| Ano de defesa: |
2011 |
| Autor(a) principal: |
Morais, Jácina Tábita Gurgel |
| Orientador(a): |
Esquerre, Karla Patrícia Santos Oliveira Rodríguez |
| Banca de defesa: |
Esquerre, Karla Patrícia Santos Oliveira Rodríguez,
Queiroz, Luciano Matos,
Pimentel, Wagner Roberto de Oliveira |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal da Bahia.Escola Politécnica
|
| Programa de Pós-Graduação: |
Engenharia Industrial
|
| Departamento: |
Não Informado pela instituição
|
| País: |
brasil
|
| Palavras-chave em Português: |
|
| Link de acesso: |
http://repositorio.ufba.br/ri/handle/ri/18678
|
| Resumo: |
Diversas técnicas avançadas vêm sendo adotada em plantas de tratamento de efluentes industriais com o propósito de melhorar o monitoramento e controle operacional da planta a fim de garantir a qualidade do efluente tratado antes de descartá-lo. Dentre estas técnicas, as redes neurais artificiais (RNAs) têm sido utilizadas com sucesso na modelagem destes sistemas. Entretanto, um passo importante e fundamental para um desempenho satisfatório das RNAs é o pré-processamento de dados. Esta tarefa requer uma análise cuidadosa dos dados a fim de obter-se um conjunto de variáveis e dados que melhor represente o sistema. O objetivo desta pesquisa consiste em construir modelos de predição da quantidade de matéria orgânica, medida por DQO, de uma lagoa aerada de uma empresa de produção de papel e celulose, e comparar o desempenho dos modelos construídos quando utilizada a técnica de análise de componentes principais (PCA) para pré-processamento dos dados. PCA foi utilizada nesta pesquisa para reduzir dimensionalmente o conjunto de dados através da seleção de componentes principais, descarte de variáveis originais e exclusão de possíveis outliers. Cinco conjuntos de dados foram formados para comparar o desempenho das RNAs com e sem aplicação de PCA, além do uso da DQO como unidade de concentração (mg de DQO.L-1) e como carga orgânica (kg de DQO.dia-1). Esse desempenho foi avaliado pelo erro quadrático médio (EQM), índice de correlação (R²), índice de correlação ajustado (R²ajustado) e a complexidade da rede (Cn). A verificação da adequação do modelo é feita através da análise residual. A PCA foi capaz de facilitar o processo de aprendizagem da rede neural e reduzir os custos operacionais pelo descarte de variáveis originais. A DQO como carga orgânica também ajudou a melhorar o desempenho da rede PCA-RNA. |
|---|
