Otimização de processos químicos utilizando IA: Aplicação de machine learning para melhorar eficiência e segurança.

1. Introdução

   1. Digitalização na indústria

A transformação da indústria desenvolveu-se de modo acelerado ao decorrer das revoluções industriais, primeiramente sendo marcada pela mecanização do motor a vapor, depois com a produção em massa e a eletricidade e por fim a revolução digital, com automação. Com o desenvolvimento da internet é possível adquirir-se sensores eficientes, acessíveis, capacidade de máquinas colaborarem e comunicarem entre si.

A Indústria 4.0, também chamada de Quarta Revolução Industrial, visa a união da tecnologia com a operação industrial. Nesse meio, o todo funcionamento da indústria é integrado de forma digital, com isso os sistemas virtuais analisam informações e preveem tendências. Com isso, essa revolução é sustentada por pilares tecnológicos como integração de sistemas, simulação, robôs autônomos, realidade aumentada e cibersegurança. Para Sugahara (2020), as fábricas inteligentes são ambientes onde sistemas ciber-físicos monitoram os processos e se comunicam entre si e com os funcionários em tempo real. Essa interação sistêmica visa não apenas otimizar a produção, mas também prever falhas nos sistemas.

 

2. Papel da Inteligência Artificial (IA)

O Machine Learning, – que significa aprendizado de máquina – , é um método de análise de dados que permite a um sistema computacional melhorar baseado em experiências passadas. Para a segurança da informação, a tecnologia pode ser aplicada para detectar ameaças, identificar padrões de comportamento suspeitos e prever ataques cibernéticos. Para a análise preventiva de incidentes em ambientes multi-cloud complexos, o Machine Learning é recomendado. Também existem modelos supervisionados, como Random Forest e Support Vector Machines (SVM), e modelos não supervisionados, como K-means e Isolation Forest, que detectam falhas e anomalias.

Segundo Costa (2024), a IA possui uma aplicação prática chamada Redes Neurais Artificiais (RNA) e Máquinas de Vetores de Suporte (SVM), para desenvolver algoritmos capazes de identificar a gravidade de lesões a partir de relatos de acidentes de trabalho. Com isso, é possível compreender a ocorrência de acidentes e automatizar sua classificação, que é fundamental para a segurança e o bem-estar dos trabalhadores.

3. Impactos Positivos

Com a utilização de novas tecnologias no meio industrial o Brasil tem um potencial de redução de custos anuais de, no mínimo, R$ 73 bilhões, que são derivadas de ganhos de eficiência, redução de despesas com manutenção de máquinas e otimização do consumo de energia. Já há ocorrências bem sucedidas que demonstram esses benefícios, por exemplo a Volkswagen, que economizou R$ 93 milhões em dois anos com iniciativas de digitalização.

A implementação do método de Machine Learning e Data Science na indústria impulsiona avanços práticos em diversas áreas, como na manutenção preventiva, na qual os sensores monitoram as condições das máquinas para prever falhas, realizam o planejamento logístico com criação de modelos que preveem a demanda futura; e na automação de armazéns, com o uso de veículos não tripulados como os robôs Kiva da Amazon.

Em 2020, a Henkel investiu na Fero Labs, uma startup que utiliza machine learning para a otimização de processos industriais. O software da Fero Labs, chamado “Fero”, utiliza machine learning para analisar o impacto que as variáveis de entrada têm em cada etapa da produção. O objetivo da Henkel é usar essa tecnologia para aumentar a eficiência e a qualidade de suas operações em unidades produtivas, aplicando os insights do machine learning para um controle de processo mais inteligente e preciso. Conforme Vicente (2024), com isso, é possível observar que as novas tecnologias da Indústria 4.0 são essenciais para o futuro industrial, que demonstra a necessidade de os engenheiros obterem o domínio de conhecimentos tecnológicos. A otimização de processos já é uma realidade que oferece resultados expressivos.

Para que o Brasil possa competir globalmente, é necessário que a indústria nacional aumente a produtividade e participação na economia, de forma que haja investimento focado para inovação e educação.

 

2. Machine Learning: Conceitos

Machine Learning (aprendizado de máquina) é uma área da Inteligência artificial (AI) que tem por objetivo desenvolver algoritmos capazes de identificar padrões e tomar decisões a partir de uma base de dados. Esse recurso constitui um dos pilares da Indústria 4.0, uma vez que possibilita a otimização de recursos, a automatização de processos e a melhoria da eficiência organizacional, conforme descrito por Campos, Farina e Florian (2022). Essa ferramenta pode ser treinada, por exemplo, para distinguir e-mails entre spam e não spam, para analisar dados de venda e prever o comportamento de compra dos clientes, bem como para detecção de fraudes.

