Pantheon Repositorio Institucional
Recopila, preserva y difundi la producción académica digital en todas las áreas del conocimiento.
Comprende los activos del repositorio, además de tesis y disertaciones en la UFRJ, artículos científicos, libros electrónicos, capítulos de libros y trabajos presentados en eventos para los profesores, investigadores, personal administrativo y estudiantes de maestría y doctorado.
Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/11422/16463| Especie: | Trabalho de conclusão de graduação |
| Título : | 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 |
| Autor(es)/Inventor(es): | Pitanga, Guilherme Faustino |
| Tutor: | Melo Junior, Príamo Albuquerque |
| Tutor : | Souza Junior, Maurício Bezerra de |
| Tutor: | Nogueira, Júlia do Nascimento Pereira |
| Resumen: | 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. |
| Materia: | Água acida Pré-Falha Incrustação Inteligência artificial Random Forest Máquinas de vetores de suporte |
| Materia CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA |
| Unidade de producción: | Escola de Química |
| Editor: | Universidade Federal do Rio de Janeiro |
| Fecha de publicación: | 18-ene-2022 |
| País de edición : | Brasil |
| Idioma de publicación: | por |
| Tipo de acceso : | Acesso Aberto |
| Aparece en las colecciones: | Engenharia Química |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| GFPitanga.pdf | 1.7 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.