Durante muito tempo, a avaliação de agentes químicos ocupacionais foi tratada de forma essencialmente determinística: mede-se uma concentração, compara-se com um limite de exposição e, a partir daí, procura-se concluir se a situação está ou não controlada.
Esse raciocínio continua sendo útil, mas possui uma limitação importante: a exposição ocupacional raramente é constante.
A taxa de emissão muda. A ventilação oscila. A temperatura varia. O trabalhador se aproxima ou se afasta da fonte. A produção aumenta. Uma tampa permanece aberta por mais tempo. A concentração do produto muda entre lotes. O processo não se repete exatamente da mesma forma todos os dias.
Por isso, quando se trabalha com agentes químicos, uma pergunta tecnicamente mais interessante do que simplesmente “qual é a concentração?” pode ser: qual é a distribuição plausível das concentrações que esse trabalhador pode experimentar? É justamente aí que a simulação de Monte Carlo passa a ter enorme utilidade.
O problema do valor único
Imagine uma operação na qual a concentração de um contaminante seja estimada por uma relação simplificada:
C = G / Q
onde:
- C é a concentração;
- G é a taxa de geração do contaminante;
- Q é a vazão efetiva de ventilação.
Suponha que alguém adote:
G = 300 mg/min
Q = 30 m³/min
O resultado é simples:
C = 10 mg/m³
Matematicamente, não há nada errado.
O problema está em outra pergunta: G é realmente 300 mg/min o tempo todo? E Q é realmente 30 m³/min durante toda a operação? Na prática, quase nunca.
A emissão pode variar conforme:
- ritmo de produção;
- temperatura;
- área exposta;
- taxa de uso;
- pressão;
- condição operacional;
- tamanho do lote;
- frequência de abertura de recipientes.
A ventilação também pode variar em razão de:
- perda de carga;
- filtros sujos;
- abertura de portas;
- condições meteorológicas;
- regulagem dos sistemas;
- alterações na vazão;
- obstruções;
- manutenção deficiente.
Se G e Q variam, então C também varia.
Nesse caso, dizer que “a concentração é 10 mg/m³” transmite uma sensação de certeza que o sistema físico provavelmente não possui.
O que o Monte Carlo faz
A simulação de Monte Carlo substitui valores únicos por faixas ou distribuições de valores possíveis. Em vez de dizer: G = 300 mg/min
Pode-se admitir, por exemplo, que G varie entre 220 e 380 mg/min.
Em vez de dizer: Q = 30 m³/min
Pode-se admitir que Q varie entre 25 e 35 m³/min.
O computador então sorteia milhares de combinações possíveis entre esses valores.
Para cada combinação calcula: C = G / Q
Após 10.000, 50.000 ou 100.000 simulações, não se obtém um único valor de concentração.
Obtém-se uma distribuição de concentrações. Essa distribuição pode responder perguntas muito mais úteis, como:
- qual é a concentração mediana?
- qual é o percentil 95?
- qual é a faixa mais provável?
- qual parcela das simulações ultrapassa o limite de exposição?
- qual variável mais influencia o resultado?
- quão sensível é a conclusão às premissas adotadas?
Isso muda completamente a qualidade da análise.
Monte Carlo não cria conhecimento
Há um ponto essencial. Monte Carlo não transforma informação ruim em informação boa.
Se alguém inventa distribuições sem base, o resultado será apenas uma sofisticação matemática construída sobre premissas frágeis.
O método não elimina a necessidade de julgamento técnico. Ao contrário. Ele exige ainda mais cuidado com as entradas.
Toda variável introduzida na simulação deve ter algum fundamento:
- dados históricos;
- medições;
- informações de processo;
- registros operacionais;
- especificações de equipamentos;
- balanços de massa;
- entrevistas tecnicamente consistentes;
- ensaios;
- literatura técnica adequada;
- limites físicos defensáveis.
A pergunta não deve ser: “qual distribuição fica bonita no software?”
Mas: “que distribuição representa de forma defensável o comportamento real dessa variável?”
Variabilidade e incerteza não são a mesma coisa
Essa distinção é fundamental. Variabilidade é aquilo que realmente muda no processo.
Por exemplo: a vazão de ventilação varia entre 26 e 34 m³/min ao longo do turno.
Isso é uma característica real do sistema.
Já a incerteza corresponde àquilo que não se conhece com precisão.
Por exemplo: não sabemos qual era a vazão de ventilação existente naquela instalação dez anos atrás.
Nesse caso, a variabilidade descreve o mundo.
A incerteza descreve nossa falta de conhecimento sobre o mundo.