No contexto industrial, Rezende, Costa e Jesus (2021) destacam que o aprendizado de máquina é amplamente empregado no planejamento e controle de manutenção de equipamentos, utilizando algoritmos de regressão e classificação para prever falhas, reduzir custos e aumentar a confiabilidade das operações.

Segundo Brynjolfsson e McAfee (2017), é importante ressaltar que o processo de Machine Learning ocorre a partir de exemplos e não por meio de programação explícita para um determinado resultado. Desse modo, os métodos de aprendizado de máquina se orientam a partir dos dados inseridos, assim os algoritmos aprendem automaticamente com o volume desses dados, os quais devem ser fornecidos de maneira contínua (Ludemir et al., 2021).

• 1. Tipos de aprendizado em Machine Learning

O Machine Learning pode ser classificado em diferentes tipos de aprendizado, a depender da forma como o algoritmo recebe e processa os dados.

2.1.1. Aprendizado Supervisionado

Segundo Sutton e Barto, o aprendizado supervisionado consiste em treinar o modelo a partir de instâncias (exemplos) cujos rótulos (saídas) já são conhecidas. O objetivo consiste em desenvolver um modelo conciso que represente a distribuição dos rótulos de classe a partir das variáveis preditoras. O classificador resultante é, então, empregado para atribuir rótulos às instâncias de teste, nas quais os valores das variáveis preditoras são conhecidos, mas o rótulo de classe permanece desconhecido. Esse tipo de aprendizado tem sido amplamente aplicado em tarefas de classificação e regressão, como detecção de fraudes, diagnósticos médicos e filtragem de e-mails (Muhammad et al., 2015).

O aprendizado supervisionado é dividido em técnicas de classificação.O primeiro são os Algoritmos baseados em lógica, como  Como Árvores de Decisão (Decision Trees – DT) e Aprendizado de Conjunto de Regras (Learning Set of Rules). Outra técnica são os Algoritmos Estatísticos, Como Classificadores Naive Bayes (NBN), Redes Bayesianas (Bayesian Networks – BN) e Análise Discriminante Linear (Linear Discriminate Analysis – LDA) (Kotsiantis et al., 2007). Aprendizado Baseado em Instâncias (Instance-Based Learning), como o algoritmo k-Nearest-Neighbor (kNN), é um exemplo de algoritmo de aprendizado preguiçoso (lazy-learning) que atrasa a indução ou generalização até que a classificação seja realizada (Mitchell et al., 2002). Por fim, o Support Vector Machines (SVMs) é um conjunto de métodos de aprendizado supervisionado usados para classificação, regressão e detecção de outliers.

2.1.2 Aprendizado Não Supervisionado

No livro Computing and Control (1996), Sutton e Barto explicam que no Aprendizado Não Supervisionado, as instâncias (dados) são não rotuladas (unlabeled), cabendo ao algoritmo encontrar padrões, associações ou agrupamentos. Pesquisadores utilizam algoritmos não supervisionados (como agrupamento ou clustering) para descobrir classes de itens desconhecidos, mas úteis. Essa abordagem é frequentemente utilizada em mineração de dados, descoberta de conhecimento e segmentação de clientes, permitindo identificar estruturas ocultas nos conjuntos de dados.

2.1.3 Aprendizado por Reforço

O Aprendizado por Reforço é um tipo de Aprendizado de Máquina onde a informação de treinamento, fornecida ao sistema de aprendizado pelo ambiente (ou seja, um trainer externo), está na forma de um sinal escalar de reforço. O sistema aprende por meio de recompensas e penalidades, ajustando suas ações para maximizar os ganhos acumulados, essa técnica é especialmente utilizada em robótica, jogos e sistemas de controle autônomo (Muhammad., 2015).

 

3. Machine Learning na Indústria de Processos

É comum observar na indústria de processos o uso de ferramentas como computadores para modelagem, simulação e otimização de processos, normalmente sendo algorítmos numéricos (equações diferenciais, estatística, etc.), através de diversos aplicativos, tais como MatLab e Excel para melhor controle da fabricação.

No entanto, em processos como a produção da amônia, feito pelo processo de Haber-Bosch, em que sua eficiência é determinada principalmente pela temperatura no leito catalítico e pressão dentro do circuito (Vieira, 2024) e no uso de reatores tipo tanque de mistura perfeita (CSTR, Continuous Stirred Tank Reactor, um dos tipos mais comuns de reatores, sendo muito usado na indústria química de processos), que como o seu nome sugere, é importante ter um controle eficiente da mistura ( Silva, 2020), a depender do tipo de sistema de controle clássico usado, a resolução do problema pela ferramenta se torna ineficiente, sendo necessária uma outra alternativa de programa mais exata para análise e controle de dados ( Eliodório, Carmona e Bruno, 2019).

