Industrialização de Soft Sensors em Refinaria: de modelos isolados a uma camada analítica escalável com modelos híbridos e MLOps

Acelen • Página 1 Industrialização de Soft Sensors em Refinaria De modelos isolados a uma camada analítica escalável com modelos híbridos e MLOps

Resumo Este artigo apresenta o caso técnico de industrialização de soft sensors na Acelen, refinaria brasileira que buscou reduzir o intervalo entre o comportamento real do processo e a disponibilidade de propriedades dependentes de análises laboratoriais. A iniciativa integrou dados do historiador de processo, resultados de laboratório, conhecimento de engenharia, modelos híbridos de inteligência artificial e uma infraestrutura de MLOps para transformar aplicações analíticas pontuais em uma camada reutilizável de inferência operacional. Entre os casos reportados estão metais associados à carga da FCC, ponto de fulgor do diesel, viscosidade de resíduo de vácuo e concentração de amônia. As evidências divulgadas indicam redução da latência de até quatro dias para atualização horária em determinados casos, de 2,5 dias para atualização horária na viscosidade e de aproximadamente um dia para cerca de um minuto no ponto de fulgor, além de estimativa quase em tempo real para amônia. O valor econômico foi reportado como uma faixa estimada de US$ 1–2,5 milhões. A contribuição é discutida frente ao estado da arte de soft sensing, modelagem híbrida e MLOps, distinguindo novidade algorítmica de inovação de arquitetura e operação. O artigo também explicita limitações: a documentação pública analisada não informa tamanho das bases, divisão treino-teste, métricas de erro por modelo, critérios de drift ou memória de cálculo financeiro. Em vez de preencher essas lacunas por inferência, elas são tratadas como requisitos de evidência para auditabilidade. Por fim, o trabalho sistematiza um playbook de implantação e condições de transferibilidade para outras unidades industriais.

Palavras-chave: soft sensor; inferential sensor; refino; inteligência artificial; MLOps;

modelagem híbrida; transformação digital industrial.

1. Introdução

Em plantas de processo contínuo, a instrumentação fornece grande volume de dados em alta frequência, mas parte das propriedades de interesse operacional continua dependente de amostragem e ensaios laboratoriais. Isso cria um intervalo entre o estado real da planta e a disponibilidade da informação usada por operação e engenharia. Soft sensors — também chamados de sensores inferenciais ou virtuais — foram desenvolvidos justamente para estimar variáveis de difícil, lenta ou onerosa medição a partir de variáveis disponíveis on-line.

A tecnologia é consolidada na literatura de engenharia de processos e possui aplicações em monitoramento, controle e qualidade de produto (Kadlec, Gabrys e Strandt, 2009).

A maturidade do conceito, entretanto, desloca a questão de inovação. Em ambientes industriais reais, a dificuldade não está apenas em ajustar um modelo preditivo, mas em mantê-lo confiável, integrado, versionado, monitorado e utilizável por quem toma decisão. A literatura de sistemas de machine learning mostra que dependências de dados, interfaces, mudanças do processo e manutenção podem gerar dívida técnica maior que o próprio código do modelo (Sculley et al., 2015). O paradigma de MLOps surge exatamente para organizar Acelen • Página 2 práticas, papéis, componentes e fluxos necessários à operação contínua de produtos de machine learning (Kreuzberger, Kühl e Hirschl, 2023).

Este artigo analisa o caso da Acelen a partir dessa perspectiva. A pergunta central é: como transformar modelos inferenciais isolados em uma capacidade analítica industrial escalável, incorporada às rotinas de operação e engenharia? A tese defendida é que o valor do caso decorre da combinação entre redução da latência de informação e industrialização do ciclo de vida dos modelos, e não da reivindicação de novidade do conceito de soft sensor em si.

2. Estado da arte e posicionamento da contribuição

Kadlec, Gabrys e Strandt (2009) consolidaram os principais fundamentos dos soft sensors orientados a dados e destacaram desafios que permanecem atuais: pré-processamento, qualidade dos dados, seleção de variáveis, manutenção, adaptação e degradação de desempenho. No setor petroquímico e de refino, estudos posteriores demonstraram aplicações em unidades reais. Mojto et al. (2021) utilizaram dados industriais para projetar sensores inferenciais em unidades de FCC e hidrotratamento de gasóleo a vácuo, com ênfase em pré-tratamento, outliers e seleção de estrutura. Ferreira, Pedemonte e Torres (2022) propuseram um framework de machine learning para uma coluna de destilação de refinaria, enquanto Mendia et al. (2022) desenvolveram um soft sensor adaptativo para inferência de ponto de fulgor em processo real de refino.

