Submitted by Jean Medeiros (jeanletras@uepb.edu.br) on 2016-08-25T12:31:09Z
No. of bitstreams: 1
PDF - Pedro Nogueira da Silva Neto.pdf: 2592431 bytes, checksum: 2f677411e0aeb3c27f0922d578ac580c (MD5) / Made available in DSpace on 2016-08-25T12:31:09Z (GMT). No. of bitstreams: 1
PDF - Pedro Nogueira da Silva Neto.pdf: 2592431 bytes, checksum: 2f677411e0aeb3c27f0922d578ac580c (MD5)
Previous issue date: 2015-05-28 / The population growth in cities, and in parallel, the intensification of agricultural and livestock activities , in addition to industrial and agro-industrial development are the main causes for the increase in the dumping of sewage , often arranged in lakes , seas and rivers in its raw form or with insufficient treatment. UpflowAnaerobicSludgeBlanket(UASB) reactors appear as an option for treatment of various types of wastewater , widespread and well being applied more than the other , and having as an essential aspect of the process the nature of the active biomass. The Artificial Neural Networks ( ANN ) are a type of mathematical model of the area of Artificial Intelligence are a modeling technique based on input-output relations ( black -box structures) that has received great interest from the scientific community , being carried out research in a multidisciplinary way. Thus, this research is structured in order to model and simulate a UASB reactor in order to evaluate and establish control parameters, using Artificial Neural Networks (ANN). The set of data relating to the 13 analyzed parameters , has been subdivided in three different forms and the use of a hidden layer and two hidden layers with varying number of neurons in amounts of 5, 10 and 15. In addition, the functions activation were modified in order to obtain fluctuations networks. Thus, it was found that when using a single intermediate layer, the best activation function was Logsig and better distribution data is presented when it was combined 80% of the data used for training, 10% for trial and 10% for validation. At the same time, one can conclude that the greater the number of neurons used in the hidden layer, best determination coefficients are found. In this 2 circumstance, the R was 0.9985, which was considered most suitable for predicting the parameters analyzed. When patterned with 2 hidden layers, the results resembled well with the simulation of a hidden layer, since the best results have been obtained for distributing data, 80%, 10%, 10% respectively to training, testing and validation. The best determination coefficient was obtained with the combination of Tansig activation functions in the hidden 2 layer 1 and Logsig in the hidden layer 2, obtivendo an R of 0.9912, considered excellent for predicting the data. / O aumento populacional nas cidades, e em paralelo, a intensificação das atividades agrícolas e pecuárias, além do desenvolvimento industrial e agroindustrial são as principais causas para o aumento do lançamento de esgotos, muitas vezes dispostos em lagos, mares e rios na sua forma bruta ou com tratamento insuficiente. Reatores UpflowAnaerobicSludgeBlanket (UASB) surgem como uma possibilidade para tratamento de vários tipos de águas residuárias, sendo bastante difundido e bem mais aplicado do que os outros e, tendo como aspecto essencial do processo a natureza da biomassa ativa.As Redes Neurais Artificiais (RNA’s) constituem um tipo de modelo matemático da área da Inteligência Artificial são uma técnica de modelagem baseada nas relações entrada-saída (estruturas black- box) que tem recebido grande interesse da comunidade científica, sendo realizadas pesquisas de forma multidisciplinar. Assim, esta pesquisa se estrutura com o objetivo de modelar e simular um reator UASB, afim de avaliar e estabelecer parâmetros de controle, através de Redes Neurais Artificiais (RNA). O conjunto de dados, referentes aos 13 parâmetros analisados, foi subdividido de três formas diferentes e com o uso de uma camada oculta e com duas camadas ocultas com variação do número de neurônios em quantidades de 5, 10 e 15. Além disso, as funções de ativação sofreram modificação com o intuito de obter flutuações das redes. Dessa forma, concluiu-se que quando se utiliza uma única camada intermediária, a melhor função de ativação foi a Logsig e a melhor distribuição de dados apresentou-se quando foi combinado 80% dos dados usados para treinamento, 10 % para teste e 10 % para validação. Paralelamente, é possível concluir que quanto maior é o número de neurônio usado na camada oculta, melhores coeficientes de determinação são encontrados. Nesta 2 circunstância, o R foi de 0,9985,valor considerado muito satisfatório para predição dos parâmetros analisados. Quando modelada com 2 camadas ocultas, os resultados assemelharam-se bastante com as simulações de uma camada oculta, visto os melhores resultados terem sido obtidos na distribuição de dados , 80%, 10% , 10%, respectivamente para treinamento, teste e validação. O melhor coeficiente de determinação foi obtido com a combinação das funções de ativação Tansig na camada oculta 1 e Logsig na camada oculta 2, 2 obtivendo um R de 0,9912, considerado excelente para a predição dos dados.
| Identifer | oai:union.ndltd.org:IBICT/oai:tede.bc.uepb.edu.br:tede/2472 |
| Date | 28 May 2015 |
| Creators | Silva Neto, Pedro Nogueira da |
| Contributors | Vieira, Fernando Fernandes, Sousa, José Tavares de, Barbosa, Enivaldo Santos |
| Publisher | Universidade Estadual da Paraíba, Programa de Pós-Graduação em Ciência e Tecnologia Ambiental - PPGCTA, UEPB, Brasil, Pró-Reitoria de Pós-Graduação e Pesquisa - PRPGP |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UEPB, instname:Universidade Estadual da Paraíba, instacron:UEPB |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | 4424065786745700953, 600, 600, 600, 524871450381110278, 4980055448743338403 |
Page generated in 0.0027 seconds