Nesse sentido, o Machine Learning surge como uma das soluções para tais problemas na indústria, pois além de oferecer mais segurança e redução de custo, também oferece uma oportunidade para gerar um salto de produção em escala industrial, tudo isso devido as “redes neurais”, um dos pilares da Inteligência Artificial explicado por Poole e Mackworth. (2017), que permite que a máquina aprenda e se adapte com base em informações recebidas, assim sendo possível a realização de tarefas complexas, como o reconhecimento de padrões, detectar obstáculos e melhorar a eficiência.

O ML possui uma vasta aplicação na indústria de processos, em especial nos setores como a manufatura industrial (Indústria 4.0) e a indústria de Óleo e Gás, focando principalmente na otimização da eficiência, segurança e na redução de custos.

Na Indústria Geral, o Machine Learning é essencial para auxiliar no planejamento e controle de manutenção de equipamentos industriais. Segundo Li, Zhe & Wang, Kesheng & He, Yafei. (2016), o ML atua utilizando o poder computacional para alcançar um alto nível de capacidade analítica, baseada na busca de padrões gerados a partir de dados previamente obtidos. Já no diagnóstico e previsão, o algoritmo permite a realização de análises como a predição de valores ou a classificação de dados, sendo crucial para evitar possíveis falhas no andamento dos processos de produção.

O ML é usado na manutenção preventiva, pois pode prever falhas e defeitos em equipamentos, que são comuns em um ambiente industrial. Por exemplo, 40% a 70% das falhas em motores e sistemas de acionamentos eletromecânicos são causadas por danos no rolamento, o Machine Learning pode identificar o dano ou defeito encontrado a partir de medições de componentes do motor (Lessmeier et al., 2016).

Para a indústria de óleo e gás, o ML tem aumentado a eficiência e segurança ao lidar com grandes volumes de dados geológicos de padrão homogêneo, poupando o usuário humano de tarefas repetitivas. A facilitação da análise de grandes volumes de dados e a redução do tempo gasto em processos de interpretação e correlação levam à redução de custos (Berton et al., 2023).

4. Melhora na eficiência de processos utilizando machine learning

Segundo Satav e Dandavate (2024), as tecnologias digitais, como o machine learning (ML), estão revolucionando as práticas tradicionais de fabricação de produtos químicos, pesquisa e desenvolvimento (P&D), gestão de segurança, eficiência operacional, economia de custos e esforços de sustentabilidade. A aplicação do ML em processos industriais se destaca pela sua capacidade de aumentar a eficiência, seja pela redução do consumo energético, pela melhoria do rendimento de reações ou pela diminuição da geração de resíduos e subprodutos.

4.1 Redução do consumo energético

A rápida industrialização das últimas décadas elevou significativamente o consumo global de energia, criando a necessidade de soluções inteligentes de gestão. Nesse contexto, Zhang et al. (2020) fornecem evidências empíricas de como os modelos de ML aplicados à manutenção preditiva permitem a detecção precoce de falhas em equipamentos como também seu ajuste automático com base em condições operacionais, ambientais, demanda de produção e análise de padrões de consumo, assim, minimizando o tempo de inatividade, reduzindo custos de manutenção e possibilitando a otimização do uso de energia em tempo real. Essa abordagem evita paradas não planejadas, perdas de produção, desperdício de materiais e aumento do consumo energético.

Em fábricas, por exemplo, sistemas de ML monitoram continuamente máquinas e linhas de produção, ajustando automaticamente parâmetros de operação para minimizar o desperdício energético sem comprometer a produtividade.

4.2 Melhoria no rendimento de reações químicas

Outro campo apresentado por Kumar e Patel (2023) é o grande potencial do machine learning na otimização de parâmetros de reações químicas. Algoritmos de ML conseguem analisar dados históricos e em tempo real de variáveis como temperatura, pressão, concentração de reagentes e tempo de reação. Wang et al. (2020) demonstram que, a partir dessa análise, modelos de machine learning podem prever condições ideais de reação, resultando em maiores rendimentos, menor consumo de matéria-prima e redução do consumo de energia. Em sínteses complexas, o ML pode inclusive auxiliar na identificação de catalisadores mais eficientes ou na escolha das rotas sintéticas com maior probabilidade de sucesso, acelerando descobertas e reduzindo custos de P&D.

