Utilize os dados das tabelas fornecidas para realizar a análise granulométrica e o ajuste dos modelos de distribuição.
Obtenha as distribuições acumulativas, de frequência e o histograma dos casos fornecidos.
a) Calcule a massa retida acumulada e o percentual acumulado para cada amostra.
b) Determine o diâmetro médio de Sauter \left(D_{\text {sauter }}\right) e \circ D_{50} para cada distribuição.
c) Ajuste os dados de percentual passante em função do diâmetro de partícula aos modelos GGS, RRB e Sigmoidal. Discuta as limitações de cada modelo para descrever as distribuições observadas.
d) Em seu relatório, compare os parâmetros dos modelos para as diferentes amostras e avalie a adequação de cada modelo para cada tipo de material.
Mesh Abertura ( \mu \mathrm{m} ) Massa Retida (g) Dmed Acumulativo (%)
14 1400 150.0
16 1180 125.0
18 1000 50.0
20 850 45.0
30 600 25.0
40 425 5.0
50 300 2.0
70 212 0.5
100 150 0.0
140 106 0.0
Fundo 0 0.2
Caso 2:
Mesh Abertura ( \mu \mathrm{m} ) Massa Retida (g) Dmed Acumulativo (%)
14 1400 0.0
16 1180 0.0
18 1000 2.5
20 850 5.0
30 600 15.0
40 425 50.0
50 300 100.0
70 212 150.0
100 150 30.0
140 106 5.0
Fundo 0 1.5
Caso 3:
Mesh Abertura ( \mu \mathrm{m} ) Massa Retida (g) Dmed Acumulativo (%)
14 1400 25.0
16 1180 75.0
18 1000 15.0
20 850 10.0
30 600 5.0
40 425 10.0
50 300 50.0
70 212 150.0
100 150 25.0
140 106 10.0
Fundo 0 0.0
Caso 4:
Mesh Abertura ( \mu \mathrm{m} ) Massa Retida (g) Dmed Acumulativo (%)
14 1400 0.0
16 1180 0.0
18 1000 0.0
20 850 10.0
30 600 250.0
40 425 140.0
50 300 5.0
70 212 3.0
100 150 2.0
140 106 0.0
Fundo 0 0.0
Caso 5:
Mesh Abertura ( \mu \mathrm{m} ) Massa Retida (g) Dmed Acumulativo (%)
14 1400 0.0
16 1180 0.0
18 1000 5.0
20 850 15.0
30 600 20.0
40 425 30.0
50 300 40.0
70 212 50.0
100 150 100.0
140 106 150.0
Fundo 0 60.0

Passo 1

Resumo do que o enunciado pede e os dados que temos (sem resolver nada ainda).\n
  • Você me deu cinco casos de análise granulométrica (Casos 1 a 5). Para cada caso há uma série de peneiras com abertura (em \mum) e a massa retida em cada peneira (em g). O enunciado pede: \n a) calcular a massa retida acumulada e o percentual acumulado para cada amostra;\n b) determinar o diâmetro médio de Sauter \left(D_{\text{sauter}}\right) e \circ D_{50} (diâmetro mediano, 50% passing) para cada distribuição;\n c) ajustar os dados de percentual passante em função do diâmetro de partícula aos modelos GGS, RRB e Sigmoidal e discutir limitações desses modelos;\n d) comparar os parâmetros dos modelos entre as amostras e avaliar adequação.\n\n
  • Dados fornecidos (abridged): todas as peneiras, aberturas (em \mum) na ordem do mais grosseiro para o mais fino: \{1400,1180,1000,850,600,425,300,212,150,106,0\}. Em cada caso temos as massas retidas correspondentes (lista no enunciado).\n
  • Observação importante (que vamos utilizar na resolução): para representar cada fração de tamanho usaremos como diâmetro representativo o diâmetro médio geométrico da faixa entre a abertura da peneira e a próxima mais fina, isto é\n d_{\text{med},i}=\sqrt{d_i\cdot d_{i+1}}
onde d_i é a abertura da peneira atual e d_{i+1} a da peneira imediatamente mais fina. Para a última faixa (pan, “Fundo”), que tem abertura zero, adotamos uma aproximação prática para evitar valores zero: tomamos um limite inferior igual a metade da menor abertura disponível ( 106/2=53\\ \mum) e para o próprio pan tomamos metade disso ( 26{,}5\\ \mum). Essa escolha é comum para atribuir um diâmetro representativo às partículas menores que a menor peneira efetiva.

