TCC - Engenharia Química
URI Permanente para esta coleção
ILATIT - Centro de Tecnologia e Infraestrutura - Bacharelado em Engenharia Química
Navegar
Navegando TCC - Engenharia Química por Assunto "aprendizado de máquina"
Agora exibindo 1 - 1 de 1
Resultados por página
Opções de Ordenação
Item Aprendizado de máquina para a simulação de oxigênio dissolvido da água superficial da represa Billings.(2024) Jovél, Haiden Arley ArdilaNa atualidade, são muitas as tecnologias implementadas com o objetivo de mitigar os impactos ambientais que ocorrem no mundo, em vista disso, diversas áreas do conhecimento têm agido de forma interdisciplinar com a finalidade de aplicar técnicas e/ou ferramentas que permitam melhorar os processos tradicionais tornando-os mais eficientes. A ciência de dados é uma disciplina com um campo abrangente de atuação nas Engenharias permitindo a otimização de processos rotineiros de forma mais simples utilizando modelos matemáticos e um amplo conjunto de dados. Órgãos públicos como a SABESP realizam monitoramento rotineiro dos parâmetros de qualidade da água da represa Billings disponibilizando um relatório com os resultados no decorrer de um ano, além disso a NASA realiza monitoramento por satélite de diversos parâmetros atmosféricos. O presente trabalho teve como objetivo a utilização de modelos de aprendizado de máquina para simular a quantidade de oxigênio dissolvido (OD) no braço Taquacetuba (BL-105) da represa Billings, os resultados apontam que devido à natureza não linear das variáveis que compõem o sistema natural, o modelo floresta aleatória (Random Forest) consegue ajustes e predições melhores do que o modelo de regressão linear. Foi possível a obtenção de predições coerentes com a diminuição significativa das variáveis da SABESP para os dois modelos. O modelo floresta aleatória conseguiu diferençar a disponibilidade de OD no meio hidrográfico levando em consideração as especificidades sazonais além dos períodos diurnos e noturnos ao longo de dois anos. O ano 2017 apresentou valores mais precisos do que o ano 2019, quando comparado com os dados reais. Por fim, a pesquisa sugere a possibilidade de tornar o processo de monitoramento da qualidade da água mais econômico, devido à capacidade do modelo de aprendizado de máquina em prever resultados satisfatórios com uma quantidade reduzida de parâmetros de monitoramento do complexo hidrográfico Billings.