Tipo:	Relatório de Pesquisa
Título:	Relatório de estágio pós-doutoral: modelos de aprendizado de máquina para predição simultânea de níveis de interface óleo/água e total usando sensores em fibra óptica
Autor(es):	Pavan, Claunir
Resumo:	Este trabalho propõe e compara três modelos de aprendizado de máquina – Multilayer Perceptron (MLP), Kolmogorov-Arnold Networks (KAN) e Random Forest (RF) – para estimar a interface água-óleo e os níveis totais em um tanque separador trifásico. Os dados foram coletados usando sensores ópticos baseados em FBG, com hiperparâmetros ajustados através de um algoritmo de busca em grade. Os resultados mostram que cada modelo tem pontos fortes e fracos em termos de precisão, sensibilidade a erros extremos e desempenho geral em condições de ruído e sem ruído. Para problemas desta natureza, é fundamental limpar os dados de entrada de valores discrepantes, utilizando métodos como LOF, e considerar cuidadosamente a relação entre a precisão do modelo e a resiliência ao ruído ao selecionar a abordagem mais apropriada. Neste caso específico, implementaríamos o modelo KAN devido ao seu menor RMSE e Erro Máximo em comparação com os outros modelos, especialmente porque o ruído poderia ser abordado e tratado antes do processo de estimação.
Palavras-chave:	Aprendizado computacional Sensores ópticos Algoritmos e estruturas de dados Inteligência artificial Derivados de petróleo
Idioma:	por
País:	Brasil
Instituição:	Universidade Federal do Espírito Santo
Sigla da Instituição:	UFES
Tipo de Acesso:	Acesso Embargado
URI:	https://rd.uffs.edu.br/handle/prefix/8579
Data do documento:	2025
Título da pesquisa :	Modelos de machine learning aplicados a dados de sensores ópticos baseados em grades de Bragg para estimação de níveis de interface (água-óleo) é óleo em separadores trifásicos
Aparece nas coleções:	Ciência da Computação

Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.