Navegando por Assunto "Clusterização"

Agora exibindo 1 - 3 de 3

Acesso aberto (Open Access)
. Clusterização, classificação e predição de “pré-efeito anódico” de cuba eletrolítica de alumínio primário
(Universidade Federal do Pará, 2020-08-21) CONTE, Bruno Nicolau Magalhães de Souza; OLIVEIRA, Roberto Célio Limão de; http://lattes.cnpq.br/4497607460894318
O setor industrial é um dos principais responsáveis pela grave situação ambiental do planeta e também por crescentes exigências legais, com relação aos resíduos gerados. Em contrapartida, muitas empresas têm reagido pró ativamente, a partir da implantação de estratégias de gestão como: produção limpa, certificação ambiental, redução de resíduos tóxicos, reciclagem, consumo sustentável e reuso, principalmente. É oportuno ressaltar, que o processo de redução de alumínio é responsável por uma grande quantidade de emissão de gases causadores do efeito estufa e, assim, promove impactos ambientais e alterações climáticas graves. Durante o processo de redução de alumínio, a ocorrência do efeito anódico provoca um aumento extremo na tensão da cuba e, consequentemente, uma elevação na temperatura do banho, com temperaturas altíssimas, resultado em um distúrbio térmico, com a possibilidade de ocorrer o derretimento da camada isolante da cuba e as consequências finais são a perda de produção em toda a linha de cubas, sua vida útil diminuída e a produção de gases PFCs. Buscando uma estratégia apoiada na sustentabilidade, tento em vista a problemática do agravamento do Efeito Estufa, o aumento extremo na tensão do forno e, consequentemente, a perda de produção em toda a linha de cubas, este trabalho propõe o uso de uma Rede Neural Artificial junto com algoritmos de Clusterização para criar automaticamente os rótulos de pré-Efeito anódico, e assim, predizer o comportamento dinâmico não-linear da ocorrência do pré-efeito anódico do forno da indústria de redução de alumínio primário, com base em dados reais das cubas eletrolíticas. Com a utilização desses modelos de Machine Learning pode-se prever a ocorrência do pré-efeito anódico permitindo que os operadores de processos tomem medida mitigadoras de supressão do efeito anódico, evitando a perda da produção do alumino na cuba e diminuindo a emissão de gases do efeito estufa.
Acesso aberto (Open Access)
Estratégia para predição de consumo de energia elétrica de curto prazo: uma abordagem baseada em densificação com MEAN SHIFT para tratamento de dias especiais
(Universidade Federal do Pará, 2016-11-04) RÊGO, Liviane Ponte; FRANCÊS, Carlos Renato Lisboa; http://lattes.cnpq.br/7458287841862567; SANTANA, Ádamo Lima de; http://lattes.cnpq.br/4073088744952858
Estratégias de predição de curto prazo são uma importante ferramenta usada para planejamento e operação de sistemas elétricos, bem como fundamentais para o processo de suporte à decisão para compra e venda de energia elétrica no mercado futuro. Particularmente, em se tratando de mercado de energia, uma componente importante para predição de consumo são os dias especiais (feriados ou dias atípicos, por exemplo). Tratar-se a predição de tais componentes pode ser uma tarefa complexa, dado seu comportamento atípico, quando comparado à predição de consumo em dias comuns. Em adição, via de regra, o número reduzido de amostras dificulta o treino e validação adequados dos algoritmos de predição de consumo em dias especiais. Este trabalho propõe um modelo para predição de consumo de curto prazo que utiliza a técnica Information Theoretic Learning Mean-Shift para clusterização e densificação dos valores de consumo em dias especiais, e algoritmos de Redes Neurais Artificiais e Regressão Linear Múltipla para predição. O modelo foi aplicado em um problema de predição de consumo da concessionária de energia elétrica da região norte do Brasil, o que proporcionou uma melhoria na acurácia dos resultados já obtido pelos métodos utilizados pela concessionária.
Acesso aberto (Open Access)
Previsão da irradiação solar utilizando método ensemble para seleção de atributos e algoritmos de aprendizado de máquina
(Universidade Federal do Pará, 2023-06-20) MEJIA, Edna Sofia Solano; AFFONSO, Carolina de Mattos; http://lattes.cnpq.br/2228901515752720
A previsão precisa da irradiação solar é essencial para a gestão eficaz de sistemas de energia com geração fotovoltaica significativa. Algoritmos de aprendizado de máquina, que utilizam dados históricos e padrões para fazer previsões, desempenham um papel crucial nessa tarefa. Um aspecto chave é o uso de modelos ensemble, que combinam as previsões de vários algoritmos para melhorar a precisão e confiabilidade das previsões. Neste estudo, modelos ensemble são utilizados para aprimorar o desempenho das previsões, agregando as previsões de diferentes algoritmos. Além disso, o trabalho propõe um método de seleção de atributos ensemble, que envolve identificar os parâmetros de entrada mais relevantes e suas observações passadas relacionadas. Essa abordagem tem como objetivo otimizar os atributos de entrada utilizados pelos algoritmos de aprendizado de máquina, garantindo que apenas as informações mais pertinentes sejam consideradas para previsões precisas de irradiação solar. Ao aproveitar as habilidades de múltiplos algoritmos e selecionar os atributos mais informativos, a abordagem ensemble oferece uma estrutura robusta para melhorar a precisão das previsões de irradiação solar. O desempenho de vários algoritmos de aprendizado de máquina, incluindo modelos ensemble, é comparado para previsão de irradiação solar em dias com diferentes padrões climáticos, utilizando entradas endógenas e exógenas. Os algoritmos considerados são AdaBoost, SVR, RF, XGBT, CatBoost, VOA e VOWA. A seleção de atributos ensemble proposta depende dos algoritmos RF, IM e Relief. A precisão da previsão é avaliada com base em várias medidas usando um banco de dados real da cidade de Salvador, Brasil. Diferentes previsões climáticas são consideradas: 1 hora, 2 horas, 3 horas, 6 horas, 9 horas e 12 horas com antecedência. Os resultados numéricos mostram que a seleção de atributos ensemble proposta melhora a precisão da previsão e que o modelo VOWA selecionado com os algoritmos de melhor desempenho apresenta previsões com maior precisão do que os outros algoritmos em diferentes horizontes de previsão. Esta pesquisa demonstra a eficácia dos modelos ensemble e as técnicas de seleção de atributos na melhoria da previsão de irradiância solar, fornecendo insights valiosos para a gestão eficiente de sistemas de energia.