PEI PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA INDUSTRIAL (PEI) ESCOLA POLITÉCNICA Telefone/Ramal: Não informado

Banca de DEFESA: BRENNER BIASI SOUZA SILVA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : BRENNER BIASI SOUZA SILVA
DATA : 19/06/2019
HORA: 09:00
LOCAL: Sala de Congregação da Escola Politécnica da UFBA
TÍTULO:

ANÁLISE OPERACIONAL EM SISTEMA DE DRENAGEM INDUSTRIAL: UMA ABORDAGEM DE APRENDIZADO DE MÁQUINA


PALAVRAS-CHAVES:

Transbordamento de efluentes industriais. Aprendizado não-supervisionado. Aprendizado supervisionado.


PÁGINAS: 87
RESUMO:

A ocorrência de transbordamentos nos sistemas de retenção de efluentes industriais é um aspecto ambiental e operacional importante na maioria das indústrias. O objetivo deste trabalho foi analisa e classificar o comportamento da precipitação pluviométrica e transbordamentos, e propor um modelo preditivo de extravasamento para uma bacia do sistema de retenção de efluentes industriais em uma refinaria de petróleo. A análise de agrupamento para séries temporais de precipitação e nível de tanques foi analisada a partir da perspectiva de similaridade entre os agrupamentos e da detecção de pontos de mudança para determinar o comportamento das séries temporais. Um modelo preditivo construído foi proposto também para em sistema de drenagem pluvial em área industrial utilizando aprendizado de máquina supervisionado com o objetivo de indicar se a bacia de contenção extravasará no intervalo de 24 horas, com emprego das técnicas utilizadas k-nearest neighbors (KNN) e Random Forest. O conjunto de metodologias de aprendizado de máquina não supervisionadas usadas permitem obter informações sobre eventos hidrológicos e de processo em cenários com baixa disponibilidade de dados sem a necessidade de aumentar a informação. Foi identificado que, na ausência de precipitação ou ocorrência de baixos volumes diários de precipitação, o sistema falhou, e a porcentagem de transbordamentos é maior do que o valor natural esperado. Além disso, não há transbordamentos em períodos chuvosos se houver operação satisfatória do sistema. Cenários e variações de técnicas de amostragem para o treinamento dos modelos de classificação foram utilizados. Os melhores resultados foram obtidos a partir do algoritmo Random Forest com emprego da técnica de reamostragem oversampling, undersampling e ROSE.


MEMBROS DA BANCA:
Presidente - 2574950 - KARLA PATRICIA SANTOS OLIVEIRA RODRIGUEZ ESQUERRE
Externo ao Programa - 2276528 - LEIZER SCHNITMAN
Externo ao Programa - 1741302 - LUCIANO MATOS QUEIROZ
Notícia cadastrada em: 17/06/2019 14:38
SIGAA | STI/SUPAC - - | Copyright © 2006-2024 - UFBA