Navegando por Palavras-chave "Artificial neural network"
Agora exibindo 1 - 5 de 5
Resultados por página
Opções de Ordenação
- ItemRestritoDesenvolvimento de modelo de redes neurais para identificação de eventos com alta concentração de 2- metilisoborneol (MIB) e geosmina no reservatório Jundiaí, no sistema produtor Alto Tietê.(Universidade Federal de São Paulo, 2022-12-16) Forte, Bruno Silvestrim; Santos Filho, Hélio Vitor dos [UNIFESP]; Hanisch, Werner Siegfried [UNIFESP]; http://lattes.cnpq.br/8938747949184483; http://lattes.cnpq.br/5889414812115472; http://lattes.cnpq.br/3840792972052897Um dos problemas provocados pela eutrofização dos reservatórios utilizados para abastecimento público são as florações de cianobactérias, as quais, além de poderem lançar toxinas nas águas, podem lançar compostos orgânicos tais como o 2-metilisoborneol (MIB) e a geosmina. Esses metabólitos conferem gosto e odor de terra e mofo à água mesmo quando presentes em baixas concentrações, ocasionando uma fácil percepção pelos consumidores. Uma forma de contornar esse problema é melhorar a gestão do monitoramento desses reservatórios valendo-se da utilização de modelos preditivos para a identificação da iminência do surgimento de concentrações relevantes dessas substâncias. À vista disso, esse trabalho teve como objetivo identificar, por meio de análises estatísticas (Análise de Componentes Principais e Correlação de Pearson), em um reservatório tropical utilizado para abastecimento público, quais organismos são os responsáveis pela liberação/produção de MIB e geosmina. Seguido desta análise, foram programadas duas redes neurais artificiais (RNA) previsionais do tipo NARX – modelo autorregressivo não linear com entrada exógena – sendo uma para MIB e outra para geosmina, capazes de predizer, com uma semana de antecedência, as concentrações dos compostos de interesse. Isto posto, no intuito de aplicar as RNA’s obtidas, o trabalho visou modelar uma interface interativa capaz de alocar a programação da rede para uso industrial. A respeito da modelagem das RNA’s, foi utilizada para ambas as redes a técnica de divisão randômica de dados com 70%, 15% e 15% dos dados para treino, validação e teste, respectivamente. Além disso, os algoritmos de treinamento Scaled Conjugate Gradient, Bayesian Regulation Backpropagation e Levenberg-Marquardt foram submetidos aos testes de performance juntamente com a variação dos números de camadas e neurônios ocultos. Os resultados foram extremamente significativos obtendo-se, para a melhor rede de previsão do MIB: erro percentual médio de 24,4% e erro absoluto médio de 7,968 ng/L; e para geosmina: erro percentual médio de 21,1% e erro absoluto médio de 3,353 ng/L. Vale ressaltar que devido ao comportamento caótico da sintetização de 2-metilisoborneol, esse apresentou um desempenho na etapa de testes inferior ao encontrado para a previsão de geosmina, porém, ainda assim, a rede selecionada afigurara-se eficiente para o proposto.
- ItemSomente MetadadadosForecast for surface solar irradiance at the Brazilian Northeastern region using NWP model and artificial neural networks(Pergamon-Elsevier Science Ltd, 2016) Lima, Francisco José Lopes de; Martins, Fernando Ramos [UNIFESP]; Pereira, Enio Bueno; Lorenz, Elke; Heinemann, Detlev [UNIFESP]; Universidade Federal de São Paulo (UNIFESP)There has been a growing demand on energy sector for short-term predictions of energy resources to support the planning and management of electricity generation and distribution systems. The purpose of this work is establishing a methodology to produce solar irradiation forecasts for the Brazilian Northeastern region by using Weather Research and Forecasting Model (WRF) combined with a statistical post-processing method. The 24 h solar irradiance forecasts were obtained using the WRF model. In order to reduce uncertainties, a cluster analysis technique was employed to select areas presenting similar climate features. Comparison analysis between VVRF model outputs and observational data were performed to evaluate the model skill in forecasting surface solar irradiance. Next, model-derived short-term solar irradiance forecasts from the WRF outputs were refined by using an artificial neural networks (ANNs) technique. The output variables of the WRF model representing the forecasted atmospheric conditions were used as predictors by ANNs, adjusted to calculate the solar radiation incident for the entire Brazilian Northeastern (NEB) (which was divided into four homogeneous regions, defined by the Ward method). The data used in this study was from rainy and dry seasons between 2009 and 2011. Several predictors were tested to adjust and simulate the ANNs. We found the best ANN architecture and a group of 10 predictors, in which a deeper analyzes were carried out, including performance evaluation for Fall and Spring of 2011 (rainy and dry season in NEB, mainly in the northern section). There was a significant improvement of the WRF model forecasts when adjusted by the ANNs, yielding lower bias and RMSE, and an increase in the correlation coefficient. (C) 2015 Elsevier Ltd. All rights reserved.
