Pesquisadores da Escola de Engenharia de São Carlos da Universidade de São Paulo (EESC-USP) reportaram um avanço significativo no desenvolvimento de tecnologias para energias renováveis. O estudo descreve uma nova plataforma de sensoriamento que integra ultrassom e algoritmos de aprendizado de máquina para realizar o monitoramento em tempo real da concentração de glicerol em células a combustível. A pesquisa feita propõe uma solução não invasiva e de baixo custo e é projetada para superar as limitações de robustez e complexidade inerentes aos métodos laboratoriais tradicionais.
O glicerol é um coproduto gerado na produção de biocombustíveis. Devido ao seu elevado teor de hidrogênio e à possibilidade de valorização energética de resíduos, sua utilização eficiente requer um controle rigoroso da concentração. A equipe de pesquisadores desenvolveu um sistema experimental acústico de baixo custo utilizando transdutores piezoelétricos operando nas frequências de 5 kHz e 40 kHz. A metodologia abrangeu uma extensa faixa de concentração, variando de 0 a 13,7 mol/L, o que permitiu a caracterização do sensor desde condições diluídas até níveis próximos da saturação, excedendo os limites operacionais comumente observados em células a combustível enzimáticas.
A interpretação dos dados de atenuação acústica foi conduzida mediante a comparação de três modelos de regressão computacional, compreendendo a Regressão Polinomial, Máquinas de Vetores de Suporte (SVR) e o Perceptron Multicamadas (MLP). Os testes foram executados sob tensões de excitação de 3,3 V, 5 V e 9 V para simular as restrições de potência de sistemas embarcados. Os resultados indicaram que a resposta de atenuação segue um comportamento sigmoidal, sendo que o modelo de rede neural (MLP) demonstrou desempenho superior aos demais. Esta arquitetura alcançou a maior precisão preditiva e estabilidade estatística, com coeficientes de determinação acima de 0,99. A análise de sensibilidade confirmlu a eficácia do sistema, identificando os sinais de 5 kHz sob tensões mais elevadas como os preditores dominantes para a detecção de variações na viscosidade do meio.
As perspectivas futuras delineadas pelo estudo apontam para a viabilidade de integração desta tecnologia em sistemas de diagnóstico inteligente para Células a Combustível de Glicerol Direto (DGFCs) e para óleos de transformadores de potência. A implementação dessa abordagem poderá resultar em melhorias substanciais na eficiência de conversão energética e na durabilidade dos catalisadores. Os próximos passos da investigação incluem a validação do sensor em condições operacionais dinâmicas, com foco na mitigação de interferências eletromagnéticas e na compensação de variações térmicas e análise do efeito térmico sobre a degradação dos óleos.
Os resultados foram aceitos para publicação na conceituadíssima revista IEEE Sensors Journal com o título Machine Learning-Based Ultrasonic Sensing of Glycerol in Direct Fuel Cells, já possuindo o D.O.I. 10.1109/JSEN.2025.3638022