Além dos modelos puramente orientados a dados, a literatura de modelagem híbrida enfatiza a combinação entre conhecimento científico, relações de processo e técnicas de machine learning. Sharma e Liu (2022) sistematizam arquiteturas em que a ciência complementa o aprendizado ou vice-versa. Em paralelo, de Souza et al. (2021) demonstraram, em uma planta de refino, que automação de etapas de desenvolvimento pode melhorar desempenho e reduzir esforço para múltiplas propriedades de diesel.

Esse conjunto de trabalhos é importante para evitar uma afirmação inflada de originalidade.

Soft sensors, modelos híbridos e MLOps são conceitos estabelecidos. O diferencial do caso Acelen está em sua combinação e industrialização no contexto da refinaria: a iniciativa foi estruturada como programa, integrando dados de processo e laboratório, desenvolvimento e validação, modernização de analisadores on-line, disponibilização das estimativas e mecanismos para monitoramento e expansão progressiva.

Dimensão Abordagem pontual típica Contribuição do caso Acelen Escopo Um modelo para uma variável ou unidade Portfólio de variáveis críticas e base para novos casos Dados Integração construída caso a caso Integração recorrente entre historiador e laboratório Modelagem Ênfase no algoritmo Combinação de conhecimento de processo e modelos híbridos Implantação Entrega do modelo Industrialização em dashboards, rotinas de engenharia e sistemas operacionais Operação Manutenção ad hoc Evolução para monitoramento, atualização e MLOps Valor Acurácia preditiva Acurácia + redução de latência + capacidade de escala

Acelen • Página 3

3. Contexto industrial, problema e hipótese de intervenção

O caso foi desenvolvido na Acelen no período informado de 02/06/2025 a 07/08/2026. O problema operacional de partida era a dependência de ciclos de amostragem, ensaio, validação e reporte laboratorial para variáveis críticas. O documento-base menciona explicitamente metais na carga da FCC, ponto de fulgor do diesel, viscosidade de resíduo de vácuo e concentração de amônia. Essas variáveis não estavam disponíveis de modo contínuo, criando uma janela de baixa visibilidade entre duas medições de referência.

A hipótese de intervenção foi que dados industriais disponíveis em alta frequência poderiam ser combinados com resultados laboratoriais históricos e conhecimento de engenharia para produzir estimativas intermediárias mais frequentes. O objetivo não era substituir o laboratório, mas reduzir a latência de informação e permitir que tendências ou desvios fossem identificados antes do próximo resultado oficial.

Em termos causais, o mecanismo esperado pode ser sintetizado da seguinte forma: maior latência da propriedade crítica gera uma janela de decisão mais lenta; uma estimativa inferencial validada reduz essa janela; a informação mais frequente antecipa diagnóstico e atuação; a atuação antecipada pode reduzir perdas, desvios de qualidade ou exposição ambiental, desde que a estimativa esteja dentro de sua faixa de validade e seja incorporada a um processo decisório real.

Arquitetura funcional da solução

1. Historiador

de processo

2. Dados + laboratório

qualificação e sincronização

3. Modelos

híbridos

4. MLOps

versionamento e monitoramento

5. Uso operacional

dashboards e engenharia

Os resultados laboratoriais atuam como referência de treinamento, validação e acompanhamento do desempenho, enquanto especialistas de processo e laboratório participam da seleção e interpretação das relações. O parceiro tecnológico RADIX é citado no documento-base como apoio à engenharia e industrialização da solução.

4. Método de implantação e governança do ciclo de vida

A iniciativa foi conduzida como programa, e não como um único modelo. A sequência descrita no caso compreendeu priorização de variáveis críticas, integração entre dados de processo e análises laboratoriais, desenvolvimento e validação dos modelos, modernização de analisadores on-line e industrialização por MLOps. As estimativas foram incorporadas a dashboards, rotinas de engenharia e sistemas operacionais, criando uma base para monitoramento contínuo e expansão a novos casos.