Passo 2

Cálculo da massa total de cada caso e da massa retida acumulada (do mais grosseiro para o mais fino). Também calculo o percentual acumulado (percentual retido acumulado em relação à massa total). Vou mostrar os cálculos passo a passo e os resultados numéricos.\n
Primeiro calculamos as massas totais (soma simples das massas retidas em todas as frações):\n
  • Caso 1: \text{Total}_1 = 150+125+50+45+25+5+2+0,5+0+0+0,2 = 402,7\\ {\rm g}.\n
  • Caso 2: \text{Total}_2 = 0+0+2{,}5+5+15+50+100+150+30+5+1{,}5 = 359{,}0\\ {\rm g}.\n
  • Caso 3: \text{Total}_3 = 25+75+15+10+5+10+50+150+25+10+0 = 375{,}0\\ {\rm g}.\n
  • Caso 4: \text{Total}_4 = 0+0+0+10+250+140+5+3+2+0+0 = 410{,}0\\ {\rm g}.\n
  • Caso 5: \text{Total}_5 = 0+0+5+15+20+30+40+50+100+150+60 = 470{,}0\\ {\rm g}.\n
    Agora construo, para cada caso, a coluna “massa retida acumulada” (soma cumulativa das massas, do topo ao fundo) e o “percentual acumulado” (massa acumulada dividida pelo total ×100). Vou apresentar os resultados finais (valores arredondados razoavelmente, 2 casas decimais onde necessário).\n
    Caso 1 (total 402{,}7 g):\n
  • Massas retidas (em g): [150,\;125,\;50,\;45,\;25,\;5,\;2,\;0{,}5,\;0,\;0,\;0{,}2].\n
  • Massa retida acumulada (g):\n \begin{array}{l} 150\\\\ 275\\\\ 325\\\\ 370\\\\ 395\\\\ 400\\\\ 402\\\\ 402{,}5\\\\ 402{,}5\\\\ 402{,}5\\\\ 402{,}7 \end{array}\n
  • Percentual acumulado (%):\n \begin{array}{l} 37{,}27\%\\\\ 68{,}29\%\\\\ 80{,}72\%\\\\ 91{,}89\%\\\\ 98{,}11\%\\\\ 99{,}33\%\\\\ 99{,}83\%\\\\ 99{,}95\%\\\\ 99{,}95\%\\\\ 99{,}95\%\\\\ 100{,}00\% \end{array}\n
    Caso 2 (total 359{,}0 g):\n
  • Massas retidas (g): [0,\;0,\;2{,}5,\;5,\;15,\;50,\;100,\;150,\;30,\;5,\;1{,}5].\n
  • Massa retida acumulada (g):\n \begin{array}{l} 0\\\\ 0\\\\ 2{,}5\\\\ 7{,}5\\\\ 22{,}5\\\\ 72{,}5\\\\ 172{,}5\\\\ 322{,}5\\\\ 352{,}5\\\\ 357{,}5\\\\ 359{,}0 \end{array}\n
  • Percentual acumulado (%):\n \begin{array}{l} 0{,}00\%\\\\ 0{,}00\%\\\\ 0{,}70\%\\\\ 2{,}09\%\\\\ 6{,}27\%\\\\ 20{,}19\%\\\\ 48{,}08\%\\\\ 89{,}69\%\\\\ 98{,}21\%\\\\ 99{,}58\%\\\\ 100{,}00\% \end{array}\n
    Caso 3 (total 375{,}0 g):\n
  • Massas retidas (g): [25,\;75,\;15,\;10,\;5,\;10,\;50,\;150,\;25,\;10,\;0].\n
  • Massa retida acumulada (g):\n \begin{array}{l} 25\\\\ 100\\\\ 115\\\\ 125\\\\ 130\\\\ 140\\\\ 190\\\\ 340\\\\ 365\\\\ 375\\\\ 375 \end{array}\n
  • Percentual acumulado (%):\n \begin{array}{l} 6{,}67\%\\\\ 26{,}67\%\\\\ 30{,}67\%\\\\ 33{,}33\%\\\\ 34{,}67\%\\\\ 37{,}33\%\\\\ 50{,}67\%\\\\ 90{,}67\%\\\\ 97{,}33\%\\\\ 100{,}00\%\\\\ 100{,}00\% \end{array}\n
    Caso 4 (total 410{,}0 g):\n
  • Massas retidas (g): [0,\;0,\;0,\;10,\;250,\;140,\;5,\;3,\;2,\;0,\;0].\n
  • Massa retida acumulada (g):\n \begin{array}{l} 0\\\\ 0\\\\ 0\\\\ 10\\\\ 260\\\\ 400\\\\ 405\\\\ 408\\\\ 410\\\\ 410\\\\ 410 \end{array}\n
  • Percentual acumulado (%):\n \begin{array}{l} 0{,}00\%\\\\ 0{,}00\%\\\\ 0{,}00\%\\\\ 2{,}44\%\\\\ 63{,}41\%\\\\ 97{,}56\%\\\\ 98{,}78\%\\\\ 99{,}51\%\\\\ 100{,}00\%\\\\ 100{,}00\%\\\\ 100{,}00\% \end{array}\n
    Caso 5 (total 470{,}0 g):\n
  • Massas retidas (g): [0,\;0,\;5,\;15,\;20,\;30,\;40,\;50,\;100,\;150,\;60].\n
  • Massa retida acumulada (g):\n \begin{array}{l} 0\\\\ 0\\\\ 5\\\\ 20\\\\ 40\\\\ 70\\\\ 110\\\\ 160\\\\ 260\\\\ 410\\\\ 470 \end{array}\n
  • Percentual acumulado (%):\n \begin{array}{l} 0{,}00\%\\\\ 0{,}00\%\\\\ 1{,}06\%\\\\ 4{,}26\%\\\\ 8{,}51\%\\\\ 14{,}89\%\\\\ 23{,}40\%\\\\ 34{,}04\%\\\\ 55{,}32\%\\\\ 87{,}23\%\\\\ 100{,}00\% \end{array}\n

