Navegando por Palavras-chave "Redes Neurais Artificiais"
Agora exibindo 1 - 11 de 11
Resultados por página
Opções de Ordenação
- ItemAcesso aberto (Open Access)Aplicação da técnica de redes neurais artificias na modelagem de processos oxidativos avançados(Universidade Federal de São Paulo, 2022-12-14) Silva, Evelin Karolina Gomes [UNIFESP]; Araújo, Fauzer Henrique Lopes de [UNIFESP]; Moraes, José Ermírio Ferreira de [UNIFESP]; http://lattes.cnpq.br/4692364565124711Uma grande quantidade de produtos farmacêuticos é consumida pela sociedade devido a sua eficiência no tratamento e prevenção de doenças. Porém, uma parcela dos fármacos consumidos não é metabolizada pelos seres vivos, sendo excretada nas redes de esgoto e no meio ambiente. Além disso, no caso particular dos antibióticos, como a amoxicilina, a sua presença no meio ambiente pode promover o desenvolvimento de bactérias multirresistentes. Nesse contexto, observa-se a necessidade do estudo de novos processos adequados para a degradação dessas substâncias, como é o caso dos processos oxidativos avançados (POA). Dentre os POA, pode-se destacar o processo foto-Fenton, que envolve o uso de sais ferrosos e do peróxido de hidrogênio na presença de uma fonte de radiação ultravioleta-visível (UV-Vis), promovendo a geração de radicais livres, especialmente os radicais hidroxila, que são os responsáveis pela degradação dos poluentes alvo. Dessa forma, a modelagem fenomenológica dos POA pode ser bastante complexa, pois requer as informações das cinéticas das várias reações químicas envolvidas e, além disso, o conhecimento do modelo do campo de radiação aplicado. Nesse contexto, o uso de técnicas empíricas, como as redes neurais artificiais (RNA) se apresenta como uma interessante alternativa. As RNA são capazes de buscar um padrão entre dados de saída e de entrada. Este trabalho procurou otimizar uma RNA capaz de modelar o processo foto-Fenton aplicado ao processo de degradação da amoxicilina, utilizando-se a extensão Deep Learning Toolbox disponível no software Matlab. A modelagem ocorreu a partir da otimização dos parâmetros da rede, como: a escolha entre os algoritmos de treinamento Regularização Bayesiana e Levenberg-Marquardt e o número de neurônios na camada oculta. A RNA otimizada possui 4 neurônios na camada oculta e foi criada utilizando o algoritmo Regularização Bayesiana com o auxílio de modelos empíricos polinomiais para a geração de um maior número de dados. A rede apresentou um bom grau de generalização e sem problemas de sobreajuste, com R² igual a 0,99836. Com o uso do modelo, verificou-se que o sistema apresentou maior sensibilidade à [Fe2+] em comparação à taxa molar de alimentação de peróxido de hidrogênio para o domínio experimental adotado.
- ItemAcesso aberto (Open Access)Aplicação de redes neurais artificiais para o diagnóstico de arritmias cardíacas usando processamento de sinais de eletrocardiograma.(Universidade Federal de São Paulo, 2022-10-14) Lima, Victor Mendes Cunha [UNIFESP]; Santos, Sergio Ronaldo Barros dos [UNIFESP]; http://lattes.cnpq.br/0608523738367987; http://lattes.cnpq.br/9949464804738379Este trabalho trata da aplicação de redes neurais artificiais (RNAs) como método de diagnóstico de arritmias cardíacas, a exemplo de infarto no miocárdio, utilizando técnicas de processamento de sinais de eletrocardiograma obtidos a partir de um conjunto de dados com informações de diagnóstico de pacientes saudáveis e de pacientes com diversas patologias cardíacas. Os dados utilizados para treinamento e teste das RNAs foram obtidos a partir da extração dos espectros das derivações dos sinais de eletrocardiograma. Em seguida os espectros obtidos foram filtrados e, a partir deles, foram calculadas as potências espectrais em sete bandas de frequências distintas pelo método de Burg. Após a obtenção das potências espectrais fez-se a separação dos dados em grupo de treinamento e grupo de teste, usados para, respectivamente, treinar e testar as redes. Os treinamentos foram realizados por meio do algoritmo backpropagation e do algoritmo LMS. A rede com melhor desempenho apresentou taxa de acerto de 80,97%, enquanto a de pior desempenho apresentou taxa de acerto de 78,94%. Mesmo com valores abaixo do esperado, de acordo com outras literaturas, o método apresentou resultados próximos com diferentes separações de dados, revelando boa precisão.