4.3 Redução da geração de resíduos e subprodutos

O machine learning também se mostra essencial no controle de qualidade e na detecção de anomalias. Segundo Smith e Lee (2023), o machine learning consegue monitorar continuamente os processos e a qualidade dos produtos, identificar desvios em tempo real e permitir ajustes imediatos, evitando que lotes defeituosos avancem nas etapas produtivas. Isso não apenas reduz perdas econômicas, como também diminui a formação de resíduos que seriam descartados. Somando-se a isso, o machine learning consegue prever condições ideais de reação, minimizando a formação de subprodutos indesejados.

4.4 Sustentabilidade

À medida que a indústria química continua a adotar a digitalização e a automação, o  machine learning se consolida como protagonista dessa transformação. De acordo com Satav e Dandavate (2024) ao implementar soluções baseadas em inteligências artificiais e ML, empresas conseguem alcançar um uso mais eficiente de energia e recursos, reduzir sua pegada de carbono e minimizar a produção de resíduos tóxicos. Além disso, o machine learning acelera a descoberta de alternativas ecológicas e processos mais limpos, promovendo avanços significativos em sustentabilidade.

Em suma, o machine learning atua como um catalisador para a eficiência e sustentabilidade na indústria, possibilitando que processos sejam compreendidos e controlados com um nível de precisão e adaptabilidade sem precedentes. Sua aplicação não apenas melhora o desempenho operacional, mas também contribui para a construção de um setor químico mais competitivo e ambientalmente responsável.

5. Melhora na segurança de processos utilizando machine learning

O uso de machine learning (ML) aplicado à segurança de processos representa uma das principais inovações da Indústria 4.0. A possibilidade de analisar grandes volumes de dados, identificar padrões e classificar automaticamente a gravidade de acidentes eleva o ML a uma ferramenta estratégica para prevenir falhas e mitigar riscos. Essa abordagem permite não apenas o acompanhamento dos eventos já ocorridos, mas também a criação de modelos preditivos capazes de antecipar situações críticas antes que se transformem em acidentes mais graves. Conforme Costa (2024, p. 32) pontua, “a automação por meio de técnicas de machine learning oferece oportunidades significativas para otimizar o ambiente de trabalho industrial”, reforçando o papel dessas tecnologias como aliadas na promoção de ambientes produtivos mais seguros.

Dentro desse contexto, modelos como as Redes Neurais Artificiais (RNA) e as Máquinas de Vetores de Suporte (SVM) têm sido empregados para processar informações de forma eficiente, reconhecendo relações complexas em dados históricos de acidentes. Essas ferramentas possibilitam que sistemas inteligentes atuem como suporte aos operadores e gestores, fornecendo alertas precoces sobre anomalias em máquinas, indícios de falhas ou até comportamentos inseguros. A capacidade de aprendizado contínuo desses algoritmos garante que os modelos se tornem cada vez mais precisos à medida que novos dados são incorporados, estabelecendo um ciclo de aprimoramento contínuo.

O monitoramento em tempo real, associado ao ML, contribui para a construção de uma cultura preventiva. Ao integrar dados históricos com informações de sensores, sistemas de controle e registros de CATs, é possível estabelecer um fluxo de melhoria no qual cada ocorrência registrada alimenta os modelos preditivos. Isso favorece tanto a tomada de decisões rápidas em situações emergenciais quanto o planejamento de estratégias de longo prazo voltadas à segurança. Desse modo, as empresas não apenas reagem a incidentes, mas passam a atuar de forma proativa, antecipando riscos e fortalecendo as práticas de segurança ocupacional. Adicionalmente, a revisão sistemática de Silva et al. (2025) evidencia que as aplicações de IA focadas no ambiente de trabalho tendem a se concentrar em monitoramento visual e detecção de objetos nos espaços laborais. Em muitos estudos, tecnologias como câmeras de vigilância e sistemas de visão computacional são usadas para verificar o uso de Equipamentos de Proteção Individual (EPIs), identificar aproximações perigosas de máquinas ou zonas de risco, e garantir que as regras de segurança sejam observadas em tempo real.

Em síntese, a introdução do machine learning (ML) nos processos industriais tem o potencial de transformar radicalmente a segurança ocupacional e a gestão de riscos. A partir de modelos preditivos e classificatórios, é possível identificar padrões em acidentes passados, detectar comportamentos anômalos em tempo real e antecipar situações de risco, o que reduz tanto a gravidade quanto a frequência de incidentes. Ferramentas como RNA, SVM ou redes neurais mais avançadas demonstram bons resultados quando alimentadas com dados de qualidade, desde CATs até registros operacionais de máquinas, sensores ou câmeras. A aplicação contínua dessas tecnologias favorece o desenvolvimento de uma cultura de segurança preventiva. Quando sistemas de monitoramento, análise de dados históricos, alertas em tempo real e feedback constante interagem, eles criam um ciclo de melhoria: cada novo incidente ou quase incidente serve para refinar os modelos, aprimorar os critérios de alerta e ajustar protocolos operacionais.

