Métodos de inteligência artificial aplicados em dados de biomassa para a caracterização dos diferentes tipos de pirólise

• Ano de defesa: 2023
• Autor(a) principal: Souza, Sabrinna Rodrigues de Oliveira de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Estado do Rio de Janeiro; Centro de Tecnologia e Ciências::Instituto de Matemática e Estatística; Brasil; UERJ; Programa de Pós-Graduação em Ciências Computacionais
• Palavras-chave em Português: Cluster Analysis; Artificial Intelligence; Biomass; Machine Learning; Inteligência artificial; Agrupamento de dados relacionados; Biomassa; Aprendizado de máquina; Análises de agrupamento; CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://www.bdtd.uerj.br/handle/1/20485

Este estudo aborda o problema de classificação de dados de biomassa. Um dos objetivos é identificar as variáveis de maior relevância para classificar o tipo de pirólise de biomassa. Além disso, avaliar se as classes dos tipos de pirólise são suficientes para caracterizar este processo químico. O algoritmo de Floresta Aleatória foi aplicado para identificar quais variáveis são relevantes no processo de classificação do tipo pirólise, obtendo uma exatidão em torno de 97%. Foi identificado que as variáveis mais importantes são: Tempo de residência médio no reator para o gás e de arraste, Porcentagem de carbono em base seca livre de cinza na matéria-prima, Tamanho da partícula média no reator e Porcentagem de hidrogênio em base seca livre de cinza na matéria-prima. Os seguintes métodos de agrupamentos foram usados com as variáveis de maior relevância encontradas: k-means, pam, clara, diana, fanny, hierárquico, som, sota e model. Para avaliar os métodos de agrupamentos, foram usadas as medidas de validação interna com as métricas de índice de Dunn e silhueta. As medidas de validação indicaram o agrupamento hierárquico e k-means com os melhores resultados para número de grupos maior do que o número de classes de pirólise já existentes. Assim, o conjunto de dados pode ser dividido em um número maior de tipos de pirólise, levando em consideração à conclusão que apenas as classes disponíveis são muito limitadas para caracterizar os tipos de pirólise, uma vez que os algoritmos de classificação não supervisionados indicam o número de agrupamentos como maior ou igual a cinco.