na convergência e ajuste do modelo, necessita de restrições bem aplicadas para evitar ambiguidades roracionais (diferentes resultados possíveis) e possui certa dificuldade (comparado ao PLS) em trabalhar com não linearidades.^11,30

 

CONCLUSÕES

A regressão por resolução multivariada de curvas por mínimos quadrados alternados aplicada em espectros de infravermelho médio com transformada de Fourier (FT-MIR) apresenta baixo custo, rapidez na análise e simplicidade de execução.

Os modelos desenvolvidos para a determinação do teor de biodiesel metílico de dendê em misturas com diesel mineral e para a quantificação do adulterante óleo lubrificante automotivo (usado) em misturas 14% (v v^-1) biodiesel-diesel, obtiveram bons ajustes e uma alta capacidade em prever a concentração dos analitos de interesse.

A redução do número amostras e suas leituras diretas no espectrômetro FT-MIR nos dois modelos apresentados, sem a necessidade de preparo como solubilização em solventes orgânicos, os configuram, também, em métodos ecologicamente satisfatórios (verdes) já que a geração de resíduos é minimizada.

 

AGRADECIMENTOS

Os autores agradecem à Fundação de Amparo à Pesquisa do Estado de Minas Gerais - FAPEMIG (código do financiamento: APQ-03286-21), à Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES, ao Conselho Nacional de Desenvolvimento Científico e Tecnológico - CNPq e à Rede de Laboratórios Multiusuário da Universidade Federal de Uberlândia - RELAM-UFU.

 

REFERÊNCIAS

1. The Intergovernmental Panel on Climate Change (IPCC); AR6 Synthesis Report: Climate Changes 2023, Switzerland, 2023. [Link] acessado em Setembro 2024

2. Ministério de Minas e Energia (MME), https://www.gov.br/mme/pt-br/assuntos/noticias/mistura-de-14-de-biodiesel-no-diesel-comeca-a-valer-nesta-sexta-feira, acessado em Setembro 2024.

3. Agência Nacional do Petróleo, Gás natural e Biocombustível (ANP); Programa de Monitoramento de Qualidade dos Combustíveis (Características Físico-Química); ANP: Brasília, 2025. [Link] acessado em Setembro 2024

4. Cunha, D. A.; Cunha Neto, A.; Colnago, L. A.; Castro, E. V. R.; Barbosa, L. L.; Fuel 2019, 252, 567. [Crossref]

5. Lalbiaktluanga; Lalramnghaka, J.; Lalremruata, B.; Lalrempuia, R.; Thanga, H. H.; Infrared Phys. Technol. 2024, 137, 105119. [Crossref]

6. Picardi, G.; Cattaruzza, F.; Mangione, D.; Manzo, F.; Terracciano, A.; Proposito, A.; Talanta Open 2024, 9, 100333. [Crossref]

7. Aguiar, L. M.; Galvan, D.; Bona, E.; Colnago, L. A.; Killner, M. H. M.; Talanta 2022, 236, 122838. [Crossref]

8. Companhia Ambiental do Estado de São Paulo (CETESB), https://cetesb.sp.gov.br/ar/poluentes/, acessado em Setembro 2024.

9. Instituto Nacional de Câncer José Alencar Gomes da Silva (INCA); Poluição do Ar, Câncer e Outras Doenças : O que Você Precisa Saber?; INCA: Rio de Janeiro, 2021. [Link] acessado em Setembro 2024

10. Castro, R. C.; Ribeiro, D. S. M.; Santos, J. L. M.; Páscoa, R. N. M. J.; Talanta 2021, 230, 122373. [Crossref]

11. Março, P. H.; Valderrama, P.; Alexandrino, G. L.; Poppi, R. J.; Tauler, R.; Quim. Nova 2014, 37, 1525. [Crossref]

12. Bro, R.; De Jong, S.; J. Chemom. 1997, 11, 393. [Crossref]

13. Matlab^®, versão 2015b; The MathWorks Inc. , Natick, MA, USA, 2015.

14. Jaumot, J.; Juan, A.; Tauler, R.; Chemom. Intell. Lab. Syst. 2015, 140, 1. [Crossref]

15. Ferreira R. A.; Teixeira G.; Peternelli L. A.; Cienc. Rural 2022, 52, 5. [Crossref]

16. Baqueta, M. R.; Coqueiro, A.; Março, P. H.; Valderrama, P.; Food Analytical Methods 2020, 13, 50. [Crossref]

17. Da-Col, J. A.; Dantas, W. F. C.; Poppi, R. J.; Quim. Nova 2018, 41, 345. [Crossref]

18. Instituto Nacional de Metrologia, Qualidade e Tecnologia (INMETRO); DQO-CGRE-008: Orientação sobre Validação de Metodos Analíticos, 2020. [Link] acessado em Setembro 2024

19. Pavia, D. L.; Lampman, G. M.; Kriz, G. S.; Vyvyan, J. R.; Introdução à Espectroscopia, 4ª ed.; Cengage Learning: São Paulo, 2010.

20. Barbosa, L. C. A.; Espectroscopia no Infravermelho na Caracterização de Compostos Orgânicos; Editora UFV: Viçosa, 2008.

21. Wang, X. Z.; Wu, H. L.; Wang, T.; Chen, A. Q.; Sun, H. B.; Ding, Z. W.; Chang, H. Y.; Yu, R. Q.; J. Food Compos. Anal. 2023, 117, 105094. [Crossref]

22. Su, W.; Li, M.; Yan, C.; Zhang, T.; Tang, H.; Li, H.; Appl. Sci. 2023, 13, 11306. [Crossref]

23. Srata, L.; Farres, S.; Chikri, M.; Addou, S.; Fethi, F.; J. Fluoresc. 2023, 33, 713. [Crossref]

24. Rocha, W. F. C.; Presser, C.; Bernier, S.; Nazarian, A.; Sheen, D. A.; Fuel 2020, 281, 118720. [Crossref]

25. Costa, L. G.; Sitoe, B. V.; Santos, D. Q.; Borges Neto, W.; Quim. Nova 2020, 43, 723. [Crossref]

26. ASTM E1655-05: Standard Practices for Infrared Multivariate Quantitative Analysis International, West Conshohocken, 2012. [Link] acessado em Setembro 2024

27. ABNT NBR 15568: Biodiesel - Determinação do Teor de Biodiesel em Óleo Diesel por Espectroscopia na Região do Infravermelho Médio; Rio de Janeiro, Brasil, 2008. [Link] acessado em Setembro 2024

28. Sousa, P. F. M.; Åberg, K. M.; J. Chemom. 2018, 36, 1. [Crossref]

29. Gowena, A. A.; Downeya, G.; Esquerrea, C.; O'Donnella, C. P.; J. Chemom. 2011, 25, 375. [Crossref]

30. Câmara, A. B. F.; Oliveira, K. G.; Santos, M. C. D.; Lima, R. R. S.; Lima, K. M. G.; Carvalho, L. S.; Food Chem. 2022, 384, 132321. [Crossref]

 

Editor responsável pelo artigo: Jorge M. David