Return to search

[pt] APRENDIZADO DE MÁQUINA PARA DETECÇÃO DE FALHAS NO TRATAMENTO DE EFLUENTES INDUSTRIAIS DA INDÚSTRIA DE PANIFICAÇÃO POR ELETROCOAGULAÇÃO / [en] MACHINE LEARNING FOR FAILURE DETECTION IN BAKERY INDUSTRIAL EFFLUENTS TREATMENT BY ELECTROCOAGULATION

[pt] A eletrocoagulação é um método emergente de tratamento de efluentes que
combina os benefícios da coagulação, flotação e eletroquímica. Devido à
complexidade inerente às operações de uma estação de tratamento de efluentes, é
um desafio reagir com rapidez e precisão às condições dinâmicas necessárias para
manter a qualidade do efluente. Portanto, esta tese tem como objetivo identificar a
condição operacional de uma estação de tratamento de efluentes que adotou a
eletrocoagulação para o tratamento de efluentes de panificação. Três condições
operacionais baseadas em clarificação do efluente e lodo da reação foram as
variáveis-alvo. A tese está dividida em dois ensaios. O primeiro usou sete métodos
de seleção de atributos para selecionar as variáveis mais importantes em um
determinado conjunto de dados. O desempenho dos modelos de classificação de
redes neurais treinados no conjunto de atributos original foi comparado ao
desempenho daqueles que foram treinados em um subconjunto curado usando
técnicas de seleção de atributos. O modelo que utilizou a seleção de atributos
apresentou o melhor desempenho (F1-score = 0,92) e uma melhoria de mais de 30 por cento
na prevenção de falsos positivos. A segunda contribuição trouxe um modelo que
poderia detectar o comportamento anômalo do processo usando apenas imagens
coloridas da superfície do efluente obtidas através de dois módulos de câmera de
tamanho pequeno. O desempenho de vários métodos, incluindo MLP, LSTM, SVM
e XGBoost foi avaliado. O modelo LSTM superou os outros em termos de Precisão
(84,620 por cento), Recall (84,531 por cento) e F1-score (84,499 por cento), mas o modelo XGBoost vem
em segundo lugar com Precisão (83,922 por cento), Recall (82,272 por cento) e F1-score
(83,005 por cento). / [en] Electrocoagulation is an emerging wastewater treatment method that
combines the benefits of coagulation, flotation, and electrochemistry. As a result of
the inherent complexity of processes associated with wastewater treatment plants,
it is difficult to respond swiftly and correctly to the dynamic circumstances that are
necessary to ensure effluent quality. Therefore, this thesis aims to identify the
operational condition of a wastewater treatment plant that has adopted
electrocoagulation for treating bakery wastewater. Three operational conditions
based on effluent clarification and reaction sludge were the target variables. The
thesis is divided into two essays. The first endeavor used seven feature selection
methods to select the most important features in a given dataset. The performance
of neural network classification models trained on the original feature set was
compared to the performance of those that were trained on a subset of features that
had been curated using feature selection techniques. The model that utilised feature
selection was found to have the best performance (F1-score = 0.92) and an
improvement of more than 30 percent in preventing false positives. The second
contribution brought a model that could detect anomalous process behavior using
only wastewater surface color images from two small-size camera modules. The
performance of various methods, including MLP, LSTM, SVM, and XGBoost was
assessed. The LSTM model outperformed the others in terms of macro average
Precision (84.620 percent), Recall (84.531 percent), and F1-score (84.499 percent), but the XGBoost
model comes closely in second with Precision (83.922 percent), Recall (82.272 percent), and
F1-score (83.005 percent).

Identiferoai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:64369
Date19 October 2023
CreatorsTHIAGO DA SILVA RIBEIRO
ContributorsMAURICIO LEONARDO TOREM
PublisherMAXWELL
Source SetsPUC Rio
LanguageEnglish
Detected LanguagePortuguese
TypeTEXTO

Page generated in 0.0026 seconds