Inteligência artificial aprende a antecipar falhas em reatores químicos e pode transformar a segurança industrial
Estudo combina aprendizado de máquina e conhecimento das leis físico-químicas para prever o acúmulo de coque, identificar pontos críticos de temperatura e reduzir em até 100 mil vezes o tempo de simulação de processos industriais.

Imagem: Reprodução
Estudo publicado na revista Nature Communications combina aprendizado de máquina e conhecimento das leis físico-químicas para prever o acúmulo de coque, identificar pontos críticos de temperatura e reduzir em até 100 mil vezes o tempo de simulação de processos industriais. Apesar dos resultados promissores, pesquisadores reconhecem que a tecnologia ainda precisa ser testada em condições reais de operação.
A possibilidade de antecipar problemas antes que eles se transformem em falhas industriais ganhou um novo instrumento científico. Uma pesquisa conduzida por Shiyi Tang, Zhaoyang Duan, Zhou Tian, Wenli Du e Feng Qian, vinculados à Universidade de Ciência e Tecnologia do Leste da China, apresenta um modelo de inteligência artificial capaz de reproduzir a evolução de processos químicos complexos, identificar regiões de maior risco operacional e estimar o momento adequado para interromper a produção e realizar a remoção de depósitos de carbono.
Publicado em novembro de 2026 na revista Nature Communications, sob o título Knowledge-guided machine learning deciphers spatiotemporal dynamics in chemical reactor systems, o trabalho propõe uma aproximação entre duas áreas que nem sempre caminham juntas: o aprendizado computacional orientado por dados e o conhecimento científico acumulado sobre as leis que governam as reações químicas e a transferência de calor.
A contribuição central não está simplesmente em utilizar inteligência artificial para fazer previsões. Está em ensinar o algoritmo a reconhecer relações físicas e químicas relevantes, evitando que ele dependa exclusivamente de padrões estatísticos encontrados nos dados. A estratégia enfrenta um problema importante da engenharia química: prever não apenas o comportamento médio de um equipamento, mas também o que acontece em pontos específicos onde pequenas variações podem representar grandes riscos.
O objeto da investigação foi um reator tubular de craqueamento a vapor, processo industrial utilizado na transformação de hidrocarbonetos em matérias-primas fundamentais para a fabricação de plásticos e outros produtos químicos. Durante a operação, a formação gradual de coque — um depósito de carbono nas paredes internas dos tubos — reduz o diâmetro disponível para a passagem dos gases, modifica as condições de transferência térmica e altera a distribuição dos produtos obtidos.
O fenômeno tem consequências econômicas e operacionais. À medida que o depósito aumenta, torna-se necessário fornecer mais calor para manter as condições de reação. A temperatura externa da parede do tubo também pode subir, aproximando-se dos limites suportados pelo material. Identificar esse comportamento antecipadamente é decisivo para evitar danos aos equipamentos e interrupções inesperadas.
Como a pesquisa foi realizada: 6.250 simulações e 90 dias de operação
Para desenvolver o modelo, os pesquisadores utilizaram o software industrial Coilsim1D, ferramenta de simulação de processos de craqueamento que incorpora modelos cinéticos e mecanismos de formação de coque. Em vez de depender inicialmente de medições coletadas diretamente em uma fábrica, a equipe construiu uma ampla base de dados computacionais para representar diferentes condições de funcionamento.
Foram realizadas 6.250 simulações, envolvendo dez composições distintas de matérias-primas e 625 combinações de condições operacionais. Cada simulação representou 90 dias de funcionamento do reator, com registros diários das variáveis analisadas.
O equipamento estudado foi um tubo em formato de U, com 21,2 metros de comprimento total, dividido em 70 posições espaciais. Os pesquisadores consideraram temperaturas de entrada entre 550 °C e 650 °C, temperaturas de saída de 820 °C a 860 °C, proporções de vapor de diluição entre 0,2 e 1 kg/kg e vazões de hidrocarbonetos entre 200 e 300 kg/h.
A investigação acompanhou oito variáveis: os rendimentos de etileno, propileno, metano, acetileno, butadieno e hidrogênio, além da espessura da camada de coque e da temperatura externa da parede do tubo.
