Navegando por Assunto "Aprendizado do computador"

Agora exibindo 1 - 19 de 19

Algoritmo aco rank based aprimorado para uso na seleção de variáveis em modelos de classificação.
(2023) Delamora, Roberto Alexandre; Coelho, Bruno Nazário; Sabino, Jodelson Aguilar; Coelho, Bruno Nazário; Sabino, Jodelson Aguilar; Souza, Marcone Jamilson Freitas; Haddad, Matheus Nohra
Seleção de atributos é um processo onde se busca o melhor subconjunto de variáveis em um determinado conjunto de dados. Em um mundo em que as decisões são cada vez mais baseadas em dados, torna-se essencial o uso de ferramentas que realizem, de forma mais eficiente, essa seleção de variáveis, visando melhorar o desempenho final dos modelos. Neste trabalho, é utilizado como referência o algoritmo pertencente à meta-heurística de otimização por colônia de formigas (ACO), originalmente criado para tratar o problema do Caixeiro Viajante (TSP), e são introduzidas melhorias para adequá-lo à tarefa de seleção de variáveis. O novo algoritmo proposto utiliza métodos Filter-Wrapper em sua estrutura e uma função de aptidão criada especificamente para refinar a seleção de soluções. Esta abordagem foi avaliada em conjuntos de dados do repositório de aprendizado de máquina UCI e os resultados foram comparados com outro algoritmo recentemente publicado que é considerado referência na seleção de variáveis usando ACO. O algoritmo proposto apresentou ganhos importantes no desempenho, superando o algoritmo de comparação na maioria dos casos estudados.
Análise multicritério e aprendizado de máquina aplicados na predição do potencial espeleológico da região do Parque Nacional Serra do Gandarela, Quadrilátero Ferrífero/MG.
(2022) Nola, Iraydes Tálita de Sena; Bacellar, Luis de Almeida Prado; Bacellar, Luis de Almeida Prado; Barella, Cesar Falcão; Parizzi, Maria Giovana; Santos, Allan Erlikhman Medeiros; Barbosa, Marcelo Roberto
No Brasil, cavidades ferríferas estão geneticamente e geograficamente associadas aos depósitos minerais explotáveis de ferro. Essas cavidades possuem relevância espeleológica, arqueológica, paleontológica e biológica, sendo ambientalmente e legalmente protegidas. Assim, para um melhor planejamento da explotação e licenciamento ambiental torna-se necessário estudar a gênese e o desenvolvimento das cavidades ferríferas buscando preservá-las sem impedir o avanço da mineração. Esse tema é complexo, pouco difundido e os trabalhos que buscam alternativas para predizer a ocorrência dessas cavidades são escassos. Essa demanda justifica o desenvolvimento de pesquisas e produtos capazes de auxiliar tomadores de decisão, planejadores e autoridades competentes para suporte na definição de locais-alvo de prospecção espeleológica de campo. Nesta pesquisa foi avaliada a capacidade preditiva de técnicas utilizando lógica fuzzy e processo hierárquico analítico, além de técnicas de aprendizado de máquina na avaliação da suscetibilidade a ocorrência de cavidades ferríferas. Para isso, foram selecionadas as variáveis: razão de óxido de ferro, declividade, índice de vegetação por diferença normalizada (NDVI), curvatura horizontal, curvatura vertical, intensidade de lineamentos e HAND (height above nearest drainage). Para a validação dos resultados foi utilizado um inventário de cavidades previamente levantado. Essas variáveis foram produzidas a partir do processamento de dados geoespaciais de uma região da Serra do Gandarela, Minas Gerais, Brasil. A primeira técnica aplicada, utilizando lógica fuzzy e processo hierárquico analítico (AHP), foi implementada e os resultados mostraram um desempenho satisfatório do mapa produzido em predizer áreas favoráveis a ocorrência de cavidades ferríferas, apresentando AUC (the area under the curve) em torno de 0,85. Na sequência foi aplicada a técnica de aprendizado de máquina denominada Florestas Aleatórias. Esta técnica foi a que se mostrou mais eficaz no estudo da suscetibilidade a ocorrência de cavidades ferríferas, apresentando AUC igual a 0,957. De forma complementar foi utilizada a técnica de Redes Neurais Artificiais, cujos resultados indicaram que o modelo aplicado não possui capacidade de generalização, apesar de seu desempenho ter sido considerado satisfatório durante o treinamento. Espera-se que os passos metodológicos detalhados neste estudo incentivem os planejadores e tomadores de decisão de empreendimentos de mineração e agências ambientais a adotá-los com o objetivo de mapear a suscetibilidade à ocorrência de cavidades ferríferas totalmente com base na aquisição e análise de dados remotos.