 

6. Desafios e limitações

A aplicação de técnicas de machine learning para a melhoria da eficiência e da segurança em diferentes setores industriais e de serviços enfrenta um conjunto de desafios e limitações que precisam ser cuidadosamente considerados. Um dos principais entraves diz respeito à qualidade e à disponibilidade de dados. Como apontam estudos recentes (Shivashankar et al., 2025; Windmann et al., 2024), os modelos de aprendizado de máquina dependem fortemente de dados representativos, consistentes e em volume suficiente para generalizar adequadamente. Contudo, em muitos cenários práticos, os dados apresentam ruído, lacunas, inconsistências e, em alguns casos, vieses sistemáticos que comprometem o desempenho e a confiabilidade dos algoritmos. Além disso, em setores críticos, como saúde e segurança, existe uma escassez de registros de eventos raros, dificultando o treinamento de modelos capazes de lidar precisamente com situações anômalas. Restrições relacionadas à privacidade e à proteção de informações sensíveis também limitam o acesso a bases de dados robustas, o que se traduz em modelos menos eficientes e mais sujeitos a erros em situações de fronteira.

Outro desafio recorrente se refere à capacitação técnica das equipes responsáveis por projetar, implementar e manter soluções baseadas em machine learning. A literatura evidencia que a simples adoção de algoritmos não é suficiente: é necessário contar com profissionais especializados em ciência de dados, engenharia de dados e MLOps, capazes de lidar com todo o ciclo de vida do modelo, desde a coleta e tratamento dos dados até a etapa de monitoramento em produção (Tambon et al., 2021; Mohseni et al., 2021). Em muitos contextos industriais, observa-se uma lacuna entre o conhecimento técnico das equipes de domínio — engenheiros, operadores ou profissionais de saúde — e a expertise exigida para lidar com técnicas avançadas de inteligência artificial. Isso implica em barreiras organizacionais e em custos adicionais relacionados à formação e à manutenção de equipes multidisciplinares.

A integração com sistemas pré-existentes representa outro obstáculo relevante, particularmente em ambientes industriais e críticos. Conforme descrevem Windmann et al. (2024), grande parte das infraestruturas de tecnologia operacional (OT) e tecnologia da informação (TI) foi concebida sem considerar a incorporação de algoritmos de inteligência artificial. A falta de interoperabilidade, as diferenças nos formatos de dados, as limitações de conectividade e os protocolos proprietários dificultam a implementação de soluções que dependem de fluxos de informação em tempo real. Além disso, sistemas legados muitas vezes carecem de capacidade computacional adequada, exigindo investimentos em hardware, redes de baixa latência e arquiteturas híbridas que conciliem processamento em nuvem e na borda (edge computing).

Questões de robustez e segurança também são recorrentes na literatura. Em domínios de alto risco, como transporte autônomo, saúde ou sistemas de defesa, a simples imprecisão de um modelo pode ter consequências catastróficas (Pereira & Thomas, 2020). Assim, garantir que os algoritmos sejam confiáveis, verificáveis e resistentes a ataques adversariais é uma preocupação crescente. A necessidade de certificação de sistemas baseados em machine learning ainda se encontra em fase de consolidação, e não há consenso regulatório internacional sobre como validar formalmente a segurança de tais modelos (Tambon et al., 2021). Além disso, os fenômenos de drift de dados e degradação de performance ao longo do tempo reforçam a necessidade de monitoramento contínuo, o que aumenta a complexidade da manutenção.

A questão da manutenibilidade, aliás, é central na discussão contemporânea. Modelos de aprendizado de máquina não permanecem estáveis indefinidamente: exigem atualizações periódicas, retrain com novos conjuntos de dados e ajustes em pipelines de produção, o que gera custos significativos de engenharia e operação (Shivashankar et al., 2025). A ausência de práticas maduras de MLOps em muitas organizações resulta em falhas de escalabilidade, retrabalho e, por vezes, na obsolescência precoce de soluções que, em tese, poderiam trazer ganhos sustentáveis de eficiência.