- ItemSomente MetadadadosDesenvolvimento de instrumento suportado por redes neurais para predição do ponto final de ebulição da nafta craqueada(Universidade Federal de São Paulo (UNIFESP), 2020-06-26) Mariano, Wagner Joao Da Silva [UNIFESP]; Mariano, Flavia Cristina Martins Queiroz [UNIFESP]; Universidade Federal de São PauloControlling the cracked naphta final boiling point (FBP) allows the refining site to adapt its operation to answer current market demand and competitiveness better. This control is based on FBP prediction through a historical database, allowing assertive decisions about the process in progress. In terms of prediction models that involve a complex system with several variables, the artificial neural networks (ANN) have been proved to be an increasingly recurring option and with a high degree of efficiency. The present work proposed the development of an ANN supported tool that predicts the FBP of cracked naphtha. Firstly, it presented a brief ANN historical, pointing its main features and, also, the evolution of the catalytic cracking refining process. The dataset used to obtain the predicting model was composed of 12 variables of the fluidized catalytic cracking process (FCC). It was collected daily at Henrique Lage refining unity in S˜ao Jos´e dos Campos, between January 1st 2018 and June 10th 2019. This dataset was randomly divided into three disjoint subsets, 70% to training stage, 15% to validation, and 15% to test. Among the different ANN topologies tested, the more accurate ANN model was selected and compared with the current regression model. For selection and comparison models, the mean square error statistic, mean absolute percentage error, mean absolute deviation, and the Bias were used. The neural network model selected for cracked naphtha FPB prediction is currently available at “2B8 – Prediction” tool developed in this study.
- ItemAcesso aberto (Open Access)Estudo da eficiência de remoção e do coeficiente volumétrico de transferência de massa em torre de nebulização para remoção de SO2 e modelagem por redes neurais artificiais(Universidade Federal de São Paulo, 2021-06-10) Valera, Vinícius Yoshida [UNIFESP]; Codolo, Milene Costa [UNIFESP]; http://lattes.cnpq.br/2972176562768435; http://lattes.cnpq.br/8447511587859552Diversos equipamentos podem ser utilizados para minimizar ou eliminar o problema de emissão de poluentes atmosféricos por fontes industriais, sendo um deles, a instalação de uma torre de nebulização para absorção de gases. Esse tipo de equipamento é frequentemente empregado na indústria por realizar operações de transferência de calor e de massa e são baseadas no contato entre um gás e um líquido. Devido à complexidade do processo e a quantidade de parâmetros a serem avaliados na torre de nebulização, propor modelos matemáticos para predição de variáveis importantes, como a eficiência de remoção e o coeficiente volumétrico de transferência de massa médio ((k_g a) ̅), se tornou uma tarefa difícil. As redes neurais artificiais (RNAs) surgem como uma alternativa para modelagem de problemas complexos, uma vez que essas redes têm a capacidade de correlacionar as variáveis de entrada e saída de um determinado problema, sem a necessidade de conhecer o modelo fenomenológico. Esse trabalho teve por objetivo construir uma bancada experimental para remoção de dióxido de enxofre (SO2) utilizando uma torre de nebulização e avaliar a influência das variáveis no processo. Para tal propósito, foi necessário avaliar a eficiência de remoção do SO2 e as variáveis envolvidas (vazão de gás e líquido, número de bicos e diâmetro do orifício do bico pulverizador). Após essa etapa, foi proposta uma RNA para predição de resultados de eficiência de remoção e (k_g a) ̅, na torre de nebulização para remoção de SO2. A torre construída nesse estudo atingiu eficiência máxima de 99,47% e (k_g a) ̅ de 24,46x10-8 kmol s-1 m-3 Pa-1 e mostrou que é possível alcançar altos níveis de remoção sem a necessidade de construir torres tão altas. A melhor RNA obtida, apresentou erros percentuais médios de 2,76% para os resultados de simulação da eficiência de remoção do SO2 e 6,79% para o (k_g a) ̅. Para a obtenção da melhor rede, as etapas de treinamento, validação e teste se mostraram insuficientes, sendo necessário uma última etapa de simulação. Os resultados produzidos pelas redes neurais foram muito promissores na predição de parâmetros importantes no processo de remoção de poluentes atmosféricos via torre de nebulização.