A primeira etapa é a seleção do caso de uso. Em aplicações industriais, uma variável deve combinar relevância operacional, disponibilidade de dados explicativos, amostragem laboratorial suficiente e possibilidade concreta de ação. Em seguida ocorre a qualificação dos dados. Como processo e laboratório possuem frequências e atrasos distintos, a associação temporal precisa considerar o instante de coleta da amostra, a dinâmica do processo e a integridade dos sensores. Trabalhos de refino mostram que detecção de outliers e seleção de variáveis podem influenciar de forma significativa o resultado do sensor inferencial (Mojto et al., 2021).

Na modelagem, o caso relata uso de modelos híbridos de inteligência artificial. A documentação disponível não detalha quais algoritmos, equações fenomenológicas ou combinações híbridas foram utilizadas em cada soft sensor. Por rigor, este artigo não atribui Acelen • Página 4 uma arquitetura específica não comprovada. O termo “híbrido” é usado no sentido reportado pelo projeto: integração de conhecimento do fenômeno físico e engenharia com desenvolvimento analítico. A literatura de Sharma e Liu (2022) oferece a taxonomia necessária para classificar formalmente o tipo de hibridização quando a documentação técnica detalhada estiver disponível.

Na industrialização, MLOps deve ser entendido como ciclo de vida e não apenas infraestrutura. Na literatura, isso envolve automação, versionamento, validação, implantação, monitoramento, papéis claros e mecanismos de atualização (Kreuzberger, Kühl e Hirschl, 2023). No caso da Acelen, o diferencial declarado é justamente avançar de soluções pontuais para uma camada analítica capaz de sustentar monitoramento, atualização e escala.

5. Resultados observados e critérios de interpretação

Os resultados divulgados são principalmente métricas de latência de informação. Para manter comparabilidade e auditabilidade, os percentuais abaixo foram recalculados a partir das próprias durações informadas no caso, evitando excesso de precisão. A redução de latência descreve velocidade de disponibilidade da estimativa; ela não equivale a acurácia do modelo.

Caso de uso Baseline informado Disponibilidade com soft sensor Redução aproximada da latência Observação Metais/FCC e monitoramento associado até 4 dias (≈96 h) estimativas horárias ≈99,0% valor calculado de 95/96; o caso original reportou 98,8% Viscosidade de resíduo de vácuo 2,5 dias (≈60 h) estimativas horárias ≈98,3% ganho de frequência entre resultados laboratoriais Ponto de fulgor do diesel ≈1 dia (24 h) ≈1 minuto ≈99,93% recalculado a partir de 24 h → 1 min; não 99,99% Amônia não quantificado no documento quase tempo real não calculável sem baseline temporal público suficiente

O documento também reporta uma faixa de valor econômico estimado de US$ 1–2,5 milhões.

Como a memória de cálculo não está apresentada, esse número deve ser tratado como estimativa e não como benefício realizado auditado. Uma versão tecnicamente robusta do dossiê deve separar benefício realizado, custo evitado e oportunidade potencial, associando cada parcela a uma fonte, período e responsável pela validação financeira.

Outro ponto essencial é separar latência de desempenho preditivo. Para um soft sensor ser considerado confiável, o relatório de validação deve conter, por modelo, período de treinamento e teste, número de amostras independentes, critérios de exclusão, distribuição de regimes operacionais e métricas de erro — por exemplo MAE, RMSE, R² ou outra métrica tecnicamente justificada. Esses dados não constam na documentação pública analisada e, portanto, não são inventados neste artigo.

5.1 Referências laboratoriais e qualidade da medição O laboratório permanece como referência para treinamento, validação e acompanhamento dos soft sensors. Para propriedades como ponto de fulgor e viscosidade, existem métodos normativos consolidados no domínio, como ASTM D93 para ponto de fulgor em vaso fechado Pensky-Martens e ASTM D445 para viscosidade cinemática de líquidos transparentes e Acelen • Página 5 opacos. A citação desses padrões serve para situar o caso no contexto de controle de qualidade; não se afirma, com base na documentação recebida, que esses sejam necessariamente os procedimentos internos adotados pela Acelen. A versão final auditável deve registrar o método efetivamente utilizado pelo laboratório, sua versão, procedimento interno correlato e critérios de qualidade metrológica.

6. Discussão

A avaliação crítica do caso exige distinguir “tecnologia nova” de “nova capacidade organizacional e arquitetural”. A literatura comprova que soft sensors em refinarias, inferência de ponto de fulgor, sensores para colunas e múltiplas propriedades de diesel já foram publicados. Assim, seria tecnicamente frágil afirmar que a novidade está em usar inteligência artificial para estimar propriedades de processo.

