Submitted by LIVIA FREITAS (livia.freitas@ufba.br) on 2016-01-29T20:19:05Z
No. of bitstreams: 1
Dissertacao Tabita.pdf: 3357943 bytes, checksum: 68725b213c233a37937a1617b70da4b2 (MD5) / Approved for entry into archive by LIVIA FREITAS (livia.freitas@ufba.br) on 2016-03-03T18:30:25Z (GMT) No. of bitstreams: 1
Dissertacao Tabita.pdf: 3357943 bytes, checksum: 68725b213c233a37937a1617b70da4b2 (MD5) / Made available in DSpace on 2016-03-03T18:30:25Z (GMT). No. of bitstreams: 1
Dissertacao Tabita.pdf: 3357943 bytes, checksum: 68725b213c233a37937a1617b70da4b2 (MD5) / Diversas técnicas avançadas vêm sendo adotada em plantas de tratamento de efluentes industriais com o propósito de melhorar o monitoramento e controle operacional da planta a fim de garantir a qualidade do efluente tratado antes de descartá-lo. Dentre estas técnicas, as redes neurais artificiais (RNAs) têm sido utilizadas com sucesso na modelagem destes sistemas. Entretanto, um passo importante e fundamental para um desempenho satisfatório das RNAs é o pré-processamento de dados. Esta tarefa requer uma análise cuidadosa dos dados a fim de obter-se um conjunto de variáveis e dados que melhor represente o sistema. O objetivo desta pesquisa consiste em construir modelos de predição da quantidade de matéria orgânica, medida por DQO, de uma lagoa aerada de
uma empresa de produção de papel e celulose, e comparar o desempenho dos modelos construídos quando utilizada a técnica de análise de componentes principais (PCA) para pré-processamento dos dados. PCA foi utilizada nesta pesquisa para reduzir dimensionalmente o conjunto de dados através da seleção de componentes principais, descarte de variáveis originais e exclusão
de possíveis outliers. Cinco conjuntos de dados foram formados para comparar o desempenho das RNAs com e sem aplicação de PCA, além do uso da DQO como unidade de concentração (mg de DQO.L-1) e como carga orgânica (kg de DQO.dia-1). Esse desempenho foi avaliado pelo erro quadrático médio (EQM), índice de correlação (R²), índice de correlação ajustado (R²ajustado) e a
complexidade da rede (Cn). A verificação da adequação do modelo é feita através da análise residual. A PCA foi capaz de facilitar o processo de aprendizagem da rede neural e reduzir os custos operacionais pelo descarte de variáveis originais. A DQO como carga orgânica também ajudou a melhorar o
desempenho da rede PCA-RNA.
Identifer | oai:union.ndltd.org:IBICT/oai:192.168.11:11:ri/18678 |
Date | 06 1900 |
Creators | Morais, Jácina Tábita Gurgel |
Contributors | Esquerre, Karla Patrícia Santos Oliveira Rodríguez, Kiperstok, Asher, Esquerre, Karla Patrícia Santos Oliveira Rodríguez, Queiroz, Luciano Matos, Pimentel, Wagner Roberto de Oliveira |
Publisher | Universidade Federal da Bahia.Escola Politécnica, Engenharia Industrial, UFBA, brasil |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Source | reponame:Repositório Institucional da UFBA, instname:Universidade Federal da Bahia, instacron:UFBA |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0022 seconds