- ItemAcesso aberto (Open Access)Predição da entalpia de excesso da mistura dioxido de carbono-acetona utilizando redes neurais artificiais(Universidade Federal de São Paulo, 2023-12-01) Farias, Renan José de Oliveira [UNIFESP]; Martins, Tiago Dias [UNIFESP]; http://lattes.cnpq.br/4325081860304693Parâmetros termodinâmicos são, muitas vezes, valores de difícil obtenção. Sabendo-se disso, métodos numéricos são ferramentas que se tornam valiosas. Neste trabalho, utilizou-se as redes neurais artificiais (RNAs), que têm se mostrado bastante eficientes na resolução de problemas. Foram empregados dados experimentais da mistura CO2+Acetona, disponíveis na literatura, para realizar o treinamento de RNAs, visando o cálculo da entalpia de excesso, em diferentes pressões e temperaturas, em faixa de composição. O treinamento foi realizado tanto com RNAs com uma camada intermediária, quanto com duas. Os métodos de otimização testados foram Levenberg-Marquardt, Powel-Beale, Resilient Backpropagation e Levenberg-Marquardt com Regularização Bayesiana, e as combinações de funções de ativação testadas foram realizadas entre a tangente hiperbólica, linear e sigmoidal, com quantidades de neurônios variadas. Observou-se que a RNA que melhor se adaptou aos dados experimentais obtidos no artigo foi treinada com o método de Levenberg-Marquardt, com função de ativação sigmoidal na primeira camada e linear na saída. Como resultado, obteve-se uma RNA capaz de prever de forma assertiva a entalpia de excesso nas condições de temperatura e pressão do artigo de referência, com erros percentuais de 1,28%, provando-se mais eficiente do que os polinômios de Redlich-Kister, que obteve erros de até 5,4%.
- ItemAcesso aberto (Open Access)Predição de preços da tancagem brasileira de químicos empregando redes neurais artificiais(Universidade Federal de São Paulo, 2019-11-21) Cruz, Isabela Nicácio Soares da [UNIFESP]; Martins, Tiago Dias [UNIFESP]; http://lattes.cnpq.br/4325081860304693; http://lattes.cnpq.br/4333246003291257Tancagem trata-se do armazenamento de líquidos (por exemplo: combustíveis) em seus respectivos tanques. Este estudo consistiu em desenvolver uma rede neural artificial para a predição de preços da tancagem brasileira na região do porto de Aratu (BA). Devido às mudanças políticas de precificação impostas pela Petrobras a partir de 2017, as importações de gasolina e diesel nos últimos dois anos aumentaram significativamente. Em 2017, a alta das importações foi de 61%, comparando-se com o ano anterior. Nesse mesmo período, a produção de combustíveis diminuiu em 7%. A causa do aumento das importações é consequência da paridade de preços com o mercado global de derivados devido ao reposicionamento estratégico da Petrobras. O porto de Aratu, é um dos principais centros de recebimento de granéis líquidos aonde três grandes empresas oferecem o arrendamento de seus tanques totalizando 367.199,00 m3 , são elas: DOW BRASIL S.A, TEQUIMAR e VOPAK. Neste trabalho, para que a predição pudesse ocorrer escolheu-se a Rede Neural Artificial (RNA) do tipo MultiLayer Perceptron de realimentação. A RNA foi capaz de prever a variação do efeito de oferta e demanda. Este trabalho foi pioneiro na área de estudo da tancagem brasileira, utilizando-se de Redes Neurais Artificiais.