Monte Carlo pode trabalhar com ambas, mas é importante não misturá-las conceitualmente.
Uma distribuição pode representar:
- variação real;
- incerteza de medição;
- incerteza histórica;
- diferença entre trabalhadores;
- diferença entre lotes;
- diferença entre dias;
- combinação de vários desses fatores.
Quanto mais clara essa classificação, melhor será a interpretação do resultado.
Um exemplo simples
Considere uma operação com solvente. A taxa de emissão não é constante. Pelos dados disponíveis, admite-se que G possa variar entre 200 e 400 mg/min.
A ventilação efetiva oscila entre 24 e 36 m³/min.
Em vez de escolher arbitrariamente um valor médio para cada variável, a simulação sorteia milhares de pares de G e Q.
Algumas combinações podem gerar:
200 / 36 = 5,6 mg/m³
outras:
400 / 24 = 16,7 mg/m³
e inúmeras combinações intermediárias.
Após milhares de simulações, pode-se encontrar, hipoteticamente:
- mediana: 9,8 mg/m³;
- P95: 14,6 mg/m³;
- 7% das simulações acima de 15 mg/m³.
Agora a análise ficou muito mais rica.
Não se afirma simplesmente: “a concentração é 10 mg/m³.”
Pode-se dizer: “consideradas as variações plausíveis da emissão e da ventilação, a exposição apresenta determinada distribuição, com concentração mediana próxima de 10 mg/m³ e pequena parcela dos cenários ultrapassando 15 mg/m³.”
Essa forma de comunicar é tecnicamente mais honesta.
O percentil pode dizer mais que a média
Em Higiene Ocupacional, médias podem ser traiçoeiras. Uma operação pode apresentar concentração média relativamente baixa e, ainda assim, possuir períodos recorrentes de exposição elevada.
O Monte Carlo ajuda justamente a visualizar a chamada cauda da distribuição.
Se a média for 30 ppm, isso não significa que exposições de 60 ou 80 ppm sejam impossíveis.
Por isso, indicadores como P90, P95 ou P99 podem ser muito mais informativos quando o objetivo é compreender cenários superiores.
O percentil 95, por exemplo, representa um valor abaixo do qual se encontram aproximadamente 95% das simulações.
Ele não deve ser tratado automaticamente como limite legal ou como critério de conformidade. É uma ferramenta de interpretação.
Probabilidade de ultrapassagem
Uma das aplicações mais interessantes consiste em calcular a fração das simulações que ultrapassa determinado critério de exposição.
Imagine um limite ocupacional de 50 ppm.
Após 20.000 simulações, 1.600 resultados ficaram acima de 50 ppm.
Isso significa que: 8% das combinações simuladas superaram o valor de referência.
É importante usar uma linguagem precisa.
Não se deve afirmar necessariamente: “Existe 8% de probabilidade real de o trabalhador ultrapassar o limite.”
O resultado depende do modelo e das distribuições utilizadas. Uma formulação tecnicamente mais adequada seria: “Nas condições e distribuições consideradas no modelo, 8% dos cenários simulados resultaram em concentrações superiores ao critério adotado.”
Parece uma diferença pequena de redação. Não é. Ela separa modelagem de certeza.
Monte Carlo em reconstruções históricas
Talvez uma das aplicações mais interessantes esteja nas perícias ocupacionais. Imagine uma exposição ocorrida há 20 anos. Não existem medições. Existem apenas informações como:
- quantidade média de produto utilizada;
- dimensões aproximadas do ambiente;
- ventilação natural ou mecânica;
- duração das tarefas;
- temperatura;
- tipo de recipiente;
- composição aproximada;
- depoimentos;
- documentos de processo.
Uma abordagem determinística poderia escolher um valor para cada variável e produzir uma única concentração. Mas esse número pode ser artificialmente preciso. Monte Carlo permite trabalhar com faixas.
Exemplo:
- consumo diário: 8 a 15 litros;
- tempo de uso: 2 a 4 horas;
- vazão de ventilação: 800 a 1.400 m³/h;
- temperatura: 22 a 32 °C;
- posição do trabalhador: variável.
O resultado passa a ser uma distribuição de exposições históricas plausíveis. Isso é particularmente valioso porque permite declarar a incerteza em vez de escondê-la. Em uma boa perícia, admitir a incerteza não enfraquece a conclusão. Fortalece sua credibilidade.
Reasonable worst case
Monte Carlo também ajuda a evitar um erro clássico: construir um “pior caso” fisicamente improvável.