 

7. Conclusão

O uso de Machine Learning nas indústrias se mostra cada vez mais útil em diferentes âmbitos. Este trabalho mostrou como a digitalização e a integração de sistemas, e as técnicas de aprendizado de máquina, auxiliam na eficiência e segurança de processos. Entre os resultados mais relevantes estão a redução do consumo de energia, o melhor aproveitamento de reações químicas, a diminuição de resíduos e subprodutos e o avanço em práticas sustentáveis. Além disso, o uso de modelos preditivos e classificatórios permite um monitoramento constante, favorecendo a manutenção preventiva e antecipando falhas, o que reduz custos e aumenta a confiabilidade dos processos industriais.

No campo da segurança, o Machine Learning se destaca pelo potencial de identificar padrões de acidentes, detectar anomalias em tempo real e prevenir riscos ocupacionais. Algoritmos como Redes Neurais Artificiais (RNA) e Support Vector Machines (SVM) permitem análises complexas que tornam o ambiente de trabalho mais seguro e estimulam uma cultura de prevenção baseada em dados. Dessa forma, a tecnologia não apenas reduz a ocorrência e a gravidade de incidentes, mas também fortalece a gestão de riscos e a proteção dos trabalhadores.

Ainda assim, a adoção dessas soluções traz desafios. É preciso garantir a qualidade dos dados, capacitar equipes, integrar novas tecnologias a sistemas já existentes e lidar com questões de robustez e manutenção dos modelos. Superar esses obstáculos exige investimentos contínuos em inovação, infraestrutura e qualificação profissional.

REFERÊNCIAS

COELHO, P. M. Rumo à Indústria 4.0. 2016. Dissertação (Mestrado em Engenharia e Gestão Industrial) – Universidade de Coimbra, Coimbra, 2016. Disponível em: https://baes.uc.pt/bitstream/10316/36992/1/Tese%20Pedro%20Coelho%20Rumo%20%C3%A0%20Industria%204.0.pdf. Acesso em: 17 set. 2025.

COSTA, Larissa Silva et al. Uso da engenharia 4.0 para modelagem de risco: text mining e machine learning para classificação automática de acidentes de trabalho. 2024. Monografia (Trabalho de Conclusão de Curso em Engenharia Química) – Universidade Federal de Alagoas, Maceió, 2024. Disponível em: https://www.repositorio.ufal.br/handle/123456789/15428. Acesso em: 17 set. 2025.

MARCHI, Amadeu José; FONSECA, Maurício Zazeri. Machine learning: aplicabilidade em monitoramento de redes. 2023. In: Congresso de Segurança da Informação das Fatec, 3., 2023. Disponível em: http://ric-cps.eastus2.cloudapp.azure.com/handle/123456789/15348. Acesso em: 17 set. 2025.

SANTOS, Ezequias Silva dos et al. Análise Preditiva de Incidentes em Ambientes Multicloud com Big Data Analytics e Machine Learning: Um Estudo Aplicado ao Setor Público e Indústria. RCMOS-Revista Científica Multidisciplinar O Saber, v. 2, n. 2, 2022. Disponível em: https://submissoesrevistarcmos.com.br/rcmos/article/view/1288. Acesso em: 17 set. 2025.

SANTOS, Marcos; MANHÃES, Aline Martins; LIMA, Angélica Rodrigues. Indústria 4.0: Desafios e oportunidades para o Brasil. In: Anais do X Simpósio de Engenharia de Produção de Sergipe, 2018. Disponível em: https://ri.ufs.br/handle/riufs/10423. Acesso em: 17 set. 2025.

SUGAHARA, José Afonso Santos. Machine learning e data science na indústria: aplicações e desafios. 2020. Trabalho de Graduação (Engenharia de Produção) – Universidade Estadual Paulista, Guaratinguetá, 2020. Disponível em: https://repositorio.unesp.br/entities/publication/3b188a13-df17-4835-abfa-eae56a0b3cb5. Acesso em: 17 set. 2025.

VICENTE, Gabriel Gomes. Transformação Digital na Engenharia Química: Explorando os avanços e desafios na indústria 4.0. 2024. Trabalho de Conclusão de Curso (Engenharia Química) – Universidade Federal de Uberlândia, Uberlândia, 2024. Disponível em: https://repositorio.ufu.br/bitstream/123456789/44597/2/Transforma%C3%A7%C3%A3oDigitalEngenharia.pdf. Acesso em: 17 set. 2025.

SILVA, L. R. da; BARBOSA, L. B.; CARVALHO, J. C. Uso da inteligência artificial na segurança dos trabalhadores: uma revisão sistemática de literatura. Territorium, n. 32 (II), p. 87-104, 2025. Disponível em: https://impactum-journals.uc.pt/territorium/article/view/12884/10724. Acesso em: 23 set. 2025.