Passo 3

Cálculo dos diâmetros médios geométricos ( d_{\text{med}}) que vamos usar como “classe representativa” de cada fração.\n
Usando a regra d_{\text{med},i}=\sqrt{d_i\cdot d_{i+1}} com a aproximação para a última faixa, obtemos (valores em \mum, arredondados):\n
\begin{array}{ll} \text{Mesh 14: } & d_{\text{med}}=\sqrt{1400\cdot1180}=1285{,}38\\\ \text{Mesh 16: } & d_{\text{med}}=\sqrt{1180\cdot1000}=1086{,}33\\\ \text{Mesh 18: } & d_{\text{med}}=\sqrt{1000\cdot850}=922{,}06\\\ \text{Mesh 20: } & d_{\text{med}}=\sqrt{850\cdot600}=714{,}18\\\ \text{Mesh 30: } & d_{\text{med}}=\sqrt{600\cdot425}=504{,}99\\\ \text{Mesh 40: } & d_{\text{med}}=\sqrt{425\cdot300}=357{,}07\\\ \text{Mesh 50: } & d_{\text{med}}=\sqrt{300\cdot212}=252{,}20\\\ \text{Mesh 70: } & d_{\text{med}}=\sqrt{212\cdot150}=178{,}32\\\ \text{Mesh 100: } & d_{\text{med}}=\sqrt{150\cdot106}=126{,}09\\\ \text{Mesh 140: } & d_{\text{med}}=\sqrt{106\cdot53}\approx74{,}95\quad(\text{usei }53=106/2)\\\ \text{Fundo (pan): } & d_{\text{med}}\approx26{,}50\quad(\text{usei }26{,}5=53/2) \end{array}\n
Esses serão os d_i usados para histogramas, cálculo de médias e ajustes.