É comum combinar simultaneamente:
- emissão máxima;
- ventilação mínima;
- temperatura máxima;
- trabalhador na menor distância;
- maior tempo de exposição.
Mas todas essas condições ocorrem juntas? Talvez não.
Um cenário extremo matematicamente possível pode ser operacionalmente impossível.
Por isso, é importante distinguir:
worst case: cenário extremo deliberado;
reasonable worst case: cenário alto, mas fisicamente plausível;
cenário representativo: melhor estimativa das condições habituais.
Monte Carlo pode incorporar essa lógica definindo distribuições compatíveis com a realidade operacional.
Análise de sensibilidade
Outro grande benefício é identificar quais variáveis realmente comandam o resultado.
Imagine um modelo com:
- taxa de emissão;
- ventilação;
- temperatura;
- volume da sala;
- duração da tarefa;
- distância da fonte.
Depois da simulação, pode-se descobrir que 75% da variabilidade da concentração é explicada pela taxa de emissão e pela ventilação.
Isso produz uma informação operacional extremamente importante: é nesses parâmetros que vale a pena investir em melhores dados e melhores controles.
Talvez conhecer o volume da sala com precisão centimétrica não altere praticamente nada. Talvez medir melhor G altere completamente a conclusão. A análise de sensibilidade impede desperdício de esforço.
O método também pode avaliar controles
Monte Carlo não serve apenas para caracterizar risco. Ele pode comparar cenários. Suponha que a empresa pretenda instalar ventilação local exaustora. Cenário atual: Q entre 20 e 30 m³/min.
Cenário futuro: Q entre 45 e 55 m³/min.
Simula-se a exposição nos dois cenários.
Assim é possível comparar:
- medianas;
- percentis;
- probabilidade de ultrapassagem;
- redução esperada da concentração.
Isso transforma a modelagem em instrumento de engenharia. Antes de instalar o controle, pode-se estimar seu impacto.
Modelagem não substitui medição
Outro erro seria imaginar que Monte Carlo elimina a necessidade de amostragem. Não elimina. Medições continuam fundamentais para:
- caracterizar o processo;
- estimar distribuições;
- validar modelos;
- identificar vieses;
- descobrir fontes não consideradas;
- confrontar previsão e realidade.
O melhor uso acontece quando modelagem e medição trabalham juntas. A modelagem pergunta: “o que eu deveria esperar?”
A medição responde: “o que aconteceu?”
Se os dois resultados divergem, isso não significa automaticamente que um deles está errado. Pode significar que há algo no processo que ainda não foi compreendido.
Quando não usar Monte Carlo
Nem todo problema precisa desse nível de sofisticação. Se um cenário conservador muito simples demonstra concentração equivalente a 1% do limite, uma simulação com 100.000 iterações provavelmente acrescentará pouco à decisão.
Por outro lado, Monte Carlo se torna muito útil quando:
- o resultado está próximo do limite;
- há grande variabilidade;
- existem várias entradas incertas;
- a decisão possui consequências importantes;
- não existem medições suficientes;
- pretende-se reconstruir exposição histórica;
- há necessidade de comparar diferentes controles;
- é importante quantificar a chance de cenários elevados.
Complexidade deve existir para melhorar a decisão. Não para impressionar o leitor.
O maior risco é a falsa precisão
Uma planilha pode produzir: 32,4871 ppm. Esse número pode parecer científico.
Mas se a taxa de emissão foi estimada entre 150 e 400 mg/min e a ventilação é pouco conhecida, informar quatro casas decimais é quase uma caricatura de precisão.
A simulação probabilística ajuda a substituir a falsa certeza por algo mais tecnicamente defensável: “a maior parte dos resultados encontra-se entre 20 e 45 ppm, com percentil 95 de aproximadamente 52 ppm.” Isso é menos espetacular. E muito mais científico.
Finalizando
Monte Carlo representa uma mudança importante na maneira de pensar a exposição química. A exposição deixa de ser tratada como número único e passa a ser compreendida como fenômeno variável. Isso não significa abandonar medições, limites ocupacionais ou modelos determinísticos.
Significa reconhecer que o mundo real contém variação. Contém incerteza. Contém trabalhadores diferentes. Contém dias diferentes. Contém processos diferentes.
E a pergunta deixa de ser apenas: “Qual é a concentração?”
Passa a ser: “Quais concentrações são plausíveis, com que frequência podem ocorrer e quais variáveis determinam os cenários mais críticos?”
Essa é a grande contribuição da avaliação probabilística. Ela não promete eliminar a incerteza.
Faz algo mais útil: obriga o avaliador a enxergá-la.