A arquitetura computacional escolhida foi a AGCRN (Adaptive Graph Convolutional Recurrent Network), uma rede neural que combina processamento de relações espaciais e temporais. Sua vantagem é reconhecer que diferentes regiões de um reator não funcionam de maneira independente: uma alteração em determinado ponto pode repercutir em outras partes do equipamento.
A equipe acrescentou dois mecanismos de conhecimento especializado. O primeiro introduziu relações entre a formação de coque, os rendimentos de etileno e propileno e a temperatura. O segundo atribuiu maior importância, durante o treinamento, às regiões consideradas críticas para a segurança.
Os dados foram divididos em três conjuntos: 68% para treinamento, 12% para validação e 20% para testes. Assim, o desempenho do modelo pôde ser avaliado com informações que não haviam sido utilizadas diretamente em seu treinamento.
O que os resultados realmente demonstram
O principal resultado foi a capacidade de reproduzir, com elevada precisão, as distribuições espaciais e temporais calculadas pelo Coilsim1D, mas com custo computacional muito menor.
O treinamento do modelo levou aproximadamente 2,78 minutos, enquanto cada previsão individual exigiu, em média, apenas 0,000417 segundo. Uma simulação completa no Coilsim1D demandou aproximadamente 47,4 segundos. A diferença representa uma aceleração da ordem de 100 mil vezes.
A precisão também merece atenção. No conjunto de testes, o modelo apresentou erro médio de aproximadamente 0,02 milímetro para a espessura da camada de coque, 0,60 °C para a temperatura externa da parede e menos de 0,04 ponto percentual em peso para cada um dos rendimentos dos principais produtos químicos.
Um dos resultados mais relevantes aparece na previsão da temperatura máxima externa do tubo. O modelo convencional AGCRN apresentou um erro de aproximadamente 6 °C no final do período de operação. Com a incorporação do conhecimento físico-químico, o erro foi reduzido para aproximadamente 0,60 °C.
A diferença é significativa porque a temperatura máxima não representa apenas mais uma variável estatística. Trata-se de um indicador diretamente relacionado à integridade do equipamento.
Os autores também identificaram que a localização do maior acúmulo de coque muda ao longo da operação: inicialmente, o ponto crítico permanece próximo da posição espacial 20; por volta do vigésimo dia, desloca-se para a posição 50. Já a temperatura máxima externa permanece concentrada nas proximidades da posição 20.
Essa descoberta reforça a importância de acompanhar não apenas a intensidade de um fenômeno, mas também sua localização e evolução ao longo do tempo.
A relação com pesquisas anteriores
O trabalho dialoga com uma trajetória de pesquisas que busca superar as limitações dos modelos matemáticos tradicionais e dos algoritmos puramente estatísticos.
Estudos anteriores já haviam empregado redes neurais recorrentes para estimar a vida útil de fornos industriais e prever o comportamento de processos de craqueamento. Em 2025, inclusive, Tang e colaboradores publicaram um estudo sobre a utilização de redes neurais recorrentes para prever a distribuição espacial de parâmetros em reatores tubulares de craqueamento de hidrocarbonetos leves.
Outra referência importante é o trabalho de Bai e colaboradores, publicado em 2020, que desenvolveu a arquitetura AGCRN para previsão de tráfego. A pesquisa atual transporta essa estrutura para a engenharia química, adaptando-a às relações entre reações, transferência de calor e deposição de carbono.
A novidade está em demonstrar que o conhecimento parcial dos mecanismos físicos pode melhorar significativamente a capacidade de previsão de uma rede neural, especialmente quando o objetivo é identificar pontos localizados de risco.
Os experimentos comparativos também mostram que os dois mecanismos adicionados — a integração das relações entre variáveis e a atribuição de pesos diferenciados às regiões críticas — produzem melhorias individualmente. Quando combinados, apresentam ganhos adicionais na maioria dos indicadores avaliados.
Entretanto, os resultados não foram uniformes. Para a previsão do acetileno (C2H2), por exemplo, a combinação das estratégias não superou o desempenho do modelo que utilizava apenas a camada de integração. Esse detalhe demonstra que a incorporação de conhecimento físico não melhora necessariamente todas as variáveis na mesma proporção.