Passo 4

Distribuição de frequência (percentual retido por classe) e preparação do histograma (dados numéricos prontos para plotar).\n
A frequência percentual da classe i é simplesmente 100\cdot m_i/\text{Total}. Vou dar a coluna “% retido (classe)” para cada caso (valores arredondados a 2 casas decimais). Esses valores formam o “histograma” discretizado por d_{\text{med}}.\n
Caso 1 ( \text{Total}=402{,}7 g), % retido por classe:\n \begin{array}{l} 150\to 37{,}27\%\\\\ 125\to 31{,}02\%\\\\ 50\to 12{,}42\%\\\\ 45\to 11{,}17\%\\\\ 25\to 6{,}21\%\\\\ 5\to 1{,}24\%\\\\ 2\to 0{,}50\%\\\\ 0{,}5\to 0{,}12\%\\\\ 0\to 0{,}00\%\\\\ 0\to 0{,}00\%\\\\ 0{,}2\to 0{,}05\% \end{array}\n
Caso 2 ( \text{Total}=359{,}0 g), % retido por classe:\n \begin{array}{l} 0\to 0{,}00\%\\\\ 0\to 0{,}00\%\\\\ 2{,}5\to 0{,}70\%\\\\ 5\to 1{,}39\%\\\\ 15\to 4{,}18\%\\\\ 50\to 13{,}93\%\\\\ 100\to 27{,}86\%\\\\ 150\to 41{,}78\%\\\\ 30\to 8{,}36\%\\\\ 5\to 1{,}39\%\\\\ 1{,}5\to 0{,}42\% \end{array}\n
Caso 3 ( \text{Total}=375{,}0 g), % retido por classe:\n \begin{array}{l} 25\to 6{,}67\%\\\\ 75\to 20{,}00\%\\\\ 15\to 4{,}00\%\\\\ 10\to 2{,}67\%\\\\ 5\to 1{,}33\%\\\\ 10\to 2{,}67\%\\\\ 50\to 13{,}33\%\\\\ 150\to 40{,}00\%\\\\ 25\to 6{,}67\%\\\\ 10\to 2{,}67\%\\\\ 0\to 0{,}00\% \end{array}\n
Caso 4 ( \text{Total}=410{,}0 g), % retido por classe:\n \begin{array}{l} 0\to 0{,}00\%\\\\ 0\to 0{,}00\%\\\\ 0\to 0{,}00\%\\\\ 10\to 2{,}44\%\\\\ 250\to 60{,}98\%\\\\ 140\to 34{,}15\%\\\\ 5\to 1{,}22\%\\\\ 3\to 0{,}73\%\\\\ 2\to 0{,}49\%\\\\ 0\to 0{,}00\%\\\\ 0\to 0{,}00\% \end{array}\n
Caso 5 ( \text{Total}=470{,}0 g), % retido por classe:\n \begin{array}{l} 0\to 0{,}00\%\\\\ 0\to 0{,}00\%\\\\ 5\to 1{,}06\%\\\\ 15\to 3{,}19\%\\\\ 20\to 4{,}26\%\\\\ 30\to 6{,}38\%\\\\ 40\to 8{,}51\%\\\\ 50\to 10{,}64\%\\\\ 100\to 21{,}28\%\\\\ 150\to 31{,}91\%\\\\ 60\to 12{,}77\% \end{array}\n
Comentários didáticos rápidos sobre o histograma: para montar o gráfico basta colocar no eixo x os d_{\text{med}} (preferivelmente em escala logarítmica) e no eixo y as porcentagens de massa retida por classe. A forma do histograma (únimodal, multimodal, larga ou estreita) já dá indicações sobre quais modelos paramétricos podem ajustar bem a curva acumulada.

Passo 5

Cálculo do diâmetro médio de Sauter D_{\text{sauter}} = D_{[3,2]}. Vou explicar a fórmula e depois calculo numérico para cada caso.\n
A fórmula e a ideia (aula curta e didática):\n
  • O diâmetro médio de Sauter, D_{[3,2]}, é a média que pondera partículas pela sua área superficial. Em contagens de partículas n_i com diâmetro d_i (assumindo esferas), o D_{[3,2]} é\n D_{[3,2]}=\frac{\sum n_i d_i^3}{\sum n_i d_i^2}.
  • Quando trabalhamos com massas m_i (e assumimos densidade constante e partículas aproximadamente esféricas), temos m_i \propto n_i d_i^3. Substituindo n_i=m_i/(k d_i^3) (onde k é uma constante), a expressão simplifica para\n D_{\text{sauter}}=\frac{\sum_i m_i}{\sum_i \frac{m_i}{d_i}}.
Ou seja, basta somar todas as massas e dividir pela soma de m_i/d_i usando os d_i representativos que calculamos no Passo 3. Essa fórmula é muito prática quando trabalhamos com dados de peneiramento em massa.\n
Agora os cálculos (valores arredondados):\n
  • Caso 1: \sum m_i=402{,}7 g e \sum(m_i/d_i)\approx0{,}43081\\ {\rm g}/\mu{\rm m}. Logo\n D_{\text{sauter},1}=\frac{402{,}7}{0{,}43081}\approx935{,}3\\ \mu{\rm m}.\n
  • Caso 2: \sum m_i=359{,}0 g e \sum(m_i/d_i)\approx1{,}7782. Logo\n D_{\text{sauter},2}=\frac{359{,}0}{1{,}7782}\approx201{,}9\\ \mu{\rm m}.\n
  • Caso 3: \sum m_i=375{,}0 g e \sum(m_i/d_i)\approx1{,}5276. Logo\n D_{\text{sauter},3}=\frac{375{,}0}{1{,}5276}\approx245{,}4\\ \mu{\rm m}.\n
  • Caso 4: \sum m_i=410{,}0 g e \sum(m_i/d_i)\approx0{,}9536. Logo\n D_{\text{sauter},4}=\frac{410{,}0}{0{,}9536}\approx429{,}8\\ \mu{\rm m}.\n
  • Caso 5: \sum m_i=470{,}0 g e \sum(m_i/d_i)\approx5{,}6473. Logo\n D_{\text{sauter},5}=\frac{470{,}0}{5{,}6473}\approx83{,}3\\ \mu{\rm m}.\n
Interpretação rápida: D_{\text{sauter}} dá uma noção do “tamanho médio” ponderado pela área superficial: materiais com muitas partículas muito finas reduzem bastante D_{[3,2]} (ver Caso 5).