COSTA, Larissa Silva. Uso da engenharia 4.0 para modelagem de riscos: text mining e machine learning para classificação automática de acidentes de trabalho. 2024. 35 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Química) – Universidade Federal de Alagoas, Maceió, 2024.

SATAV, Kaivalya; DANDAVATE, Aarti. Leveraging artificial intelligence in the chemical industry: a paradigm shift. International Journal of Scientific Engineering and Applied Science (IJSEAS), v. 7, n. 7, 2024. Disponível em: http://www.oaijse.com/. Acesso em: 23 set. 2025.

LAWRENCE, Nathan P. et al. Machine learning for industrial sensing and control: A survey and practical perspective. Control Engineering Practice, v. 145, p. 105841, abr. 2024. DOI: https://doi.org/10.1016/j.conengprac.2024.105841. Disponível em:

https://www.sciencedirect.com/science/article/pii/S0967066124000017. Acesso em: 23 set. 2025.

PALAZZO, Stefano; PALAZZO, Federica; ZAMBETTA, Giovanni. Optimisation of a Chemical Process by Using Machine Learning Algorithms with Surrogate Modeling. ResearchGate, mar. 2025. Disponível em: https://www.researchgate.net/publication/372869162_Optimisation_of_a_Chemical_Process_by_Using_Machine_Learning_Algorithms_with_Surrogate_Modeling. Acesso em: 23 set. 2025.

WECKMAN, Melina. An Introduction to Machine Learning for Chemical Production. SimAnalytics, 13 set. 2024. Disponível em: https://simanalytics.com/insights/machine-learning-for-chemical-production. Acesso em: 23 set. 2025.

NOZARI, Hamed; SZMELTER-JAROSZ, Agnieszka; SAMADI, Sepideh. Machine Learning Models for Energy Optimization and Resource Consumption in Smart Factories. In: Artificial Intelligence of Everything and Sustainable Development. Singapore: Springer Nature Singapore, 2025. p. 175-189. DOI: 10.1007/978-981-96-7202-8_10.

Disponível https://www.researchgate.net/publication/393659157_Machine_Learning_Models_for_Energy_Optimization_and_Resource_Consumption_in_Smart_Factories. Acesso em: 23 set. 2025.

FAIR EAST PUBLISHERS. The impact of machine learning-driven energy efficiency in industrial sectors. Computer Science & IT Research Journal, v. 3, n. 1, 2024. Disponível em: https://www.fepbl.com/index.php/csitrj/article/view/1570. Acesso em: 23 set. 2025.

MDPI. Special Issue: Machine Learning Optimization of Chemical Processes. Processes, [S.l.], v. 13, n. 5, p. 1352, 2025. DOI: https://doi.org/10.3390/pr13051352. Disponível em: https://www.mdpi.com/journal/processes/special_issues/Z5469U61F4. Acesso em: 23 set. 2025.

CAMPOS, Weslley Pina; FARINA, Renata Mirella; FLORIAN, Fabiana. Inteligência Artificial: Machine Learning na Gestão Empresarial. RECIMA21 – Revista Científica Multidisciplinar, v. 3, n. 6, p. 1-16, 2022. ISSN 2675-6218. Disponível em: https://recima21.com.br/index.php/recima21/article/view/1617. Acesso em: 24 set. 2025.

BERTON, Fábio. Machine learning, inteligência artificial (IA), e a caracterização da subsuperfície: aplicações, possibilidades e riscos. Latin American Journal of Energy Research, v. 10, n. 2, p. 131–139, 2023. DOI: https://doi.org/10.21712/lajer.2023.v10.n2.p131-139. Disponível em: https://revistas.ufpr.br/lajer/article/view/91000. Acesso em: 24 set. 2025.

JESUS, Camila Dias de; REZENDE, Felipe; COSTA, Rodrigo. Machine Learning aplicado ao planejamento e controle da manutenção industrial. Brazilian Journal of Development, Curitiba, v. 7, n. 5, p. 50146–50160, maio 2021. ISSN 2525-8761. Disponível em: https://ojs.brazilianjournals.com.br/ojs/index.php/BRJD/article/view/423. Acesso em: 24 set. 2025.

MUHAMMAD, Iqbal; YAN, Zhu. Supervised machine learning approaches: a survey. ICTACT Journal on Soft Computing, v. 5, n. 3, p. 946–952, abr. 2015. DOI: https://doi.org/10.21917/ijsc.2015.0133. Disponível em: https://ictactjournals.in/paper/IJSC_V5_I3_paper_3.pdf. Acesso em: 24 set. 2025.

