Análise e modelagem da demanda de energia no processo de secagem a baixa temperatura de arroz e soja no Brasil

Abstract

A eficiência energética é uma preocupação global crescente, mas poucos estudos analisam a demanda de energia em processos de secagem de grãos, especialmente em silo-secadores. A secagem a baixa temperatura (SBT) destaca-se por reduzir os riscos de danos térmicos e mecânicos, embora suas condições operacionais dependam diretamente do ar ambiente. Esse tema é especialmente relevante para o Brasil, país com grande diversidade climática e importância agrícola. Este trabalho teve como objetivo avaliar a demanda de energia elétrica e térmica na secagem de arroz e soja no Brasil, propor alternativas sustentáveis com base no uso de biomassa residual e desenvolver um modelo preditivo eficiente com redes neurais artificiais (RNAs). Para isso, o modelo de Thompson foi aplicado para simular a demanda de energia em unidades armazenadoras padrão, utilizando dados meteorológicos interpolados espacialmente. As simulações abrangeram quatro safras (2012/13, 2015/16, 2018/19 e 2020/21), considerando variações sazonais e regionais. Um modelo de RNA feed-forward foi desenvolvido para prever as demandas energéticas. Os resultados mostraram que, no caso do arroz, a região Sul, responsável por 81% da produção nacional, concentrou até 86,63% da demanda energética total da safra (903,640 a 1.350,594GWh), e que a reutilização de resíduos compensaria totalmente essa demanda, com balanço de emissões de CO2 variando entre -5.567,2 e 83715,3 toneladas. Para a soja, o Estado do Mato Grosso, maior produtor, apresentou demanda específica de 42,16 a 88,26kWh.ton-1 de produto fresco, enquanto a demanda nacional, de 5,320 a 9,370TWh, esteve concentrada na região Centro-Oeste (42,24% - 44,24%). A casca da soja poderia suprir integralmente a demanda de energia elétrica, implicando em balanços de emissões de CO2 entre -594,8 mil a 775,5 mil toneladas. A SBT de arroz e soja apresentaram demandas específicas totais de energia entre 2,147 e 5,984 e entre 1,266 e 5,822MJ.kg-1 de água evaporada, respectivamente. Comparativamente, a SBT foi mais eficiente para a soja na maioria das condições, exceto em ambientes de baixa temperatura e alta umidade relativa, onde o arroz mostrou maior eficiência. O modelo de RNA proposto apresentou alta precisão na previsão de demandas energéticas, destacando-se como uma alternativa viável ao modelo tradicional. Concluiu-se que as condições climáticas brasileiras favorecem a SBT, que a cogeração com biomassa residual é uma solução sustentável e que o modelo de RNA é eficiente e replicável em outros contextos. As metodologias apresentadas podem subsidiar decisões estratégicas para manejo agrícola e expansão da infraestrutura energética, promovendo eficiência e sustentabilidade, especialmente nos polos produtores agrícolas. Palavras-chave: análise de dados espaciais; desenvolvimento sustentável; eficiência energética; planejamento energético; redes neurais artificiaisEnergy efficiency is a growing global concern, but few studies analyze energy demand in grain drying processes, especially in silo dryers. Low-temperature drying (LTD) stands out for reducing the risks of thermal and mechanical damage, although its operational conditions directly depend on ambient air. This topic is particularly relevant for Brazil, a country with climatic diversity and agricultural importance. This study aimed to evaluate the electrical and thermal energy demand in the drying of rice and soybeans in Brazil, propose sustainable alternatives based on the use of residual biomass, and develop an efficient predictive model using artificial neural networks (ANNs). For this purpose, the Thompson model was applied to simulate energy demand in standard storage units using spatially interpolated meteorological data. The simulations covered four harvests (2012/13, 2015/16, 2018/19, and 2020/21), considering seasonal and regional variations. A feed-forward ANN model was developed to predict energy demands. The results showed that, in the case of rice, the South region, responsible for 81% of national production, accounted for up to 86.63% of the total energy demand for the harvest (903.640 to 1,350.594GWh), and that the reuse of residues would fully offset this demand, with CO2 emission balances ranging from -5,567.2 to 83,715.3 tons. For soybeans, the state of Mato Grosso, the main producer, showed a specific demand of 42.16 to 88.26kWh.ton-1 of fresh product, while national demand, ranging from 5.320 to 9.370TWh, was concentrated in the Central-West region (42.24% - 44.24%). Soybean husks could fully meet the demand for electrical energy, resulting in CO2 emission balances between -594,800 and 775,500 tons. LTD of rice and soybeans presented total specific energy demands between 2.147 and 5.984 and between 1.266 and 5.822MJ.kg-1 of evaporated water, respectively. Comparatively, LTD was more efficient for soybeans under most conditions, except in low-temperature and high- relative-humidity environments, where rice showed greater efficiency. The proposed ANN model demonstrated high accuracy in predicting energy demands, standing out as a viable alternative to the traditional model. It was concluded that Brazilian climatic conditions favor LTD, that cogeneration with residual biomass is a sustainable solution, and that the ANN model is efficient and replicable in other contexts. The methodologies presented can support strategic decisions for agricultural management and the expansion of energy infrastructure, promoting efficiency and sustainability, especially in agricultural production hubs. Keywords: artificial neural networks; energy efficiency; energy planning; spatial data analysis; sustainable development