Aprimoramento do controle operacional em estação de tratamento de efluentes: avaliação comparativa de algoritmos de aprendizado de máquina (2023)
- Authors:
- Autor USP: RIBEIRO, THIAGO DA SILVA - ICMC
- Unidade: ICMC
- Subjects: APRENDIZADO COMPUTACIONAL; REGRESSÃO LOGÍSTICA; INTELIGÊNCIA ARTIFICIAL
- Keywords: Detecção de Falha; Estação de tratamento de efluente; PyCaret; Floresta Aleatória; XGBoost
- Language: Português
- Abstract: A eletrocoagulação é um método emergente de tratamento de efluentes que combina os benefícios da coagulação, flotação e eletroquímica. Devido à complexidade inerente dos processos associados às estações de tratamento de efluentes, é difícil responder rapidamente e corretamente às circunstâncias dinâmicas necessárias para garantir a qualidade do efluente. Portanto, este trabalho tem como objetivo identificar a condição operacional de uma estação de tratamento de efluentes que adotou a eletrocoagulação como método de tratamento. Duas condições operacionais, baseadas na clarificação do efluente e no lodo de reação, foram a variável-alvo. Foram monitoradas onze variáveis, como condutividade, pH, voltagem, corrente, polaridade e potencial de oxidação-redução. Diversos algoritmos de aprendizado de máquina foram testados utilizando a biblioteca PyCaret 3.2.0 no Google Colaboratory para analisar seu desempenho. Os modelos que obtiveram os maiores valores de F1-score no treinamento foram regressão logística, floresta aleatória, XGBoost e SVM com kernel radial, todos com pontuações médias acima de 0,93. Destes, o XGBoost se destacou ao mostrar uma baixa taxa de erro do tipo I e um nível aceitável de erros do tipo II, evidenciando sua capacidade de minimizar falsos positivos. O modelo de floresta aleatória demonstrou a maior precisão, seguido de perto pelo XGBoost. Este último apresentou o segundo melhor desempenho em recall, sendo superado apenas pela regressão logística. Além disso, o XGBoost exibiu o mais alto valor de acurácia. Assim, o estudo conclui que o XGBoost e a floresta aleatória se destacaram como modelos promissores para prever a eficácia operacional, com o XGBoost mostrando um ótimo equilíbrio.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2023
-
ABNT
RIBEIRO, Thiago da Silva. Aprimoramento do controle operacional em estação de tratamento de efluentes: avaliação comparativa de algoritmos de aprendizado de máquina. 2023. Trabalho de Conclusão de Curso (MBA) – Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos, 2023. Disponível em: https://bdta.abcd.usp.br/directbitstream/6a922003-ad84-4026-bea5-719e49e825e1/Thiago%20da%20Silva%20Ribeiro.pdf. Acesso em: 26 mar. 2025. -
APA
Ribeiro, T. da S. (2023). Aprimoramento do controle operacional em estação de tratamento de efluentes: avaliação comparativa de algoritmos de aprendizado de máquina (Trabalho de Conclusão de Curso (MBA). Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos. Recuperado de https://bdta.abcd.usp.br/directbitstream/6a922003-ad84-4026-bea5-719e49e825e1/Thiago%20da%20Silva%20Ribeiro.pdf -
NLM
Ribeiro T da S. Aprimoramento do controle operacional em estação de tratamento de efluentes: avaliação comparativa de algoritmos de aprendizado de máquina [Internet]. 2023 ;[citado 2025 mar. 26 ] Available from: https://bdta.abcd.usp.br/directbitstream/6a922003-ad84-4026-bea5-719e49e825e1/Thiago%20da%20Silva%20Ribeiro.pdf -
Vancouver
Ribeiro T da S. Aprimoramento do controle operacional em estação de tratamento de efluentes: avaliação comparativa de algoritmos de aprendizado de máquina [Internet]. 2023 ;[citado 2025 mar. 26 ] Available from: https://bdta.abcd.usp.br/directbitstream/6a922003-ad84-4026-bea5-719e49e825e1/Thiago%20da%20Silva%20Ribeiro.pdf
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
Thiago da Silva Ribeiro.p... | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