Aplicação de métodos de aprendizado de máquina para otimização do desempenho da prensa de rolos no processo de pelotização.
(2021) Abreu, Thiago Nicoli de; Silva, Saul Emanuel Delabrida; Bianchi, Andrea Gomes Campos; Silva, Saul Emanuel Delabrida; Bianchi, Andrea Gomes Campos; Rêgo Segundo, Alan Kardek; Oliveira, Sérgio de
A tecnologia da prensa de rolos é útil nos processos de pelotização para cominuição do pellet feed e para o aumento da superfície específica do minério de ferro, o que impacta em ganhos de produtividade e qualidade na pelotização. O aumento da eficiência da prensa depende de um grande número de variáveis. Este trabalho identifica as variáveis de maior importância no ganho da superfície específica, desenvolve um modelo de classificação para determinar regras de configurações ótimas de operação e apresenta um modelo de regressão para predição da variável de superfície específica. As variáveis de maior influência foram ranqueadas e os setups ótimos de operação foram determinados, fatores estes que suportam a tomada de decisão pelos operadores e pela engenharia de processo. Os resultados deste trabalho agilizam e automatizam o diagnóstico do desempenho da prensa de rolos em tempo real.
Aprendizado de máquina aplicado à construção civil : estimativa da resistência à compressão de concretos de escória de aciaria.
(2022) Penido, Rúben El-Katib; Mendes, Júlia Castro; Cury, Alexandre Abrahão; Mendes, Júlia Castro; Cury, Alexandre Abrahão; Carvalho, José Maria Franco de; Santos, Tatiana Barreto dos
Nos últimos anos, estudos vêm sendo conduzidos visando disseminar a reutilização de escória de aciaria como agregado para concretos. Entretanto, a ausência de metodologias para obtenção de traços de concretos de escória de aciaria tem dificultado as pesquisas e comprometido o seu uso em larga escala. Além disso, as metodologias convencionalmente adotadas para a definição de traços de concreto envolvem tabelas empíricas e a necessidade de se moldar e romper corpos de prova, demandando tempo e recursos. Neste contexto, o presente trabalho teve como objetivo desenvolver modelos baseados em aprendizado de máquinas para a previsão da resistência à compressão de concretos de escória de aciaria a partir de seus traços. Para este fim, foi realizado um levantamento de dados de concretos de escória de aciaria na literatura e aplicadas quatro técnicas de aprendizagem de máquina: regressão por vetores suporte (SVR), redes neurais artificiais (ANN), árvore de decisão com algoritmo de boosting (XGBoost) e processo gaussiano de regressão (GPR). Os resultados foram avaliados por meio de três indicadores: erro absoluto médio (MAE), erro quadrático médio (RMSE) e coeficiente de determinação (R²). Numa primeira etapa, os modelos com o banco de dados elaborado foram validados de forma cruzada (k = 10). Em seguida, foram utilizados dados experimentais para validar os modelos construídos. Na primeira etapa, o modelo que alcançou o melhor desempenho foi o ANN, com R² de 0,79, com os demais variando entre 0,68 e 0,73. Os MAEs variaram entre 4,73 e 5,51 MPa. No entanto, a validação experimental obteve resultados insatisfatórios - os modelos de GPR, XGBoost e SVR apresentaram valores de R² negativos. Isso mostra que o tamanho do banco de dados e a variabilidade do resíduo estudado influenciam significativamente a qualidade dos modelos propostos. Desse modo, o presente trabalho traz os primeiros passos para o desenvolvimento de estratégias de desenvolvimento de traços para concretos não-convencionais. Em última análise, buscamos reduzir o impacto das indústrias siderúrgicas no meio ambiente e contribuir para o entendimento dos fatores que influenciam os traços de concreto.
Aprendizado de máquina aplicado à predição de falhas em caminhão fora de estrada.
(2020) Dias, Aldilene Oliveira Maia; Guimarães, Frederico Gadelha; Reis, Agnaldo José da Rocha; Sabino, Jodelson Aguilar; Guimarães, Frederico Gadelha; Reis, Agnaldo José da Rocha; Sabino, Jodelson Aguilar; Silva, Rodrigo César Pedrosa; Ribeiro, Roberto Gomes; Silva, Petrônio Cândido de Lima e
No setor mineral, o caminhão fora de estrada é o meio mais difundido de transporte de minério. Trata-se de um equipamento composto por vários componentes, tornando complexas atividades de manutenção. Este trabalho navega no campo da análise preditiva, como apoio na tomada de decisão do processo de manutenção destes ativos. A proposta envolve modelar um preditor de falhas, que subsidie o planejamento e a programação de eventos de manutenção. Isso reduz a indisponibilidade não programada do equipamento, aumenta o tempo médio entre falhas e embasa a manutenção por condição. Esta estratégia gera ganhos de confiabilidade, aumento no desempenho operacional, financeiro e na competitividade do negócio. Definiu-se a variável-alvo como “tempo para falha do caminhão” e assumiu-se a referência de 20 dias. Diversos algoritmos foram experimentados (RNA, XG Boost AS, C&R Tree, C5.0, CHAID 1) e obteve-se o melhor resultado com o XG Boost AS. O modelo experimental indica a falha no caminhão 20 dias antes, com uma precisão média de 97,90% e recall de 64,17%.
Desenvolvimento de uma solução embarcada para identificação de falhas em sistemas UPS (Uninterruptible Power Supply) por meio de aprendizado de máquina.
(2023) Andrade, Patrick Rafael Portes; Pessin, Gustavo; Pessin, Gustavo; Coelho, Bruno Nazário; Rocha Filho, Geraldo Pereira
Sistemas que utilizam algoritmos de Machine Learning (ML) para classificação e predição de informações são cada vez mais comuns na indústria. Relatórios que unem inteligência analítica e big data são capazes de prover insights preciosos sobre comportamentos de clientes, tendências de mercado e oportunidades de negócio, contudo, o uso de IA embarcado no chão de fábrica ainda é reduzido. Com avanço do poder de processamento de microcontroladores e utilização de técnicas de otimização de algoritmos de ML, surgiram algumas bibliotecas dedicadas para embarcar modelos de ML em placas microcontroladas de baixo custo. O sistema UPS é de extrema importância para o Sistema Elétrico de Potência (SEP), uma vez que é o responsável por garantir monitoramento e comando no caso da falta de tensão primária. O retificador trifásico é a parte mais sensível do sistema UPS e é o mais susceptível a falhas. Os retificadores atuais possuem um sistema de alarmes para indicar falhas, todavia esses alarmes, na maioria das vezes, vêm de forma tardia, quando o equipamento parou de funcionar. Esse trabalho propõe o desenvolvimento de uma solução embarcada utilizando a placa Arduino Nano 33 BLE Sense e algoritmos de ML para identificação de falhas em sistemas UPS através do processamento do som emitido por esses equipamentos. Foram obtidos resultados com acurácia de 99,74% para identificação de retificadores com defeito.
Detecção automática de defeitos em rolos de transportadores de correia utilizando sensoriamento ultrassônico.
(2019) Ericeira, Daniel Rodrigues; Pessin, Gustavo; Bianchi, Andrea Gomes Campos; Pessin, Gustavo; Bianchi, Andrea Gomes Campos; Coelho, Bruno Nazário; Rocha Filho, Geraldo Pereira; Rocha, Filipe Augusto Santos
Transportadores de correia são os principais equipamentos que compõem a logística de um terminal portuário. As partes rolantes do transportador de correia podem falhar principalmente devido a rolos danificados, que podem causar avarias graves à planta, como rasgar a correia e causar incêndios. Atualmente, a proteção do transportador é feita por sensores que indicam uma anormalidade já ocorrida, ou com inspeção humana que utiliza experiência prática em busca de sinais visuais, sonoros e de temperatura excessiva que indiquem falhas iminentes. Com objetivo de auxiliar o atual sistema corretivo e de inspeção local com análise de dados para detectar falhas mecânicas iminentes, é proposto um modelo de classificação de defeitos em rolos. Foram realizadas gravações de ultrassom em rolos sem ruídos perceptíveis, classificados como “nãodefeituosos” e em rolos que apresentavam ruídos característicos de falhas já perceptíveis, classificados como “defeituosos”. A base de dados montada foi utilizada para treinamento e teste de desempenho de algoritmos de aprendizado de máquina do tipo Random Forest e Multilayer Perceptron. Foram elaborados quatro tipos de experimentos para teste, dois usando dados no domínio do tempo e dois usando dados no domínio da frequência, com atributos estatísticos diferentes. Os resultados obtidos em testes de classificação mostraram que existe um padrão característico na faixa de ultrassons que difere os rolos não-defeituosos de defeituosos, conforme pré-avaliados com métodos tradicionais de inspeção humana. No melhor caso, o experimento usando média móvel dos dados no domínio da frequência apresentou média de classificação correta de rolos de 83,68%, tendo o melhor resultado com taxa de acerto de 90%.
Detecção de descontinuidades no processo de soldagem por eletrodo revestido por meio de inteligência computacional.
