Type:	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
Author:	Pavan, Claunir
Resume:	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.
Palabras clave :	Aprendizado computacional Sensores ópticos Algoritmos e estruturas de dados Inteligência artificial Derivados de petróleo
Language:	por
Country:	Brasil
Editorial :	Universidade Federal do Espírito Santo
Acronym of the institution:	UFES
Type of Access:	Acesso Embargado
URI :	https://rd.uffs.edu.br/handle/prefix/8579
Fecha de publicación :	2025
metadata.dc.relation.ispartof3:	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 en las colecciones:	Ciência da Computação

Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.