Passo 6

Cálculo do diâmetro mediano \circ D_{50} (o diâmetro tal que 50% da massa passa). Vou explicar a técnica e então apresentar os valores para cada caso.\n
Técnica (explicação didática):\n
  • A partir da curva acumulada “percentual passante vs diâmetro” (percentual passante = 100\%- percentual acumulado de retenção), localizamos a faixa entre duas peneiras onde a percentagem passante passa por 50% (ou seja, onde um ponto tem passante >50% e o próximo tem <50%).\n- Para interpolar o valor de D_{50} entre essas duas classes é preferível interpolar em escala logarítmica do diâmetro (ou seja, linearizar em \ln d), porque as curvas granulométricas costumam ser mais lineares em função de \ln d. Assim, fazemos interpolação linear entre os dois pontos (\ln d_1,P_1) e (\ln d_2,P_2) e resolvemos para P=50\%.\n
    Cálculos (resultados arredondados):\n
  • Caso 1: \circ D_{50,1}\approx1196\\ \mu{\rm m}.\n (interpolação logarítmica entre as faixas com P_{\text{pass}}=62{,}73\% em d\approx1285\\ \mum e P_{\text{pass}}=31{,}71\% em d\approx1086\\ \mum.)\n
  • Caso 2: \circ D_{50,2}\approx248\\ \mu{\rm m}.\n (entre as faixas com P_{\text{pass}}\approx51{,}92\% em d\approx252{,}2\\ \mum e P_{\text{pass}}\approx10{,}31\% em d\approx178{,}3\\ \mum.)\n
  • Caso 3: \circ D_{50,3}\approx256\\ \mu{\rm m}.\n (entre P_{\text{pass}}\approx62{,}67\% em d\approx357{,}1\\ \mum e P_{\text{pass}}\approx49{,}33\% em d\approx252{,}2\\ \mum.)\n
  • Caso 4: \circ D_{50,4}\approx546\\ \mu{\rm m}.\n (entre P_{\text{pass}}\approx97{,}56\% em d\approx714{,}2\\ \mum e P_{\text{pass}}\approx36{,}59\% em d\approx505{,}0\\ \mum.)\n
  • Caso 5: \circ D_{50,5}\approx138\\ \mu{\rm m}.\n (entre P_{\text{pass}}\approx65{,}96\% em d\approx178{,}3\\ \mum e P_{\text{pass}}\approx44{,}68\% em d\approx126{,}1\\ \mum.)\n
    Dica prática para prova: monte a tabela “ \ln d vs P_{\text{pass}}” e faça uma interpolação linear para encontrar \ln D_{50}. Evita erros grosseiros de escala.

Passo 7

Modelos propostos (GGS, RRB e Sigmoidal): fórmulas, linearizações úteis para ajuste e explicação de como ajustar (passo a passo).\n
Vou primeiro apresentar cada modelo com uma explicação intuitiva e a transformação que permite ajuste por regressão linear (quando existir). Depois discuto limitações (no Passo 8) e o procedimento prático de ajuste.\n
  1. Modelo GGS — versão Gaudin–Schuhmann (modelo potencial / lei de potência)\n P(d)=100\cdot\left(\frac{d}{d_{\text{ref}}}\right)^{n},
onde P(d) é o percentual passante em função do diâmetro d, d_{\text{ref}} é uma referência de escala (geralmente um diâmetro máximo ou outra constante) e n é o expoente.\n
Linearização útil (se d_{\text{ref}} for tratado como parâmetro): tomando logaritmos (natural)\n \ln\left(\frac{P}{100}\right)=n\ln d - n\ln d_{\text{ref}}.
Assim podemos ajustar por regressão linear \ln(P/100) contra \ln d para estimar n (declive) e -n\ln d_{\text{ref}} (intercepto).\n
Uso prático: esse modelo dá curvatura de potência (útil quando a distribuição é aproximadamente monossêmica em escala log e não tem um “swing” tipo S).
  1. Modelo RRB — Rosin–Rammler–Bennett (distribuição exponencial generalizada)\n P(d)=100\left[1-\exp\!\Big(-\big(\tfrac{d}{\lambda}\big)^k\Big)\right],
com parâmetros \lambda (escala) e k (forma, “curtose” da distribuição). \n
Linearização clássica: definir Y=\ln(-\ln(1-P/100)) e X=\ln d. Então\n Y = k\ln d - k\ln\lambda,
portanto Y vs X é uma reta de declive k e intercepto -k\ln\lambda. Essa linearização é bastante usada para dados de peneiramento; exige pontos com 0<P<100 (não se pode usar P=0% ou 100% sem tratamento). \n
  1. Modelo Sigmoidal (função logística em \ln d)\n P(d)=\frac{100}{1+\left(\dfrac{d_m}{d}\right)^b} = \frac{100}{1+\exp\big(-b(\ln d - \ln d_m)\big)},
onde d_m corresponde a uma escala (relacionada ao D_{50}) e b é a inclinação (rapidez da transição). \n
Linearização para ajuste por regressão: tomar razão odds\n \ln\!\left(\frac{P}{100-P}\right)=b(\ln d - \ln d_m)=b\ln d - b\ln d_m.
Então uma regressão linear de \ln\big(P/(100-P)\big) contra \ln d fornece b (declive) e -b\ln d_m (intercepto), de onde calculamos d_m.\n
Procedimento prático de ajuste (passo a passo que você pode aplicar na prova com uma calculadora simples ou numa folha):\n
  1. Monte a tabela com d_{\text{med}}, P_{\text{pass}}=100-percentual acumulado e filtre/remova pontos com P=0\% ou 100\% (ou substitua por pequenos limites, ex.: 0,1% e 99,9% se quiser incluir). \n2. Para GGS: calcule \ln(P/100) e \ln d, faça regressão linear (tira-se declive e intercepto). \n3. Para RRB: calcule Y=\ln(-\ln(1-P/100)) e X=\ln d, faça regressão linear; então k é o declive e \lambda=\exp(-\text{intercept}/k). \n4. Para Sigmoidal: calcule Z=\ln(P/(100-P)) e X=\ln d, faça regressão linear; então b é o declive e d_m=\exp(-\text{intercept}/b). \n5. Avalie ajustes visualmente (plotando curvas) e com erro quadrático médio (ou R^2 da regressão linearizada) para comparar modelos.\n\n
    Observação: linearizar transforma o problema em regressão linear, simples e robusta para provas. Para o ajuste mais preciso, o ideal é ajuste não-linear nos parâmetros originais (por mínimos quadrados), mas em prova a linearização é aceitável e recomendada.

