Aprendizado de máquina para a simulação de oxigênio dissolvido da água superficial da represa Billings.
Carregando...
Data
2024
Autores
Jovél, Haiden Arley Ardila
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
Na 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.
Abstract
Descrição
Trabalho de Conclusão de Curso apresentado ao Instituto Latino-Americano de Tecnologia, Infraestrutura e Território da Universidade Federal da Integração Latino- Americana, como requisito parcial à obtenção do título de Bacharel em Engenharia Química.
Palavras-chave
aprendizado de máquina, oxigênio dissolvido, monitoramento ambiental, qualidade da água