1 |
[pt] MODELAGEM E SIMULAÇÃO DA POLIMERIZAÇÃO DO 1,3-BUTADIENO VIA CATALISADOR DE MÚLTIPLOS SÍTIOS / [en] MODELING AND SIMULATION OF POLYMERIZATION OF 1,3-BUTADIENE VIA MULTI-SITE CATALYSTFRANCISCO RENAN LOPES FARIAS 25 January 2023 (has links)
[pt] A indústria da borracha sintética tem grande importância e está presente no cotidiano da sociedade mundial. A borracha de butadieno ou polibutadieno é um dos polímeros mais utilizados neste campo, principalmente na produção de pneus. Portanto, o controle das condições operacionais e das propriedades finais do polímero formado são pontos importantes a serem estudados, pois são um desafio para a indústria. Assim, o presente trabalho tem como foco simular a polimerização em solução de polibutadieno utilizando o software Aspen Plus, onde foram utilizados 1,3-butadieno, tetracloreto de titânio, trietilalumínio e hexano como monômero, catalisador, cocatalisador e solvente, respectivamente. Nesta parte do trabalho, obtiveram-se gráficos de distribuição de massa molar que apresentaram propriedades semelhantes aos polibutadienos comerciais e alguns polibutadienos sintetizados em escala de bancada encontrados na literatura. Além disso, em uma segunda parte do trabalho, estuda-se e explica-se a técnica de distribuição instantânea e como foi gerada uma base de dados para um modelo de aprendizagem de máquina chamado de XGBoost, onde pontos dos gráficos da MMD (molar mass distribution) do polímero serviram como entrada do modelo a fim de prever as constantes cinéticas da polimerização. Ambos os estudos e simulações mostram que três e quatro sítios de catalisadores ativos são capazes de sintetizar polímeros com propriedades semelhantes aos polibutadienos comerciais e em escala de bancada. / [en] The synthetic rubber industry is of great importance and is present in the daily life of world society. Butadiene rubber or polybutadiene is one of the most used polymers in this field, mainly in the production of tires. Therefore, controlling the operating conditions and the final properties of the polymer formed are important points to be studied, as they are a challenge for the industry. Thus, the present work focuses on simulating the polymerization in solution of polybutadiene using the Aspen Plus software, where 1,3-butadiene, titanium tetrachloride, triethylaluminum and hexane were used as monomer, catalyst, cocatalyst and solvent, respectively. From the work, molar mass distribution graphs were obtained that showed properties similar to commercial polybutadienes and some polybutadienes synthesized on a bench scale found in the literature. Furthermore, in a second part of the work, the instant distribution technique is studied and explained and how a database was generated for a machine learning model called XGBoost, where points from the MMD (molar mass distribution) graphs of the polymer served as input to the model in order to predict the kinetic constants of polymerization. Both studies and simulations show that three and four sites of active catalysts are able to synthesize polymers with properties similar to commercial and bench-scale polybutadienes.