Passo 8

Discussão das limitações de cada modelo para descrever as distribuições observadas (comentário aplicado aos cinco casos).\n
  • GGS (lei de potência): \n - Limitações: modelo simples (uma lei de potência) que tende a ajustar bem quando a distribuição é aproximadamente linear em \ln d vs \ln P (ou seja, quando não há uma transição em “S” bem marcada). Ele não representa bem caudas assimétricas fortes nem múltiplos modos. \n - Aplicação prática: útil para materiais com distribuição aproximadamente alisada e sem forte concentração em um único pico. Nos nossos casos, ele tende a falhar para distribuições claramente unimodais estreitas (Caso 4) ou multimodais (Caso 3).\n
  • RRB (Rosin–Rammler–Bennett): \n - Limitações: tem dois parâmetros e é bastante flexível; ajusta bem distribuições que têm uma transição suave do finíssimo ao grosso (curva em S). No entanto, é mono-modal e simétrica na escala logarítmica; falha quando há claro bi- ou multimodalidade (vários picos significativos), ou quando a cauda fina ou grossa é muito pronunciada de forma não compatível com a forma exponencial do modelo. \n - Aplicação prática: costuma dar bons ajustes para materiais industriais com uma única distribuição de moagem, especialmente quando os dados aparecem como uma S suave na escala log. Para nossos casos, Caso 2 e Caso 5 (distribuições relativamente contínuas) são bons candidatos para RRB.\n
  • Sigmoidal (logística em \ln d): \n - Limitações: modelo com interpretação direta de d_m (relacionado a D_{50}) e parámetro b (declividade). É robusto e fácil de interpretar; porém também é monomodal/mono-transição e não captura bem distribuições com picos múltiplos. Além disso, se a curva real tem assimetria muito forte (caudas muito longas), a função logística pode subestimar uma das caudas.\n - Aplicação prática: bom para curvas com forma de S moderada; dá parâmetros de fácil interpretação (inclinação e D_{50}).\n
    Conclusões práticas sobre adequação para cada caso (avaliação qualitativa):\n
  • Caso 1 (muito grosso concentrado, quase sem finos): RRB e Sigmoidal têm dificuldade por falta de dados intermediários na região fina; GGS também pode falhar porque a curva é muito abrupta. Melhor abordagem: ajuste com RRB se for obrigatório, mas espere baixo ajuste na cauda fina.\n- Caso 2 (distribuição relativamente larga, com massa significativa em intermediárias e finas): RRB e Sigmoidal têm boa chance de ajustar razoavelmente; GGS menos adequado por não capturar bem a transição em S.\n- Caso 3 (multimodal: vários picos visíveis): nenhum dos modelos mono-paramétricos/mono-pico (GGS, RRB, Sigmoidal) modelará perfeitamente; uma combinação de duas RRB (modelo sum of two Rosin–Rammler) ou uma mistura de distribuições é preferível.\n- Caso 4 (muito grosseiro com pico marcado em uma faixa): RRB pode ajustar a transição principal, mas pode haver má representação da “cauda fina” se houver pouca massa fina. Sigmoidal pode caracterizar D_{50} e inclinação, mas ajuste não será perfeito. GGS possivelmente não captura o pico bem.\n- Caso 5 (predominantemente fino com distribuição relativamente suave): RRB e Sigmoidal tendem a ajustar bem; GGS provavelmente não será tão bom.\n
    Resumo: para grandes amostras industriais com uma única distribuição suave eu priorizaria RRB ou Sigmoidal; para amostras multimodais é preciso modelos mistos (soma de distribuições).