- ItemAcesso aberto (Open Access)Predição de trocas de carbono entre a biosfera e a atmosfera na FLONA-Tapajós a partir de variáveis ambientais(Universidade Federal de São Paulo, 2022-11-25) Bauer, Lucas de Oliveira [UNIFESP]; Rizzo, Luciana Varanda [UNIFESP]; Corrêa, Pedro Luiz Pizzigatti; http://lattes.cnpq.br/3640608958277159; http://lattes.cnpq.br/5924114866857244; https://lattes.cnpq.br/9092857659970079A floresta Amazônica desempenha um papel importante no balanço de carbono terrestre, atuando como um sumidouro de carbono através da atividade fotossintética, e, ao mesmo tempo, como fonte de carbono por meio das emissões por queimadas, áreas alagadas e processos metabólicos terrestres. As trocas de CO2 entre a floresta e a atmosfera podem ser estimadas a partir de observações diretas na superfície, pela técnica de covariância de vórtices turbulentos. Porém, tais observações possuem uma representatividade espacial pequena, que não pode ser extrapolada para toda a Amazônia devido à heterogeneidade do balanço de carbono na floresta. O uso de estratégias de Ciência dos Dados pode ser uma alternativa para ampliar a escala espacial das estimativas de balanço de carbono, desde que sejam conhecidas as relações entre os fluxos de CO2 e variáveis ambientais, que muitas vezes são relações não-lineares. Este trabalho tem como objetivo construir modelos de aprendizagem de máquina para prever as seguintes métricas de balanço de CO2: troca líquida de CO2 (NEE entre a floresta e a atmosfera), produtividade primária bruta (GPP) e respiração (Re). Para isso, foram utilizados dados diários de fluxos turbulentos e de variáveis ambientais monitoradas entre 2002 e 2005 na Floresta Nacional dos Tapajós (FLONA-Tapajós), na Amazônia. Como preditores, foram consideradas variáveis meteorológicas de superfície, fluxos de calor sensível e latente, espessura óptica de aerossóis e índice de área foliar. Foram desenvolvidos modelos de regressão por Random Forest (RF) e Redes Neurais Artificiais (RNA). Também foram construídos modelos para a classificação de cenários de fonte de carbono, sumidouro e condição neutra. Os modelos de regressão tiveram coeficientes de determinação (R2) entre 0,33 e 0,65 para os modelos de RF, e entre 0,44 e 0,58 para os modelos de RNA. O modelo de regressão de NEE por RNA reproduziu corretamente o comportamento sazonal e os valores extremos. Apesar da variável GPP ter alcançado os maiores valores de R2, ambos modelos de RF e RNA falharam na previsão dos valores extremos dessa variável. A acurácia dos modelos de classificação variou entre 61% e 70%, sendo que o método de RF apresentou melhor desempenho. Dentre as variáveis preditoras, aquelas que apresentaram maior relevância nos modelos construídos incluem: radiação incidente no topo da atmosfera, fluxos de calor, índice de área foliar e temperatura. Os resultados obtidos sugerem a viabilidade de predição de fluxos de carbono na Amazônia a partir de variáveis ambientais, constituindo o primeiro passo para a extrapolação de observações de fluxo locais para a escala regional. Já os modelos de classificação permitiram identificar as condições ambientais que favorecem a ocorrência de diferentes cenários de balanço de carbono e produtividade primária.
