Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/29336| Título: | Estimação da produção de biogás na codigestão anaeróbia de resíduos orgânicos da indústria sucroalcooleira utilizando algoritmos de aprendizado de máquina |
| Título(s) alternativo(s): | Estimation of biogas production in anaerobic codigestion of organic residues from the sugar-alcohol industry using machine learning algorithms |
| Autor(es): | Ariza, Vinicius Matheus Pimentel |
| Orientador(es): | Santos, Bruno Samways dos |
| Palavras-chave: | Aprendizado do computador Análise de regressão Biogás Machine learning Regression analysis Biogas |
| Data do documento: | 2-Jun-2022 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Londrina |
| Citação: | ARIZA, Vinicius Matheus Pimentel. Estimação da produção de biogás na codigestão anaeróbia de resíduos orgânicos da indústria sucroalcooleira utilizando algoritmos de aprendizado de máquina. 2022. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Produção) - Universidade Tecnológica Federal do Paraná, Londrina, 2022. |
| Resumo: | O desenvolvimento de modelos preditivos confiáveis que estimam a produção de biogás em instalações de escala industrial tem-se mostrado um desafio. A utilização de um modelo de Aprendizado de Máquina combinado com ferramentas analíticas pode apoiar a tomada de decisão e aprimorar o desempenho das usinas de biogás. Neste contexto, o presente trabalho teve como objetivo desenvolver modelos de Aprendizado de Máquina para estimar a produção de biogás, utilizando dados diários de análises e de sensores de uma usina produtora de biogás a partir de resíduos da indústria sucroalcooleira. A metodologia envolveu a utilização dos algoritmos Random Forest, Redes Neurais Artificiais, Support Vector Machine e Least Absolute Shrinkage And Selection Operator, sendo ajustados e comparados através das métricas R-quadrado, Mean absolute error (MAE) e Mean absolute percentage error (MAPE). Os resultados mostraram que o modelo Random Forest obteve os melhores resultados, com R-quadrado final de 0,83 para o conjunto de teste. Também verificou-se que os principais atributos para a estimação da produção de biogás foram a quantidade de resíduos dosado (sólidos e líquidos) e o pH. Por fim, também foi desenvolvida uma aplicação web para realizar as estimações utilizando o melhor modelo gerado. |
| Abstract: | The development of reliable predictive models that estimate biogas production in industrial-scale facilities has been a challenge. The use of a Machine Learning model combined with analytical tools can support decision-making and improve the performance of biogas plants. In this context, the present work aimed to develop Machine Learning models to estimate the production of biogas, using daily data from analysis and sensors of a plant producing biogas from residues from the sugar and ethanol industry. The methodology involved the use of Random Forest, Artificial Neural Networks, Support Vector Machine, and Least Absolute Shrinkage And Selection Operator Algorithms, being adjusted and compared using the R-squared, Mean absolute error (MAE) and Mean absolute percentage error (MAPE) metrics. The results showed that the Random Forest model obtained the best results, with a final R-squared of 0,83 for the test set. It was also found that the main attributes for the estimation of biogas production were the amount of waste dosed (solid and liquid) and pH. Finally, a web application was also developed to perform the estimations using the best model generated. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/29336 |
| Aparece nas coleções: | LD - Engenharia de Produção |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| aprendizadomaquinaproducaobiogas.pdf | 1,25 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