PIETQUIN, Olivier. A framework for unsupervised learning of dialogue strategies. In: IEEE Workshop on Automatic Speech Recognition and Understanding, 2009. DOI: 10.1109/ASRU.2009.5373340. Disponível em: https://ieeexplore.ieee.org/document/5373340. Acesso em: 24 set. 2025.

ELIODÓRIO, Kevy Pontes; CARMONA, Ricardo Alexandre; BRUNO, Daniel Otávio Tambasco. MACHINE LEARNING: APLICAÇÕES NA INDÚSTRIA QUÍMICA. Revista Brasileira de Mecatrônica | Brazilian Journal of Mechatronics, [S. l.], v. 1, n. 4, p. 34–49, 2019. Disponível em: https://revistabrmecatronica.sp.senai.br/ojs/index.php/revistabrmecatronica/article/view/37. Acesso em: 23 set. 2025.

SILVA, Geovane Domingos da. Machine learning no controle preditivo de processos. 2020. 48 f. Trabalho de conclusão de curso (Bacharelado em Engenharia Química) – Centro de Tecnologia, Universidade Federal de Alagoas, Maceió, 2021. Disponível em: http://www.repositorio.ufal.br/handle/riufal/7518. Acesso em: 23 set. 2025.

VIEIRA, Claudio Adriano. Aplicação de modelos de aprendizado de máquina para predição de variáveis de processos industriais: um estudo de caso em uma indústria petroquímica. 2024. Dissertação (Mestrado em Engenharia Elétrica) – Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2024. Disponível em: http://repositorio.utfpr.edu.br/jspui/handle/1/35623. Acesso em: 23 set. 2025.

SCHLEDER, G. R.; FAZZIO, A.. Machine Learning na Física, Química, e Ciência de Materiais: Descoberta e Design de Materiais. Revista Brasileira de Ensino de Física, v. 43, p. e20200407, 2021. DOI: https://doi.org/10.1590/1806-9126-RBEF-2020-0407. Disponível em: https://www.scielo.br/j/rbef/a/qzcfSKw4nzBK5Mddr8ZXy4v/?format=html&lang=pt . Acesso em: 24 set. 2025

SANTOS, José Augusto; BORZANI, Maria Eduarda da Paixão. Aplicação de inteligência artificial na otimização do controle do processo físico-químico de eletrólise. 2024. Trabalho de conclusão de curso (Curso Superior de Tecnologia em Sistemas Embarcados) – Faculdade de Tecnologia Deputado Ary Fossen, Jundiaí, 2024. Disponível em: https://ric.cps.sp.gov.br/handle/123456789/28065. Acesso em: 23 set. 2025.

ASSADI, R.; LAUSSEN, P. C.; GOODWIN, J.; GOODFELLOW, S.; DIXON, W.; GREER, R.; JEGATHEESWARAN, A.; SINGH, A.; MCCRADDEN, M. D.; GOLDENBERG, A.; EYTAN, D.; MAZWI, M. An integration engineering framework for machine learning in healthcare. NPJ Digital Medicine, v. 5, n. 117, p. 1-12, 2022.

MOHSENI, S.; WANG, H.; YU, Z.; XIAO, C.; MENG, C.; LEE, J.; YANG, J.; XIE, Y.; YUAN, J.; ROSTAMI, M.; GHAFOURI, A.; WANG, Z.; RAY, B.; HUANG, L.; MA, X.; LIU, S.; WANG, Y.; KARAM, L. Taxonomy of machine learning safety: A survey and primer. ACM Computing Surveys, v. 55, n. 8, p. 1-38, 2021.

PEREIRA, R. F.; THOMAS, R. Challenges of machine learning applied to safety-critical cyber-physical systems. Safety, v. 6, n. 4, p. 31-45, 2020.

SHIVASHANKAR, K.; AL HAJJ, G. S.; MARTINI, A. Scalability and maintainability challenges and solutions in machine learning: systematic literature review. arXiv preprint arXiv:2504.11079, 2025.

TAMBON, F.; LIMA, R.; BARRIÈRE, O.; CHAPOTOT, E.; WARRIOR, A. How to certify machine learning based safety-critical systems? A systematic literature review. arXiv preprint arXiv:2107.12045, 2021.

WINDMANN, S.; WITTENBERG, C.; SCHIESECK, J.; NIGGEMANN, O. Artificial Intelligence in Industry 4.0: A Review of Integration Challenges for Industrial Systems. arXiv preprint arXiv:2405.18580, 2024.

 

Artigo elaborado pela equipe do AIChE Maringá.