Mineração de dados para predição de falhas em sistemas de coleta de efluentes

Autor: Silva, Brenner Biasi Souza
Přispěvatelé: Esquerre, Karla Patricia Santos Oliveira Rodriguez, Pessoa, Robson Wilson Silva, Queiroz, Luciano Matos, Schnitman, Leizer
Jazyk: portugalština
Rok vydání: 2019
Předmět:
Zdroj: Repositório Institucional da UFBA
Universidade Federal da Bahia (UFBA)
instacron:UFBA
Popis: Submitted by Brenner Silva (brennerbiasiss@gmail.com) on 2019-08-25T19:16:53Z No. of bitstreams: 1 Dissertacao_Brenner_Silva_Com_Capa_e_ATA.pdf: 11422037 bytes, checksum: e31ba096174afcac175d448520d2c7a7 (MD5) Approved for entry into archive by Escola Politécnica Biblioteca (biengproc@ufba.br) on 2019-09-10T17:43:08Z (GMT) No. of bitstreams: 1 Dissertacao_Brenner_Silva_Com_Capa_e_ATA.pdf: 11422037 bytes, checksum: e31ba096174afcac175d448520d2c7a7 (MD5) Made available in DSpace on 2019-09-10T17:43:08Z (GMT). No. of bitstreams: 1 Dissertacao_Brenner_Silva_Com_Capa_e_ATA.pdf: 11422037 bytes, checksum: e31ba096174afcac175d448520d2c7a7 (MD5) Coordenação de Aperfeiçoamento de Pessoal de Nível Superior – Brasil (CAPES) 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 analisar o comportamento do sistema de coleta e contenção de efluentes industriais em uma refinaria de petróleo, e propor um modelo preditivo para evento de falha, transbordamento, de uma bacia de contenção. A análise inicial foi realizada utilizando técnica de agrupamento para objetos considerando Índice de Similaridade, sendo também realizado abordagem de séries temporais de precipitação pluviométrica e percentual do nível de tanques de contenção do sistema a partir da perspectiva de similaridade, da detecção de pontos de mudança e análise de tendências. Modelos preditivos foram construídos utilizando k-nearest neighbors (KNN) e Random Forest para predição de classificação, com o objetivo de indicar se a bacia de contenção transbordará numa projeção para o horizonte de 24 horas. O conjunto de metodologias de aprendizado de máquina não supervisionadas usadas aqui permite obter informações sobre eventos hidrológicos e de processo em cenários com baixa disponibilidade de dados sem a necessidade de aumentar a informação. Identificou-se 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 houveram transbordamentos em períodos chuvosos em casos de operação considerada satisfatória do sistema. Cenários e variações de técnicas de amostragem para o treinamento dos modelos de classificação foram utilizados. Os melhores resultados dos modelos preditivos construídos foram obtidos a partir do algoritmo Random Forest com emprego da técnica de reamostragem oversampling, undersampling e ROSE.
Databáze: OpenAIRE
Externí odkaz: