Use este identificador para citar ou linkar para este item: https://rd.uffs.edu.br/handle/prefix/8579
Registro completo de metadados
Campo DCValorIdioma
dc.creatorPavan, Claunir-
dc.date.accessioned2025-05-05T18:38:26Z-
dc.date.available2027-
dc.date.available2025-05-05T18:38:26Z-
dc.date.issued2025-
dc.identifier.urihttps://rd.uffs.edu.br/handle/prefix/8579-
dc.description.resumoEste 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.pt_BR
dc.description.provenanceSubmitted by Biblioteca Chapeco (biblio.ch@uffs.edu.br) on 2025-04-29T15:11:53Z No. of bitstreams: 1 PAVAN.pdf: 1551400 bytes, checksum: 194a5cab7f8129281849b1476d6548cd (MD5)en
dc.description.provenanceApproved for entry into archive by Franciele Scaglioni da Cruz (franciele.cruz@uffs.edu.br) on 2025-05-05T18:38:26Z (GMT) No. of bitstreams: 1 PAVAN.pdf: 1551400 bytes, checksum: 194a5cab7f8129281849b1476d6548cd (MD5)en
dc.description.provenanceMade available in DSpace on 2025-05-05T18:38:26Z (GMT). No. of bitstreams: 1 PAVAN.pdf: 1551400 bytes, checksum: 194a5cab7f8129281849b1476d6548cd (MD5) Previous issue date: 2025en
dc.languageporpt_BR
dc.publisherUniversidade Federal do Espírito Santopt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.initialsUFESpt_BR
dc.rightsAcesso Embargadopt_BR
dc.subjectAprendizado computacionalpt_BR
dc.subjectSensores ópticospt_BR
dc.subjectAlgoritmos e estruturas de dadospt_BR
dc.subjectInteligência artificialpt_BR
dc.subjectDerivados de petróleopt_BR
dc.titleRelatório de estágio pós-doutoral: modelos de aprendizado de máquina para predição simultânea de níveis de interface óleo/água e total usando sensores em fibra ópticapt_BR
dc.typeRelatório de Pesquisapt_BR
dc.relation.ispartof3Modelos 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 trifásicospt_BR
Aparece nas coleções:Ciência da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
PAVAN.pdf1,52 MBAdobe PDFVisualizar/Abrir    Solictar uma cópia
Mostrar registro simples do item Recomendar este item Visualizar estatísticas


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