- ItemSomente MetadadadosPrevisão De Preços De Commodities Agrícolas Utilizando Redes Neurais Artificiais Com Transferência De Aprendizado(Universidade Federal de São Paulo (UNIFESP), 2017-08-16) Goncalves, Cassio Doria [UNIFESP]; Melo, Vinicius Veloso De [UNIFESP]; Universidade Federal de São Paulo (UNIFESP)Transfer Learning Is A Strategy To Solve A Target Problem By Reusing The Learning Of A Source Problem That Has Already Been Solved. In This Work, We Propose To Use Transfer Learning On A Multilayer Perceptron Artificial Neural Network To Forecast Agricultural Commodities Prices. The Transfer Learning Approach Was Applied On Five Different Time Series. We Analyzed The Influence Of Similarity Between Source And Target Series In Order To Choose The Best Source. For Evaluating The Similarity, We Used The Dynamic Time Warping Distance Measure. The Transfer Learning Approach Provided A Significant Reduction Of The Computational Training Cost In Ninety-Five Percent Of A Total Of Five Hundred Test Cases. In Addition, The Transfer Learning Approach Improved The Forecast Quality In More Than Half Of The Cases. We Conclude, Therefore, That The Transfer Learning Approach Was Applied Successfully In Time Series Forecast.
- ItemAcesso aberto (Open Access)Redes neurais artificiais para predição do preço de vale3 na bolsa de valores brasileira.(Universidade Federal de São Paulo, 2021-08-06) Barros, Gustavo Cavalcante de [UNIFESP]; Martins, Tiago Dias [UNIFESP]; http://lattes.cnpq.br/4325081860304693O trabalho aqui apresentado tem por objetivo caracterizar um modelo estatístico-preditivo de redes neurais artificiais, cuja finalidade está na obtenção probabilística de preços futuros, utilizando-se de dados passados, do ativo financeiro VALE3, na bolsa de valores brasileira. A escolha para utilização dessas redes neurais é assentada no fato de que, essas, conseguem classificar e agrupar uma grande quantidade e complexidade de dados amostrais. Para realizar a análise dos prováveis futuros preços do ativo, fora demarcado uma amostragem do ativo de maior peso da Bolsa de Valores Brasileira na data de 25/01/2021. O primeiro impasse para estabelecer o método preditivo é conseguir desmentir, utilizando-se do chamado “Coeficiente de Hurst”, a teoria financeira “Random Walk”, onde afirma que os preços evoluem de forma aleatória, não podendo ser previstos. Posteriormente, com a teoria “Random Walk” desmentida, tornou-se probabilisticamente possível realizar a previsão dos preços futuros dos ativos com o auxílio de redes neurais, estabelecendo-se um horizonte de, no máximo, uma semana de operação, isto é, 5 dias. Utilizando-se do software MATLAB e variando-se as camadas internas das redes neurais, variáveis de entrada e funções de ativação, pode-se obter diferentes resultados de eficiência das predições e, para verificar o desempenho dos preços preditos com os preços reais, serão utilizados medidores de desempenho, como por exemplo o coeficiente de determinação (R²) e o Erro Médio Quadrático (EMQ). Após a realização de todos os testes, permutando-se entre as funções de ativação, com a faixa de neurônios ocultos de 5 à 35, variando-se de 5 em 5, foi possível identificar que a melhor configuração de rede neural obtida, isto é, aquela que possuía menor erro de resultado previsto versus resultado real, foi a que possuía o algoritmo de otimização “trainlm”, função de ativação da 1ª camada “tansig” e função de saída “purelin”, havendo 35 neurônios em sua camada oculta. Essa configuração foi posteriormente utilizada para realizar as simulações do preço de VALE3 nos períodos entre 2 de janeiro de 2017 a 1 de janeiro de 2019, onde obteve-se um resultado excelente do erro em simulações do preço em d+1 de apenas 1,50% e, utilizando-se como modelo de gatilhos de compra e venda do ativo, foi atingida uma rentabilidade de 5,5% líquidos ao mês, durante o período estudado.