O que ainda não sabemos: os limites da descoberta
Apesar do desempenho expressivo, existe uma distinção fundamental entre reproduzir uma simulação computacional e prever com segurança o comportamento de uma instalação industrial real.
A principal limitação reconhecida pelos próprios pesquisadores é que o modelo foi treinado e validado com dados produzidos pelo Coilsim1D, e não com medições operacionais independentes de uma planta industrial.

Isso significa que a inteligência artificial demonstrou capacidade de reproduzir os resultados de um simulador reconhecido, mas ainda não comprovou que alcançará a mesma precisão diante de ruídos, oscilações, falhas de sensores e condições imprevistas de uma fábrica.
Outra restrição está na própria entrada do modelo: ele utiliza as distribuições espaciais das oito variáveis no primeiro dia de operação, sem incorporar explicitamente todas as condições operacionais. Os autores reconhecem que diferentes condições podem, em determinados cenários, produzir perfis iniciais semelhantes e evoluções posteriores distintas.
Há também uma questão metodológica importante: a função de perda utiliza uma penalização de suavidade espacial porque os dados simulados apresentam comportamento relativamente regular. Os pesquisadores observam que esse recurso não poderia ser simplesmente transferido para dados industriais ruidosos.
Além disso, a aplicação foi demonstrada em uma configuração específica de reator tubular em U. A possibilidade de adaptação a outras geometrias e sistemas químicos é promissora, mas ainda precisa ser demonstrada experimentalmente.
Os próprios autores apontam a necessidade de incorporar dados industriais confiáveis, utilizar técnicas de aprendizagem por transferência e tratar cuidadosamente as incertezas antes de transformar as previsões em decisões operacionais.
O que pode mudar a partir da pesquisa
A contribuição mais importante talvez esteja na possibilidade de transformar a manutenção industrial de uma atividade predominantemente baseada em intervalos programados e avaliações posteriores em um processo progressivamente orientado por previsões.
Se validado em instalações reais, o modelo poderá auxiliar engenheiros a identificar antecipadamente quando a temperatura de um equipamento se aproxima de limites de segurança, onde o acúmulo de coque tende a ser mais intenso e quando a interrupção da produção para limpeza pode ser economicamente mais vantajosa.
Isso também poderá reduzir intervenções desnecessárias, melhorar o aproveitamento das matérias-primas e contribuir para prolongar a vida útil dos equipamentos.
Os pesquisadores projetam uma etapa adicional: integrar o sistema a uma estrutura de otimização capaz de equilibrar rentabilidade, rendimento dos produtos, tempo de funcionamento e limites térmicos. A intenção é desenvolver recomendações adaptativas para a programação das paradas e operações de descoqueamento.
Essa possibilidade, entretanto, exige margens conservadoras de segurança e avaliação rigorosa das incertezas. Uma previsão computacional não pode substituir os mecanismos de proteção e controle industrial.
Há ainda uma questão relevante para o futuro da inteligência artificial aplicada à ciência: modelos cada vez mais eficientes não precisam necessariamente abandonar o conhecimento acumulado pelas disciplinas tradicionais. Ao contrário, podem ganhar precisão quando incorporam relações físicas, químicas e matemáticas que ajudam a explicar os fenômenos observados.
O estudo de Tang e colaboradores oferece uma demonstração consistente dessa integração. Sua importância não reside em anunciar que a inteligência artificial já consegue controlar autonomamente reatores industriais, mas em mostrar que algoritmos orientados pelo conhecimento científico podem antecipar fenômenos complexos com velocidade e precisão suficientes para abrir novas possibilidades de monitoramento.
A próxima fronteira, portanto, não é apenas fazer a máquina prever o que acontecerá dentro de um reator, mas demonstrar que suas previsões continuam confiáveis quando confrontadas com a realidade de uma fábrica. É nessa passagem do laboratório computacional para a operação industrial que estará a verdadeira dimensão do avanço.
Referência Científica
Tang, S., Duan, Z., Tian, ??Z. et al. Aprendizado de máquina guiado por conhecimento decifra a dinâmica espaço-temporal em sistemas de reatores químicos. Nat Commun (2026). https://doi.org/10.1038/s41467-026-79078-4