Avaliação de sistemas de detecção e diagnóstico de falhas baseados em aprendizado de máquina em cenários de pré-falha e incrustação em unidades de tratamento de águas ácidas

Pitanga, Guilherme Faustino

Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/16463

Type:	Trabalho de conclusão de graduação
Title:	Avaliação de sistemas de detecção e diagnóstico de falhas baseados em aprendizado de máquina em cenários de pré-falha e incrustação em unidades de tratamento de águas ácidas
Author(s)/Inventor(s):	Pitanga, Guilherme Faustino
Advisor:	Melo Junior, Príamo Albuquerque
Co-advisor:	Souza Junior, Maurício Bezerra de
Co-advisor:	Nogueira, Júlia do Nascimento Pereira
Abstract:	Este trabalho tem como objetivo analisar os cen´arios de pr´e-falha e incrusta¸c˜ao em uma Unidade de Tratamento de Agua ´ Acida aplicado m´etodos de Inteligˆencia Artificial. Foram ´ utilizados os dados provenientes da simula¸c˜ao dinˆamica do processo feito em Aspen Plus Dynamics® V10 realizado por Nogueira (2021), contendo mais de sessenta mil amostras das vari´aveis da unidade em opera¸c˜ao normal e seis diferentes condi¸c˜oes de falha. Este banco de dados foi previamente tratado para adi¸c˜ao de ru´ıdos e tempos de atraso. Para esses dados, os m´etodos que obtiveram melhor desempenho foram Random Forest (RF) e M´aquinas de Vetores de Suporte (SVM) (NOGUEIRA, 2021). Os resultados foram apresentados e analisados mediante as m´etricas estat´ısticas adequadas para o problema de classifica¸c˜ao em Aprendizado de M´aquinas. Os resultados apontam que, para o cen´ario de incrusta¸c˜ao, o m´etodo SVM Linear apresenta a maior acur´acia, 88,45%. Para o cen´ario de pr´e-falha, foi feita primeiramente a separa¸c˜ao das amostras de opera¸c˜ao normal da regi˜ao de falha e pr´e-falha. Nesta etapa, o melhor m´etodo foi RF, com uma acur´acia de 94,77%. Em seguida, foi feita a classifica¸c˜ao para dois cen´arios distintos: uma ´unica regi˜ao de pr´e-falha e uma regi˜ao de pr´e-falha para cada falha. Os melhores m´etodos para cada um desses cen´arios foram: SVM Linear (98,20%) e SVM Gaussiano (95,59%), respectivamente.
Keywords:	Água acida Pré-Falha Incrustação Inteligência artificial Random Forest Máquinas de vetores de suporte
Subject CNPq:	CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA
Production unit:	Escola de Química
Publisher:	Universidade Federal do Rio de Janeiro
Issue Date:	18-Jan-2022
Publisher country:	Brasil
Language:	por
Right access:	Acesso Aberto
Appears in Collections:	Engenharia Química

Files in This Item:

File	Description	Size	Format
GFPitanga.pdf		1.7 MB	Adobe PDF	View/Open

Show full item record Recommend this item View Statistics

Pantheon Institutional repository