- ItemAcesso aberto (Open Access)Perfil cinético da adsorção da mistura Ni2+-Cr3+ via redes neurais artificiais: avaliação de diferentes algoritmos de otimização(Universidade Federal de São Paulo, 2021-02-19) Choji, Thamyres Tetsue [UNIFESP]; Martins, Tiago Dias [UNIFESP]; http://lattes.cnpq.br/4325081860304693; http://lattes.cnpq.br/4192790267584136A preocupação mundial com o tratamento de resíduos produzidos pela indústria é uma realidade. A adsorção é um dos processos mais utilizados especialmente em etapas de refino, em que as concentrações dos componentes em questão são baixas e processos convencionais não são eficientes. A definição de um modelo cinético binário é complexa e envolve diversas variáveis independentes. Sendo assim as Redes Neurais Artificiais podem ser uma alternativa viável, já que não exigem grande conhecimento matemático acerca do fenômeno em questão e possuem a versatilidade necessária para se adaptar a diferentes situações. Neste projeto, o objetivo foi obter e comparar modelos neurais que descrevam o perfil cinético de adsorção da mistura Ni2+-Cr3+ pela alga marinha Sargassum filipendula no intuito de suprir as dificuldades encontradas na formulação dos modelos fenomenológicos. Um estudo sistemático foi realizado para se determinar os números de camadas ocultas e de neurônios, tal que sejam suficientes para descrever o fenômeno em questão. Para isso, foram comparados o desempenho de diversos algoritmos de otimização em busca da melhor configuração. Os resultados mostraram que o método de otimização Levenberg-Marquardt com Regularização bayesiana (trainbr) com funções de transferências tangente hiperbólica para estrutura 4-10-10-2 foi que melhor se adaptou aos dados de adsorção binária para os metais em questão, apresentando função objetivo mais satisfatória (6,1.10-10) dentre os modelos testados. Além disso, foi capaz de simular o perfil cinético de adsorção utilizando na entrada da rede apenas os dois primeiros pontos da curva e utilizando os pontos gerados na retroalimentação. Portanto, demonstrou o poder de generalização das RNAs em um problema de adsorção binária.
- ItemAcesso aberto (Open Access)Simulação de diferentes configurações de colunas de destilação para a separação da mistura nonilfenol-dinonilfenol com aplicação de redes neurais artificiais(Universidade Federal de São Paulo, 2022-12-22) Nunes, Julio Cesar Ribeiro [UNIFESP]; Falleiro, Rafael Mauricio Matricarde [UNIFESP]; Batista, Fabio Rodolfo Miguel; http://lattes.cnpq.br/7264259801951867; http://lattes.cnpq.br/1828937466145202O nonilfenol é um produto de grande relevância no mercado de surfactantes devido a versatilidade de aplicação em diferentes tipos de produtos químicos. A maior aplicação está presente no setor de surfactantes não-iônicos em produtos de cuidados domésticos, pessoal e agroquímicos. Para a obtenção deste produto, estudou-se diferentes configurações estruturais de colunas de destilação, a partir de simulação computacional, de um sistema de separação nonilfenol-dinonilfenol (NF-DNF), a fim de se propor a melhor configuração visualizada em questão de resultados das correntes e demanda energética do processo de separação. Além disso, a realização da modelagem matemática, através de redes neurais artificias (RNA), serviu como uma ferramenta de auxílio na tomada de decisão operacional com base em valores de entrada das variáveis de processo do sistema de separação. Através das RNAs foi possível contornar a ausência dos parâmetros de equilíbrio líquido-vapor da mistura NF-DNF, fato que torna a RNA uma alternativa de complemento na análise do estudo pela não necessidade de atender os graus de liberdade que o simulador precisa. Foram definidas as configurações estruturais a serem avaliadas a mudança dos recheios internos, com alternativa em randômico e estruturado, e alteração no diâmetro das colunas de