|
2 |
[en] ANALYSIS OF THE CONTRIBUTION OF CHARACTERISTICS ASSOCIATED WITH THE EVOLUTION OF DEATHS FROM COVID19 IN BRAZILIAN STATES USING SHAPLEY VALUES / [pt] ANÁLISE DA CONTRIBUIÇÃO DAS CARACTERÍSTICAS ASSOCIADAS À EVOLUÇÃO DOS ÓBITOS POR COVID-19 NOS ESTADOS BRASILEIROS UTILIZANDO OS VALORES DE SHAPLEYPAULO HENRIQUE COUTO SIMOES 27 September 2022 (has links)
[pt] Este trabalho propõe um método para hierarquizar a contribuição de
diferentes estratégias para conter a evolução da pandemia de COVID-19 em
diferentes estados do Brasil, nos períodos pré- e pós-vacinação. O método proposto
incluiu o aprendizado automático de modelos de regressão utilizando o algoritmo
de aprendizado de máquina XGBoost, e aplicou a teoria dos jogos cooperativos de
Shapley para quantificar a contribuição das características analisadas para a
variável-alvo. Para interpretar o modelo globalmente, foi usado o SHapley Additive
exPlanations (SHAP), que é um algoritmo baseado na teoria de Shapley. Os
resultados de avaliação do método apontaram a sua eficácia para quantificar a
contribuição de cada variável de forma robusta, e revelam que os percentuais de
cobertura vacinal de primeira e segunda dose, além do fechamento das escolas,
foram as medidas que tiveram maior contribuição na evolução do número de casos
e óbitos por COVID-19. A ponderação das variáveis pode ajudar os atores
responsáveis na elaboração de políticas públicas para minimizar os efeitos
socioeconômicos em suas regiões, dado que o Brasil é um país que possui extrema
desigualdade social. / [en] This work proposes a method to rank the contribution of different
strategies to contain the evolution of the COVID-19 pandemic in different states of
Brazil, in the pre- and post-vaccination periods. The proposed method included the
automatic learning of regression models using the XGBoost machine learning
algorithm, and applied Shapley s cooperative game theory to quantify the
contribution of the analyzed characteristics to the target variable. To interpret the
model globally, the SHapley Additive exPlanations (SHAP) was used, which is an
algorithm based on Shapley s theory. The evaluation results point to its efficacy to
quantify the contribution of each variable in a robust way, and reveal that the
percentages of first and second dose vaccination coverage, in addition to the closing
of schools, were the measures that had the greatest contribution in the evolution of
the number of cases and deaths due to COVID-19. The weighting of variables can
help the actors responsible in the elaboration of public policies to minimize the
socioeconomic effects in their regions, since Brazil is a country that has extreme
social inequality.
|
3 |
[en] A SUPERVISED LEARNING APPROACH TO PREDICT HOUSEHOLD AID DEMAND FOR RECURRENT CLIME-RELATED DISASTERS IN PERU / [pt] UMA ABORDAGEM DE APRENDIZADO SUPERVISIONADO PARA PREVER A DEMANDA DE AJUDA FAMILIAR PARA DESASTRES CLIMÁTICOS RECORRENTES NO PERURENATO JOSE QUILICHE ALTAMIRANO 21 November 2023 (has links)
[pt] Esta dissertação apresenta uma abordagem baseada em dados para
o problema de predição de desastres recorrentes em países em
desenvolvimento. Métodos de aprendizado de máquina supervisionado são
usados para treinar classificadores que visam prever se uma família seria
afetada por ameaças climáticas recorrentes (um classificador é treinado
para cada perigo natural). A abordagem desenvolvida é válida para perigos
naturais recorrentes que afetam um país e permite que os gerentes de risco
de desastres direcionem suas operações com mais conhecimento. Além
disso, a avaliação preditiva permite que os gerentes entendam os
impulsionadores dessas previsões, levando à formulação proativa de
políticas e planejamento de operações para mitigar riscos e preparar
comunidades para desastres recorrentes.
A metodologia proposta foi aplicada ao estudo de caso do Peru, onde
foram treinados classificadores para ondas de frio, inundações e
deslizamentos de terra. No caso das ondas de frio, o classificador tem
73,82% de precisão. A pesquisa descobriu que famílias pobres em áreas
rurais são vulneráveis a desastres relacionados a ondas de frio e precisam
de intervenção humanitária proativa. Famílias vulneráveis têm
infraestrutura urbana precária, incluindo trilhas, caminhos, postes de
iluminação e redes de água e drenagem. O papel do seguro saúde, estado
de saúde e educação é menor. Domicílios com membros doentes levam a
maiores probabilidades de serem afetados por ondas de frio. Maior
realização educacional do chefe da família está associada a uma menor
probabilidade de ser afetado por ondas de frio. No caso das inundações, o classificador tem 82.57% de precisão.
