Redes neurais bayesianas para calibração de sensores de poluição do ar e detecção de falhas em processos químicos.

• Ano de defesa: 2022
• Autor(a) principal: Taira, Gustavo Ryuji
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado computacional; Bayesian neural network; Calibração de sensor; Chemical process fault detection; Detecção de falhas em processo químico; Machine learning; Rede neural Bayesiana; Sensor Calibration
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3137/tde-10072024-142738/

O desenvolvimento de técnicas de aprendizado de máquina é considerado uma das áreas de estudo que vem revolucionando a sociedade nas últimas décadas. O aprendizado de máquina é uma subárea do desenvolvimento da inteligência artificial que visa capacitar computadores a realizar tarefas de forma autônoma por meio de processos de aprendizado baseados em análise de dados. Desse modo, o desenvolvimento das técnicas de aprendizado de máquina tem proporcionado grandes transformações na sociedade ao possibilitar que computadores aprendam a realizar tarefas e funções que até pouco tempo só eram possíveis de serem realizadas por seres humanos. Além disso, o uso de técnicas de aprendizado de máquina tem se tornado uma tendência em diversas áreas científicas pelo fato de possibilitar o treinamento por meio do uso de dados de modelos capazes de realizar predições para sistemas e fenômenos difíceis de serem modelados analiticamente. Entre os diversos tipos de modelos de aprendizado de máquina existentes, as redes neurais artificiais são modelos que recentemente voltaram a ganhar grande destaque na comunidade científica. As redes neurais artificiais são os modelos de aprendizado de máquina reconhecidos por sua capacidade de extrair padrões abstratos e profundos presentes em conjunto de dados, e que recentemente, sob o contexto do desenvolvimento das técnicas de aprendizado profundo (deep learning), têm ganhado notoriedade pelo seu sucesso na solução de problemas complexos de diversas áreas científicas. Apesar desse sucesso, os modelos de redes neurais artificiais ainda apresentam alguns problemas que necessitam ser solucionados. Críticas comumente realizadas às redes neurais artificiais são a tendência desses modelos sofrerem sobreajuste e a incapacidade de fornecerem suas predições junto de seus respectivos valores de incerteza. Esses problemas prejudicam a capacidade de generalização desses modelos e podem gerar problemas de segurança durante a utilização de suas predições. Nesse contexto, o desenvolvimento de modelos de rede neurais artificiais bayesianas tem se estabelecido como uma solução promissora para esses problemas. Modelos de rede neurais artificiais bayesianas sao modelos de redes neurais estocásticos que possuem mecanismos naturais de regularização dos modelos que evitam o problema de sobreajuste e que são capazes de diretamente representar valores de incerteza de suas predições. Estudos sobre aplicações de redes neurais bayesianas para solução de problemas reais, no entanto, ainda são bem escassos na literatura comparado ao número de estudos sobre aplicações de redes neurais tradicionais. Sendo assim, esse trabalho tem como objetivo provar a aplicabilidade de modelos de redes neurais bayesianas para solução de problemas reais referentes a dois estudos de caso. O primeiro caso consiste no estudo da aplicação de um modelo de rede neural bayesiana para a solução de um problema de calibração de sensores de poluição do ar de baixo-custo. Já o segundo caso consiste no estudo da aplicação de um modelo de rede neural bayesiana para a solução de um problema de detecção de falhas em um processo químico real. Para cada estudo de caso, o desempenho da solução baseada em rede neural bayesiana é avaliado, assim como é realizada uma análise das vantagens e limitações do uso de rede neural bayesiana para solução do problema.