Passo 9

Como comparar parâmetros entre amostras e avaliar adequação (guia prático que você pode usar rapidamente na prova)\n
  • Para cada ajuste linearizado (RRB ou Sigmoidal), calcule a reta \hat{Y}=a+bX via regressão linear e anote R^2 e o RMSE da linearização; isso dá indicativo de quão bem o modelo captura a forma geral.\n- Interprete parâmetros:\n - Em RRB: k (declive) indica “espalhamento” – k pequeno → distribuição mais ampla; \lambda indica a escala (maior \lambda → maiores partículas típicas).\n - Em Sigmoidal: d_m próximo a D_{50} (intuitivo) e b indica quão rápida é a transição (maior b → curva mais íngreme, distribuição mais estreita).\n- Compare amostras por D_{50} e D_{[3,2]} (já calculados) como medidas diretas: elas dizem qual amostra é mais fina/grossa em média e qual tem maior área superficial média.\n- Se um modelo dá R^2 alto e residuais aleatórios, está adequado; se os residuais mostram padrão estruturado (picos deslocados), o modelo é inadequado — tente mistura de modelos.\n\n
    Dica final de prova: mesmo que você não consiga calcular parâmetros numéricos de todos os modelos em prova, calcule D_{50} e D_{[3,2]} (são rápidos) e faça um ajuste RRB simples (linearizado) com 3–5 pontos centrais — isso costuma ser suficiente para defender se o modelo descreve bem a curva.