A contribuição original defendida aqui é de nível de sistema. Primeiro, a Acelen tratou o tema como programa de industrialização, em vez de um conjunto de provas de conceito independentes. Segundo, uniu diferentes fontes de dados e áreas de conhecimento em uma arquitetura comum. Terceiro, deslocou o critério de sucesso de “modelo que prediz” para “modelo que é operado, monitorado e incorporado à rotina”. Quarto, criou capacidade de replicação para novos casos, reduzindo o custo marginal de industrialização de aplicações futuras.

Esse posicionamento é compatível com a literatura de MLOps e dívida técnica. Em sistemas de ML reais, a robustez depende de muito mais que a função preditiva: pipelines, validação de dados, integração, monitoramento e resposta a mudanças são parte central do produto. A inovação prática do caso está, portanto, na transição de uma lógica de modelo para uma lógica de ativo analítico industrial.

7. Limitações, condições de falha e honestidade intelectual

Soft sensors não são medições físicas diretas e não devem ser apresentados como substituição irrestrita do laboratório. Sua confiabilidade depende do domínio operacional representado nos dados, da qualidade da instrumentação, da estabilidade das relações entre entradas e variável inferida e da integridade do pipeline de dados. Mudanças significativas de carga, configuração de unidade, manutenção, envelhecimento de sensores ou condições raras podem deslocar a distribuição dos dados e reduzir o desempenho.

Essa degradação pode assumir a forma de data drift ou concept drift. Kadlec, Gabrys e Strandt (2009) já destacavam a necessidade de manutenção e adaptação de soft sensors, e a lógica de MLOps formaliza mecanismos de monitoramento, versionamento e revalidação.

Portanto, um protocolo industrial deve estabelecer faixas de validade, critérios mínimos de aceitação, alarmes de perda de desempenho, frequência de revisão e regra para retreinamento.

Outra limitação é a documentação disponível para este relato. Não foram disponibilizados, no material-base analisado, o número de modelos implantados, tamanho das bases, métricas de erro, intervalos de confiança, divisão treino-teste, critérios de drift ou memória de cálculo do benefício econômico. Esses itens não foram preenchidos por estimativa porque fazê-lo criaria uma aparência de precisão sem evidência. A transparência sobre essa ausência é parte do rigor do caso e define claramente o que precisa constar no dossiê técnico de suporte.

Acelen • Página 6

8. Transferibilidade e playbook de replicação

A camada analítica é potencialmente transferível para outras unidades de refino e processos industriais, mas a replicação exige pré-condições. Os principais pré-requisitos são historiador de processo confiável, dados laboratoriais estruturados e temporalmente rastreáveis, instrumentação estável, volume de dados representativo, participação de especialistas de processo e laboratório, integração com ambientes operacionais e governança do ciclo de vida dos modelos.

Etapa Pergunta de decisão Saída mínima

1. Selecionar o

caso A variável é crítica, lenta e acionável?

priorização baseada em valor, latência e disponibilidade de dados

2. Qualificar

dados Processo e laboratório podem ser sincronizados com confiança?

base rastreável, outliers tratados, critérios de exclusão documentados

3. Modelar com

contexto físico O modelo é coerente com o fenômeno e robusto aos regimes observados?

modelo + justificativa das entradas + validação independente

4. Operação

assistida A estimativa ajuda usuários sem substituir indevidamente a referência?

período assistido e critérios de aceitação

5. Industrializar

Como o modelo será integrado, versionado e monitorado?

pipeline, ownership, dashboards, logs e alertas

6. Sustentar e

escalar Quando recalibrar, retreinar ou retirar o modelo?

regra de drift, governança e template reutilizável para novos casos

As principais limitações de transferibilidade aparecem em plantas com baixa instrumentação, dados laboratoriais esparsos, regimes operacionais altamente instáveis ou ausência de governança para manutenção. Nessas condições, mesmo um algoritmo sofisticado pode apresentar baixa generalização ou custo de sustentação superior ao benefício.

9. Lições acionáveis

• Tratar soft sensorcomo produto operacional, não como experimento de data science.
• Selecionar casos em que reduzir a latência muda uma decisão real; alta acurácia sem

ação associada tem valor limitado.

