Clusterização, Classificação e Predição de "Pré-Efeito Anódico" de cuba de redução de alumínio primário
Resumo
Aplicação de Redes Neurais Artificiais (RNA) na classificação de dados em áreas que demandam alta tecnologia como os setores aeroespacial, automotivos e de energia tem se mostrado uma abordagem promissora na discriminação de comportamento. Uma RNA junto com algoritmos de clusterização foram, então, utilizados para modelar computacionalmente padrões da ocorrência do pré-efeito anódico do forno da indústria de redução de alumínio. Os dados de entrada utilizados na classificação constituem-se da coleta de uma empresa brasileira, internacionalmente reconhecida pelos padrões de qualidade do metal produzido. Os resultados obtidos demonstram boa aproximação das simulações frente aos dados experimentais.
Referências
Márcia (2018). Meio Ambiente: uma preocupação mundial. https://www.sefaz.pi.gov.br. Dezembro
Grjotheim, K.; Kvande, H (1993). Introduction to Aluminium Electrolysis Understanding the Hall–Héroult Process. Aluminium–Verlag, 2a edição.
ABAL (2017). Alumínio brasileiro: soluções para uma vida sustentável. http://abal.org.br.dezembro.
Conte, Thiago (2015). Modelagem Neural da Resistência Elétrica dos Fornos de Redução do Alumínio, Dissertação de Mestrado em Computação Aplicada, UFPa.
Silva, Jose (2009). Modelagem Paramétrica de Fornos Eletrolíticas para Predição do Efeito Anódico. Dissertação de Mestrado, Universidade Federal do Maranhão.
Conte, Thiago; Conte, Bruno; Oliveira, Roberto (2017). Comparação de Modelos Neurais Aplicados para Predição do Efeito Anódico de Fornos de Redução doAlumínio Primário. In: ConferênConte, Thiago; Conte, Bruno; Oliveira, Roberto (2017). Comparação de Modelos Neurais Aplicados para Predição do Efeito Anódico de Fornos de Redução doAlumínio Primário. In: Conferência Brasileira de Dinâmica, Controle e Aplicações, São José do Rio Preto - SP.cia Brasileira de Dinâmica, Controle e Aplicações, São José do Rio Preto - SP.
Conte, Thiago; Conte, Bruno; Oliveira, Roberto (2018). Uso de Técnicas de Mineração de Dados para Classificação do Efeito Anódico dos Fornos de Redução de Alumínio Primário. In: 80 Congresso Internacional do Alumínio, São Paulo.
Scikit-Learn (2018). Machine Learning in Python. https://scikit-learn.org/stable/modules/clustering.html.
Grjotheim, K.; Kvande, H (1993). Introduction to Aluminium Electrolysis Understanding the Hall–Héroult Process. Aluminium–Verlag, 2a edição.
ABAL (2017). Alumínio brasileiro: soluções para uma vida sustentável. http://abal.org.br.dezembro.
Conte, Thiago (2015). Modelagem Neural da Resistência Elétrica dos Fornos de Redução do Alumínio, Dissertação de Mestrado em Computação Aplicada, UFPa.
Silva, Jose (2009). Modelagem Paramétrica de Fornos Eletrolíticas para Predição do Efeito Anódico. Dissertação de Mestrado, Universidade Federal do Maranhão.
Conte, Thiago; Conte, Bruno; Oliveira, Roberto (2017). Comparação de Modelos Neurais Aplicados para Predição do Efeito Anódico de Fornos de Redução doAlumínio Primário. In: ConferênConte, Thiago; Conte, Bruno; Oliveira, Roberto (2017). Comparação de Modelos Neurais Aplicados para Predição do Efeito Anódico de Fornos de Redução doAlumínio Primário. In: Conferência Brasileira de Dinâmica, Controle e Aplicações, São José do Rio Preto - SP.cia Brasileira de Dinâmica, Controle e Aplicações, São José do Rio Preto - SP.
Conte, Thiago; Conte, Bruno; Oliveira, Roberto (2018). Uso de Técnicas de Mineração de Dados para Classificação do Efeito Anódico dos Fornos de Redução de Alumínio Primário. In: 80 Congresso Internacional do Alumínio, São Paulo.
Scikit-Learn (2018). Machine Learning in Python. https://scikit-learn.org/stable/modules/clustering.html.
Publicado
09/07/2019
Como Citar
CONTE, Bruno N. M. S.; CONTE, Thiago N.M. S.; DE OLIVEIRA, Roberto C. L..
Clusterização, Classificação e Predição de "Pré-Efeito Anódico" de cuba de redução de alumínio primário. In: SEMINÁRIO INTEGRADO DE SOFTWARE E HARDWARE (SEMISH), 46. , 2019, Belém.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2019
.
p. 93-100.
ISSN 2595-6205.
DOI: https://doi.org/10.5753/semish.2019.6570.