- ItemAcesso aberto (Open Access)Sensor virtual neural para determinação do Índice de Fluidez de PEAD e da Concentração de Sólidos de um reator Loop Slurry(Universidade Federal de São Paulo, 2022-06-10) Mattos, Milton Fernando Campos [UNIFESP]; Falleiro, Rafael Mauricio Matricarde [UNIFESP]; Martins, Tiago Dias [UNIFESP]; http://lattes.cnpq.br/4325081860304693; http://lattes.cnpq.br/7264259801951867; http://lattes.cnpq.br/6231201018529488O processo de polimerização do polietileno de alta densidade (PEAD) em reator tubular requer um controle preciso de diversos parâmetros de processo. A perda ou falha do controle desses parâmetros pode acarretar perda de qualidade da resina que está sendo produzida e, no pior cenário, levar a uma obstrução do reator, demandando vários dias de parada da planta. Dentre os principais parâmetros controlados destacam-se a concentração de polímero (sólidos) no interior do reator e o índice de fluidez (IF), que é uma variável de qualidade. A concentração de sólidos é calculada, a partir da medição da densidade da massa polimérica dentro do reator que é realizada por um instrumento de medição nuclear. O processo possui apenas este método de detecção, o que impossibilita operar o reator em condições seguras, caso ocorra qualquer falha deste instrumento. A amostragem da resina para análise do IF ocorre após um tempo médio de residência entre vasos de processo de aproximadamente 3 horas. Esse longo tempo de residência dificulta o controle de qualidade. A utilização de modelos fenomenológicos para calcular essas duas variáveis requer uma maior complexidade, visto que o processo de polimerização é constituído por equações de balanço (de massa, de energia), equações de velocidade (expressões cinéticas que descrevem o consumo ou geração reagentes e produto dentro do reator) e equações que relacionam propriedades termodinâmicas do sistema. Uma outra maneira de se calcular o índice de fluidez e a concentração de sólidos é utilizando redes neurais artificiais. Este tipo de modelagem matemática pode reconhecer padrões, correlacionar dados brutos, realizar inferências e até prever eventos que auxiliam em tomadas de decisão. Para este estudo, foi avaliada uma unidade de produção de PEAD de uma empresa petroquímica. Foram selecionadas 11 variáveis do processo de polimerização, para 7 campanhas de produção de uma mesma resina. Após uma análise estatística dos dados, verificou-se que das 11 variáveis, 3 poderiam ser descartadas para o treinamento das RNAs. Foram treinados 5 grupos com configurações diferentes de RNAs com uma e duas saídas. Todos os grupos apresentaram a maioria dos resultados de correlação acima de 0,97 na etapa de simulação para a saída concentração de sólidos com erro médio inferior a 0,11%. Já para a saída IF, o melhor resultado apresentou uma correlação de 0,60 com erro médio de 4,53% na etapa de simulação, erro este que está dentro da faixa de erro do método analítico. Este trabalho mostrou que é possível associar o uso das RNAs em processos produtivos uma vez que conseguiu replicar de forma satisfatória um dos principais parâmetros do processo de polimerização estudado.
- ItemSomente MetadadadosUso de medidas de complexidade de dados na exploração de redes neurais artificiais(Universidade Federal de São Paulo (UNIFESP), 2021) Zorzi, Lucas Pancotto [UNIFESP]; Lorena, Ana Carolina [UNIFESP]; Universidade Federal de São PauloResearch in Artificial Neural Networks (ANNs) has intensified in recent years due to the good performance achieved by deep neural networks in various applications, such as games, image and video analysis and natural language processing. Despite the highlighted results, there are still some criticisms and difficulties in the use of ANNs. The first is the fact that it is a ”black box” technique, in which the knowledge extracted from the data is not directly interpretable. Another difficulty is the process of adjusting the network hyperparameters, such as its architecture, number of neu- rons and learning rate. In general this process is driven empirically or by the use of search and optimization algorithms that can be costly. In this work we use measures that extract estimates of the complexity of the classification problem to support the understanding of ANNs. The idea is to monitor the data transformations performed at each network layer, evidencing possible changes in the original complexity of the problem. These investigations contribute to a better understanding of the processing done by ANNs, which may be interesting in the sense of improving its interpretabi- lity. Experimentally, we verified an increased class separability by the layers of the ANNs.