• Manter o laboratório como referência e documentar claramente quando a estimativa pode

ou não ser usada.

• Projetar o ciclo de vida desde o início: versionamento, monitoramento, drift, revalidação e

ownership devem existir antes da escala.

• Combinar especialistas de processo, laboratório, operação e dados; nenhuma dessas

competências, isoladamente, é suficiente.

• Separar benefício realizado de benefício potencial e tornar a memória de cálculo auditável.
• Padronizar arquitetura, dados e validação para reduzir o esforço incremental de cada novo

soft sensor.

10. Conclusão

O caso Acelen demonstra um movimento relevante na transformação digital de operações de refino: passar de modelos inferenciais pontuais para uma capacidade analítica industrializada. A contribuição não deve ser apresentada como invenção de soft sensors, modelos híbridos ou MLOps, mas como integração sistêmica dessas práticas para reduzir a latência de propriedades críticas e tornar as estimativas utilizáveis no fluxo real de decisão.

Acelen • Página 7 Os resultados de latência reportados são expressivos e coerentes com o propósito da solução, mas não substituem evidências de desempenho preditivo. A robustez acadêmica e técnica da narrativa aumenta quando o artigo separa claramente o que foi comprovado, o que foi estimado e o que ainda precisa de documentação. Nesse sentido, a ausência pública de métricas de erro, tamanho de amostra e memória de cálculo financeiro é reconhecida como limitação, não escondida.

A principal lição transferível é que o desafio de soft sensorem escala não é apenas construir bons modelos; é criar as condições para que eles sejam validados, integrados, monitorados, atualizados e governados como ativos industriais. É nessa transição — de modelo para capacidade — que reside o diferencial do caso.

Referências ASTM INTERNATIONAL. ASTM D93-26: Standard Test Methods for Flash Point by Pensky-Martens Closed Cup Tester. West Conshohocken, 2026. DOI: 10.1520/D0093-26.

ASTM INTERNATIONAL. ASTM D445-26: Standard Test Method for Kinematic Viscosity of Transparent and Opaque Liquids (and Calculation of Dynamic Viscosity). West Conshohocken, 2026. DOI: 10.1520/D0445-26.

DE SOUZA, D. C. M.; CABRITA, L.; GALINHA, C. F.; RATO, T. J.; REIS, M. S. A Spectral AutoML approach for industrial soft sensor development: Validation in an oil refinery plant. Computers & Chemical Engineering, v.

150, 107324, 2021. DOI: 10.1016/j.compchemeng.2021.107324.

FERREIRA, J.; PEDEMONTE, M.; TORRES, A. I. Development of a machine learning-based soft sensor for an oil refinery’s distillation column. Computers & Chemical Engineering, v. 161, 107756, 2022. DOI:

10.1016/j.compchemeng.2022.107756.

KADLEC, P.; GABRYS, B.; STRANDT, S. Data-driven Soft Sensors in the process industry. Computers & Chemical Engineering, v. 33, n. 4, p. 795–814, 2009. DOI: 10.1016/j.compchemeng.2008.12.012.

KREUZBERGER, D.; KÜHL, N.; HIRSCHL, S. Machine Learning Operations (MLOps): Overview, Definition, and Architecture. IEEE Access, v. 11, p. 31866–31879, 2023. DOI: 10.1109/ACCESS.2023.3262138.

MENDIA, I.; GIL-LÓPEZ, S.; LANDA-TORRES, I.; ORBE, L.; MAQUEDA, E. Machine learning based adaptive soft sensor for flash point inference in a refinery realtime process. Results in Engineering, v. 13, 100362, 2022.

DOI: 10.1016/j.rineng.2022.100362.

MOJTO, M.; ĽUBUŠKÝ, K.; FIKAR, M.; PAULEN, R. Data-based design of inferential sensors for petrochemical industry. Computers & Chemical Engineering, v. 153, 107437, 2021. DOI:

10.1016/j.compchemeng.2021.107437.

SCULLEY, D. et al. Hidden Technical Debt in Machine Learning Systems. In: Advances in Neural Information Processing Systems 28 (NeurIPS), 2015.

SHARMA, N.; LIU, Y. A. A hybrid science-guided machine learning approach for modeling chemical processes: A review. AIChE Journal, v. 68, n. 5, e17609, 2022. DOI: 10.1002/aic.17609.