Pantheon Repositório Institucional da UFRJ
Coleta, preserva e divulga a produção acadêmica digital em todas as áreas do conhecimento.
São os ativos do repositório, além de teses e dissertações da UFRJ, artigos científicos, livros eletrônicos, capítulos de livros e trabalhos apresentados em eventos por professores, pesquisadores, funcionários administrativos e alunos de mestrado e doutorado.
Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/11422/16463| Tipo: | 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 |
| Orientador: | Melo Junior, Príamo Albuquerque |
| Coorientador: | Souza Junior, Maurício Bezerra de |
| Coorientador: | Nogueira, Júlia do Nascimento Pereira |
| Resumo: | 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. |
| Palavras-chave: | Água acida Pré-Falha Incrustação Inteligência artificial Random Forest Máquinas de vetores de suporte |
| Assunto CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA |
| Unidade produtora: | Escola de Química |
| Editora: | Universidade Federal do Rio de Janeiro |
| Data de publicação: | 18-Jan-2022 |
| País de publicação: | Brasil |
| Idioma da publicação: | por |
| Tipo de acesso: | Acesso Aberto |
| Aparece nas coleções: | Engenharia Química |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| GFPitanga.pdf | 1.7 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.