destilação. Posteriormente foi feito o levantamento de dados técnicos da planta produtiva tomada como referência, além de resultados analíticos de correntes do processo. Foi definido o modelo termodinâmico e validado com dados de referência. Não foi identificada variação significativa nos resultados de composição das correntes de saída e da demanda energética do processo, com redução em alguns casos de até cerca de 2 % dessa demanda, positivo para o custo operacional. Para o caso da avaliação do diâmetro das seções da coluna foi visto que a condição de referência é menor do que as simuladas. Com relação a modelagem matemática, foram desenvolvidas as RNAs com o banco de dados já levantado e considerando 21 variáveis de entrada e 2 variáveis de saída. Posteriormente, foi definido o método de otimização de Levenberg-Marquardt e a tangente hiperbólica como função de ativação. O treinamento foi feito com 60 estruturas distintas em questão de número de camadas ocultas, 1 até 3, e neurônios por camada. A estrutura 21-70-20-2 apresentou o melhor resultado, ajuste e caráter de predição do modelo, além do menor erro quadrático médio, de 0,0119.
- ItemAcesso aberto (Open Access)Uso de redes neurais artificiais na modelagem cinética de extração supercrítica e comparação com modelos fenomenológicos(Universidade Federal de São Paulo, 2020-10-15) Irizawa, Ian de Alencar [UNIFESP]; Veggi, Priscilla Carvalho [UNIFESP]; Martins, Tiago Dias [UNFESP]; http://lattes.cnpq.br/4325081860304693; http://lattes.cnpq.br/4337428740305589A artemisinina é o composto majoritário sintetizado a partir da Artemísia annua L. de grande interesse para as indústrias farmacêuticas, cosméticas e/ou alimentícia. Sua principal característica é sua propriedade antimalárica, descoberta esta que rendeu um Prêmio Nobel. Em se tratando do emprego da extração com fluidos supercríticos na obtenção destes compostos, inúmeras pesquisas vêm empregando modelos matemáticos para descrever o comportamento cinético desse processo, que se destaca por ser sustentável, uma green technology. Neste sentido, este trabalho teve como objetivo o desenvolvimento de uma rede neural artificial para modelar a cinética de extração supercrítica de artemisinina. Foram utilizados oito experimentos com diferentes condições operacionais como base de dados. Para o desenvolvimento da rede, foram traçadas duas estratégias a fim de se obter uma curva cinética com a massa de extrato de artemisinina em função do tempo. Na primeira estratégia do treinamento da rede, utilizaram-se como variáveis de entrada a pressão de operação, temperatura do solvente, vazão de solvente e massa de extrato nos tempos t e t-1. A variável de saída foi a massa de extrato no tempo t+1. Na segunda estratégia se utilizou como variáveis de entrada a pressão, temperatura, vazão do solvente e o tempo, tendo como variável de saída a massa de extrato no tempo t. Foram testadas diversas configurações e avaliou-se o erro médio percentual da simulação, bem como a correlação de Pearson a seleção da melhor rede. A melhor RNA foi obtida a partir da segunda estratégia, com uma estrutura contendo 7 neurônios na primeira camada intermediária e 1 neurônio na segunda (estrutura 4-7-1-1), com funções de ativação Purelin-Tansig-Tansig. Essa rede foi capaz de descrever e predizer de maneira precisa a cinética da extração supercrítica da artemisinina com uma alta correlação de Pearson de 0,997 e um baixo erro médio na simulação de, aproximadamente, 5%. Além disso, ao compararmos o erro médio quadrático obtido pelo melhor dos modelos fenomenológicos estudados, esta obteve um erro de 2,358. 10-1 , valor este extremamente inferior ao obtido pela RNA 4-7-1-1, que obteve um erro excepcionalmente baixo, 2,619.10-3 . Com isso, pôde-se comprovar a eficiência da rede neural desenvolvida e sua excelente capacidade de generalização do processo.