Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Metrologia Científica e Industrial, Florianópolis, 2010 / Made available in DSpace on 2012-10-25T05:03:16Z (GMT). No. of bitstreams: 1
284780.pdf: 3484745 bytes, checksum: 0385a31da7ea20735f719b912e6af3f3 (MD5) / O avanço tecnológico tem possibilitado a aquisição e o armazenamento de uma grande quantidade de dados em diversas áreas, dentre os quais, dados oriundos de medições realizadas continuamente ao longo do tempo. A representação e a análise de eventos e comportamentos no tempo é uma tarefa complexa e dependente do domínio de aplicação. Em segurança de barragens, a previsão de valores consiste em uma importante ferramenta de monitoração e prevenção pela capacidade de antecipar informações do processo de medição sob análise e com base nessas, realizar ações de contenção do problema. No entanto, os métodos tradicionais por se basearem na aplicação de técnicas estatísticas e na amostragem de dados, possuem limitações para detectar mudanças no processo. Desse modo, abordagens baseadas em aprendizado de máquina têm sido propostas para auxiliar nessa tarefa, tal como o algoritmo k-Nearest Neighbor-Time Series Prediction (kNN-TSP). Na monitoração da segurança de barragens, os dados das variáveis de interesse são obtidos por meio de processos de medição. Sua confiabilidade está afetada por diversas causas, que resultam no afastamento do resultado da medição com referência ao valor verdadeiro da variável medida, denominado de erro de medição. As técnicas de aprendizado de máquina aplicadas no apoio à tomada de decisões em segurança de barragens utilizam assim uma informação de entrada distorcida e, consequentemente, pode se esperar que as previsões geradas pelos algoritmos sejam também distorcidas. Para um desempenho adequado das ferramentas de apoio à tomada de decisão, é necessário que os dados sejam gerados por um processo de medição sob controle e capaz. Assim, torna-se fundamental o estudo da influência do uso de dados incertos sobre as ferramentas de auxílio à tomada de decisão, no contexto de controle de processos de medição. Desse modo, neste trabalho foi proposto um modelo de simulação para avaliar o efeito da incerteza de medição, em função de distintas composições de erros sistemáticos e aleatórios, e da frequência de amostragem dos dados, sobre a efetividade das previsões do algoritmo kNN-TSP. Inicialmente, o modelo de simulação foi validado por meio da aplicação do método sobre uma série temporal artificial com características de interesse para a segurança de barragens, tais como tendência e sazonalidade. Posteriormente, o modelo foi aplicado em séries provenientes de um processo de monitoração real, como da medição de deslocamentos da Usina de Itaipu. Com base nos resultados das simulações realizadas, algumas orientações com foco em uma relação custo-benefício entre a qualidade de ajuste do algoritmo aos dados da série e a incerteza de medição puderam ser posicionadas, com o intuito de auxiliar na seleção de ferramentas de previsão de dados para análise de riscos em segurança de barragens.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufsc.br:123456789/93956 |
| Date | 25 October 2012 |
| Creators | Zalewski, Willian |
| Contributors | Universidade Federal de Santa Catarina, Donatelli, Gustavo Daniel |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | 117 p.| il., grafs., tabs. |
| Source | reponame:Repositório Institucional da UFSC, instname:Universidade Federal de Santa Catarina, instacron:UFSC |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0025 seconds