Certas condições urbanas podem tornar as famílias rurais mais suscetíveis
a inundações, como acesso à água potável, postes de iluminação e redes
de drenagem. Possuir um computador ou laptop diminui a probabilidade de
ser afetado por inundações, enquanto possuir uma bicicleta e ser chefiado
por indivíduos casados aumenta. Inundações são mais comuns em
assentamentos urbanos menos desenvolvidos do que em famílias rurais
isoladas.
No caso dos deslizamentos de terra, o classificador tem 88.85% de
precisão, e é segue uma lógica diferente do das inundações. A importância
na previsão é mais uniformemente distribuída entre as características
consideradas no aprendizado do classificador. Assim, o impacto de um
recurso individual na previsão é pequeno. A riqueza a longo prazo parece
ser mais crítica: a probabilidade de ser afetado por um deslizamento é
menor para famílias com certos aparelhos e materiais domésticos de
construção. Comunidades rurais são mais afetadas por deslizamentos,
especialmente aquelas localizadas em altitudes mais elevadas e maiores
distâncias das cidades e mercados. O impacto marginal médio da altitude
é não linear.
Os classificadores fornecem um método inteligente baseado em
dados que economiza recursos garantindo precisão. Além disso, a
pesquisa fornece diretrizes para abordar a eficiência na distribuição da
ajuda, como formulações de localização da instalação e roteamento de
veículos.
Os resultados da pesquisa têm várias implicações gerenciais, então
os autores convocam à ação gestores de risco de desastres e outros
interessados relevantes. Desastres recorrentes desafiam toda a
humanidade. / [en] This dissertation presents a data-driven approach to the problem of predicting recurrent disasters in developing countries. Supervised machine learning methods are used to train classifiers that aim to predict whether a household would be affected by recurrent climate threats (one classifier is trained for each natural hazard). The approach developed is valid for recurrent natural hazards affecting a country and allows disaster risk managers to target their operations with more knowledge. In addition, predictive assessment allows managers to understand the drivers of these predictions, leading to proactive policy formulation and operations planning to mitigate risks and prepare communities for recurring disasters. The proposed methodology was applied to the case study of Peru, where classifiers were trained for cold waves, floods, and landslides. In the case of cold waves, the classifier was 73.82% accurate. The research found that low-income families in rural areas are vulnerable to cold wave related disasters and need proactive humanitarian intervention. Vulnerable families have poor urban infrastructure, including footpaths, roads, lampposts, and water and drainage networks. The role of health insurance, health status, and education is minor. Households with sick members are more likely to be affected by cold waves. Higher educational attainment of the head of the household is associated with a lower probability of being affected by cold snaps.In the case of flooding, the classifier is 82.57% accurate. Certain urban conditions, such as access to drinking water, lampposts, and drainage networks, can make rural households more susceptible to flooding. Owning a computer or laptop decreases the likelihood of being affected by flooding while owning a bicycle and being headed by married individuals increases it. Flooding is more common in less developed urban settlements than isolated rural families.In the case of landslides, the classifier is 88.85% accurate and follows a different logic than that of floods. The importance of the prediction is more evenly distributed among the features considered when learning the classifier. Thus, the impact of an individual feature on the prediction is small. Long-term wealth is more critical: the probability of being affected by a landslide is lower for families with specific appliances and household building materials. Rural communities are more affected by landslides, especially those located at higher altitudes and greater distances from cities and markets. The average marginal impact of altitude is non-linear.The classifiers provide an intelligent data-driven method that saves resources by ensuring accuracy. In addition, the research provides guidelines for addressing efficiency in aid distribution, such as facility location formulations and vehicle routing.The research results have several managerial implications, so the authors call for action from disaster risk managers and other relevant stakeholders. Recurrent disasters challenge all of humanity.
|
Page generated in 0.1149 seconds