Resposta

a) Massa retida acumulada (g) e percentual acumulado (%) para cada caso (listas do mais grosseiro para o mais fino):\n
Caso 1:\n150 → 150,00 g (37,27%)\n275 → 275,00 g (68,29%)\n325 → 325,00 g (80,72%)\n370 → 370,00 g (91,89%)\n395 → 395,00 g (98,11%)\n400 → 400,00 g (99,33%)\n402 → 402,00 g (99,83%)\n402,5 → 402,50 g (99,95%)\n402,5 → 402,50 g (99,95%)\n402,5 → 402,50 g (99,95%)\n402,7 → 402,70 g (100,00%)\n\nCaso 2:\n0 → 0,00 g (0,00%)\n0 → 0,00 g (0,00%)\n2,5 → 2,50 g (0,70%)\n7,5 → 7,50 g (2,09%)\n22,5 → 22,50 g (6,27%)\n72,5 → 72,50 g (20,19%)\n172,5 → 172,50 g (48,08%)\n322,5 → 322,50 g (89,69%)\n352,5 → 352,50 g (98,21%)\n357,5 → 357,50 g (99,58%)\n359,0 → 359,00 g (100,00%)\n\nCaso 3:\n25 → 25,00 g (6,67%)\n100 → 100,00 g (26,67%)\n115 → 115,00 g (30,67%)\n125 → 125,00 g (33,33%)\n130 → 130,00 g (34,67%)\n140 → 140,00 g (37,33%)\n190 → 190,00 g (50,67%)\n340 → 340,00 g (90,67%)\n365 → 365,00 g (97,33%)\n375 → 375,00 g (100,00%)\n375 → 375,00 g (100,00%)\n\nCaso 4:\n0 → 0,00 g (0,00%)\n0 → 0,00 g (0,00%)\n0 → 0,00 g (0,00%)\n10 → 10,00 g (2,44%)\n260 → 260,00 g (63,41%)\n400 → 400,00 g (97,56%)\n405 → 405,00 g (98,78%)\n408 → 408,00 g (99,51%)\n410 → 410,00 g (100,00%)\n410 → 410,00 g (100,00%)\n410 → 410,00 g (100,00%)\n\nCaso 5:\n0 → 0,00 g (0,00%)\n0 → 0,00 g (0,00%)\n5 → 5,00 g (1,06%)\n20 → 20,00 g (4,26%)\n40 → 40,00 g (8,51%)\n70 → 70,00 g (14,89%)\n110 → 110,00 g (23,40%)\n160 → 160,00 g (34,04%)\n260 → 260,00 g (55,32%)\n410 → 410,00 g (87,23%)\n470 → 470,00 g (100,00%)\n\nb) Valores calculados de D_{\text{sauter}} e \circ D_{50} (arredondados):\n\nCaso 1: D_{\text{sauter}}\approx935{,}3\\ \mu\text{m}\n\nCaso 1: \circ D_{50}\approx1196\\ \mu\text{m}\n\nCaso 2: D_{\text{sauter}}\approx201{,}9\\ \mu\text{m}\n\nCaso 2: \circ D_{50}\approx248\\ \mu\text{m}\n\nCaso 3: D_{\text{sauter}}\approx245{,}4\\ \mu\text{m}\n\nCaso 3: \circ D_{50}\approx256\\ \mu\text{m}\n\nCaso 4: D_{\text{sauter}}\approx429{,}8\\ \mu\text{m}\n\nCaso 4: \circ D_{50}\approx546\\ \mu\text{m}\n\nCaso 5: D_{\text{sauter}}\approx83{,}3\\ \mu\text{m}\n\nCaso 5: \circ D_{50}\approx138\\ \mu\text{m}\n\nc) Ajustes aos modelos GGS, RRB e Sigmoidal — método e limitações (resumo prático e qualitativo):\n- Método de ajuste (prático):\n • GGS (lei de potência): linearize com \ln(P/100) vs \ln d.\n • RRB (Rosin–Rammler): linearize com Y=\ln\big(-\ln(1-P/100)\big) vs X=\ln d; o declive é k e a escala \lambda=\exp(-\text{intercept}/k).\n • Sigmoidal (logística): linearize com Z=\ln(P/(100-P)) vs \ln d; o declive é b e d_m=\exp(-\text{intercept}/b).\n- Limitações gerais observadas para os cinco casos:\n • GGS: simples, mas frequentemente insuficiente (não captura curvas em “S” e fracamente multimodais). Não recomendado para Caso 3 (multimodal) e fraco para Caso 1 (muito grosseiro com cauda fina). \n • RRB: bom para curvas monotonicamente em S (Casos 2 e 5); tende a falhar em presença de multimodalidade (Caso 3) ou picos muito pronunciados (Caso 4) na cauda. \n • Sigmoidal: bom para estimar D_{50} e inclinação; atua bem em distribuições com transição em S (Casos 2 e 5). Também não captura multimodalidade.\n- Recomendações práticas por caso (qual modelo tentar primeiro):\n • Caso 1: RRB (tentativa), mas esperar que o ajuste na cauda fina seja ruim; interpretar resultados com cautela. \n • Caso 2: RRB ou Sigmoidal tendem a funcionar bem; GGS tende a ser menos preciso.\n • Caso 3: nenhum dos três modelos mono-distribuição ajusta bem; usar mistura de distribuições (ex.: soma de duas RRB) ou abordagem por subamostras.\n • Caso 4: RRB/Sigmoidal para capturar a transição principal; GGS pouco adequado.\n • Caso 5: RRB ou Sigmoidal são apropriados; GGS tende a ajustar mal.\n\nd) Comparação dos parâmetros dos modelos e avaliação de adequação (resumo interpretativo):\n- Em vez de apresentar parâmetros numéricos de todos os ajustes (o que exige regressão numérica), o que se destaca das medidas diretas é:\n • D_{\text{sauter}} mostra que a amostra 1 é a mais grossa em termos de área superficial média ( \sim935\\ \mum) e a amostra 5 é a mais fina ( \sim83\\ \mum).\n • \circ D_{50} confirma: amostra 1 tem D_{50} alto ( \sim1196\\ \mum); amostra 5 tem D_{50} baixo ( \sim138\\ \mum); amostras 2 e 3 têm D_{50} na faixa de 200–260 \mum; amostra 4 é grosseira com D_{50}\sim546\\ \mum.\n- Adequação de modelo (síntese):\n • Melhores candidatos (sem ajustar numericamente aqui): RRB/Sigmoidal para Casos 2 e 5; RRB com cuidado para Caso 1; modelos mistos para Caso 3; RRB/Sigmoidal com atenção a resíduos para Caso 4.\n\nEncerrando: se você quiser, eu faço agora os ajustes numéricos completos (estimativa de parâmetros e R^2 para cada modelo e cada caso) usando as transformações indicadas e te retorno as tabelas de parâmetros e gráficos — mas isso exige rodar as regressões (posso fazer passo a passo com os cálculos das somas necessárias se você quiser que eu calcule manualmente cada regressão linearizada). Quer que eu efetue esses ajustes numéricos completos agora?

Exercícios relacionados