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

Detalhes bibliográficos
Autor(a) principal: Souza, Sabrinna Rodrigues de Oliveira de
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da UERJ
Texto Completo: http://www.bdtd.uerj.br/handle/1/20485
Resumo: 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.
id UERJ_79554891dae232132b94a9dc644cf709
oai_identifier_str oai:www.bdtd.uerj.br:1/20485
network_acronym_str UERJ
network_name_str Biblioteca Digital de Teses e Dissertações da UERJ
repository_id_str 2903
spelling Métodos de inteligência artificial aplicados em dados de biomassa para a caracterização dos diferentes tipos de piróliseArtificial Intelligence methods applied to biomass data to characterize the different types of pyrolysisCluster AnalysisArtificial IntelligenceBiomassMachine LearningInteligência artificialAgrupamento de dados relacionadosBiomassaAprendizado de máquinaAnálises de agrupamentoCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOEste 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.This study addresses a biomass data classification problem. One of the objectives is to identify the most relevant variables for classifying the pyrolysis type of biomass. Also, to evaluate if the pyrolysis type classes are sufficient to characterize this chemical process. The Random Forest algorithm was applied to identify which variables are relevant in the pyrolysis-type classification process, obtaining an accuracy of around 97%. It was identified that the most important variables are: Average residence time in the reactor for the gas and carrier, Percentage of ash-free dry basis carbon in the feedstock, Average particle size in the reactor, and Percentage of ash-free dry basis hydrogen in the feedstock. The clustering methods were used with the most relevant variables: k-means, pam, clear, diana, fanny, hierarchical, sound, sota, and model. To evaluate the clustering methods, internal validation measures with Dunn’s index metrics and silhouette were used. The validation measures indicated the hierarchical clustering and k-means with better results for several groups greater than the number of existing pyrolysis classes. Thus, the dataset can be divided into more pyrolysis-type groups, considering only the available classes are too limited to characterize the pyrolysis type since the unsupervised classification algorithms indicate the number of clusters as greater than or equal to five.Universidade do Estado do Rio de JaneiroCentro de Tecnologia e Ciências::Instituto de Matemática e EstatísticaBrasilUERJPrograma de Pós-Graduação em Ciências ComputacionaisXavier, Vinicius LayterLuna, Aderval SeverinoTôrres, Alexandre RodriguesCastro, Maria Clícia Stelling dePaula, Daniela PolessaLima, Igor Campos de AlmeidaSouza, Sabrinna Rodrigues de Oliveira de2023-10-20T14:20:43Z2023-03-24info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfSOUZA, Sabrinna Rodrigues de Oliveira de. Métodos de inteligência artificial aplicados em dados de biomassa para a caracterização dos diferentes tipos de pirólise. 2023. 77 f. Dissertação (Mestrado em Ciências Computacionais) - Instituto de Matemática e Estatística, Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2023.http://www.bdtd.uerj.br/handle/1/20485porinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UERJinstname:Universidade do Estado do Rio de Janeiro (UERJ)instacron:UERJ2024-02-27T17:34:50Zoai:www.bdtd.uerj.br:1/20485Biblioteca Digital de Teses e Dissertaçõeshttp://www.bdtd.uerj.br/PUBhttps://www.bdtd.uerj.br:8443/oai/requestbdtd.suporte@uerj.bropendoar:29032024-02-27T17:34:50Biblioteca Digital de Teses e Dissertações da UERJ - Universidade do Estado do Rio de Janeiro (UERJ)false
dc.title.none.fl_str_mv Métodos de inteligência artificial aplicados em dados de biomassa para a caracterização dos diferentes tipos de pirólise
Artificial Intelligence methods applied to biomass data to characterize the different types of pyrolysis
title Métodos de inteligência artificial aplicados em dados de biomassa para a caracterização dos diferentes tipos de pirólise
spellingShingle Métodos de inteligência artificial aplicados em dados de biomassa para a caracterização dos diferentes tipos de pirólise
Souza, Sabrinna Rodrigues de Oliveira de
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
title_short Métodos de inteligência artificial aplicados em dados de biomassa para a caracterização dos diferentes tipos de pirólise
title_full Métodos de inteligência artificial aplicados em dados de biomassa para a caracterização dos diferentes tipos de pirólise
title_fullStr Métodos de inteligência artificial aplicados em dados de biomassa para a caracterização dos diferentes tipos de pirólise
title_full_unstemmed Métodos de inteligência artificial aplicados em dados de biomassa para a caracterização dos diferentes tipos de pirólise
title_sort Métodos de inteligência artificial aplicados em dados de biomassa para a caracterização dos diferentes tipos de pirólise
author Souza, Sabrinna Rodrigues de Oliveira de
author_facet Souza, Sabrinna Rodrigues de Oliveira de
author_role author
dc.contributor.none.fl_str_mv Xavier, Vinicius Layter
Luna, Aderval Severino
Tôrres, Alexandre Rodrigues
Castro, Maria Clícia Stelling de
Paula, Daniela Polessa
Lima, Igor Campos de Almeida
dc.contributor.author.fl_str_mv Souza, Sabrinna Rodrigues de Oliveira de
dc.subject.por.fl_str_mv 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
topic 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
description 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.
publishDate 2023
dc.date.none.fl_str_mv 2023-10-20T14:20:43Z
2023-03-24
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv SOUZA, Sabrinna Rodrigues de Oliveira de. Métodos de inteligência artificial aplicados em dados de biomassa para a caracterização dos diferentes tipos de pirólise. 2023. 77 f. Dissertação (Mestrado em Ciências Computacionais) - Instituto de Matemática e Estatística, Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2023.
http://www.bdtd.uerj.br/handle/1/20485
identifier_str_mv SOUZA, Sabrinna Rodrigues de Oliveira de. Métodos de inteligência artificial aplicados em dados de biomassa para a caracterização dos diferentes tipos de pirólise. 2023. 77 f. Dissertação (Mestrado em Ciências Computacionais) - Instituto de Matemática e Estatística, Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2023.
url http://www.bdtd.uerj.br/handle/1/20485
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv 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
publisher.none.fl_str_mv 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
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UERJ
instname:Universidade do Estado do Rio de Janeiro (UERJ)
instacron:UERJ
instname_str Universidade do Estado do Rio de Janeiro (UERJ)
instacron_str UERJ
institution UERJ
reponame_str Biblioteca Digital de Teses e Dissertações da UERJ
collection Biblioteca Digital de Teses e Dissertações da UERJ
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UERJ - Universidade do Estado do Rio de Janeiro (UERJ)
repository.mail.fl_str_mv bdtd.suporte@uerj.br
_version_ 1818990689942241280

Registros relacionados