(2017) Cocota Júnior, José Alberto Naves; Costa, Adilson Rodrigues da; Lima, Milton Sérgio Fernandes de; Costa, Adilson Rodrigues da; Silva Júnior, Silvério Ferreira da; Reis, Agnaldo José da Rocha; Monteiro, Paulo Marcos de Barros; Araújo, Fernando Gabriel da Silva; Lima, Milton Sérgio Fernandes de
Propõe-se neste trabalho uma nova metodologia para a detecção de descontinuidades no cordão de solda aplicado em processos de soldagem por eletrodos revestidos (SMAW). Para a execução dos experimentos e otimização de parâmetros do processo, foi desenvolvida uma estação de soldagem robotizada. O sistema de detecção baseia-se em dois sensores – um microfone e um cristal piezoelétrico – que adquirem as emissões acústicas geradas durante a soldagem. Os vetores de características extraídos do conjunto de dados dos sensores são usados para construir os modelos dos classificadores. As abordagens baseadas nos classificadores de Rede Neural Artificial (RNA) e de Máquina de Vetor de Suporte (SVM) são capazes de identificar com alta acurácia as três classes propostas de cordões de solda: cordão de solda normal, e descontinuidades de cratera e de perfuração. Os resultados experimentais ilustram a acurácia do sistema, superior a 83% para cada classe. Uma nova estrutura de máquinas de suporte hierárquico (HSVM) é proposta para viabilizar o uso deste sistema em ambientes industriais. Esta abordagem apresentou 96,6% de acurácia global. Este sistema pode ser aplicado nas indústrias metal-mecânicas.
Detecção de solos contaminados : uma proposta utilizando aprendizado de máquina em imagens hiperespectrais.
(2021) Duarte, Fernando Henrique Oliveira; Pessin, Gustavo; Pabón, Rosa Elvira Correa; Pessin, Gustavo; Pabón, Rosa Elvira Correa; Bianchi, Andrea Gomes Campos; Souza, Jefferson Rodrigo de
Sensoriamento remoto em locais onde podem ocorrer contaminação de solo por meio de óleos brutos, podem ganhar um reforço com processos ágeis e não destrutivos de caracterização dos compostos. Há interesse em mapear solos em busca de vazamento de óleo por empresas que querem minimizar a perda de matéria-prima e a contaminação do meio ambiente. A identificação da composição de contaminantes e solos ´e comumente realizada por métodos tradicionais em laboratório, tais métodos são precisos, invasivos e demandam de conhecimento t´técnico e equipamentos para análise. Métodos que utilizam imagens espectrais são não invasivos, rápidos e podem ser realizados em campo ou laboratório. O objetivo deste estudo é desenvolver uma abordagem de teste de solo econômica, rápida, não invasiva e autônoma, utilizando dados coletados através da espectroscopia de ondas infravermelhas que alimenta nossos modelos Machine Learning na identificação de solos crus e contaminados por óleos (petróleo bruto) identificando o solo, o contaminante e a concentração. A biblioteca de dados hiper espectral alimenta o desenvolvimento de um algoritmo de aprendizagem de máquina, a fim de classificar solos, óleos e suas concentrações. Assim, automatizando o mapeamento de infiltrações e vazamentos em terra. Propomos três fluxos de aprendizado com modelos Random Forest que apresentam resultados com acurácia acima de 90%. Os testes foram realizados utilizando três diferentes tipos de dados, que indicam o maior benefício de desempenho quando utiliza-se os dados filtrados com o método contínuo removido (espectro normalizado) na identificação de solos e contaminantes. Na identificação da concentração os dados filtrados pela média apresentaram melhor resultado. Os resultados dos testes do fluxo de aprendizado dependente, indicam taxa de acerto média de 98% na classificação dos solos, 94% na classificação dos contaminantes e 93% na classificação das concentrações. Outras métricas como F1-Score, Revocação e Precisão apresentam resultados específicos de cada rótulo, evidenciando o desempenho dos classificadores ao identificá-los. O desempenho dos fluxos de aprendizado manifestara resultados constantes, com baixa variância e dispersão, e taxas de acerto acima de 93% no geral. Os resultados apresentados, sugerem que a tecnologia tem grande potencial de uso no monitoramento ambiental de solos, ao longo de dutos e refinarias a procura de vazamentos.
Estimando teores de ferro em minérios : uma investigação com métodos de aprendizado de máquina e imagens hiperespectrais.
(2020) Viana, Arthur Oliveira; Pessin, Gustavo; Pabón, Rosa Elvira Correa; Torres, Vidal Félix Navarro; Silveira Junior, Luiz Gonzaga da; Souza Júnior, Paulo Antônio de
Processos de beneficiamento mineral como prospecção, pesquisa, lavra e beneficiamento mineral podem ganhar com processos mais ágeis de caracterização dos minérios. A caracterização, feita por métodos tradicionais em laboratório, é muito precisa, mas em geral apresenta deficiência de tempo. A análise de imagens hiperespectrais pode trazer resultados mais rápidos do que a análise tradicional em laboratório, entretanto, a precisão da caracterização ainda é um desafio a ser investigado. Estas dificuldades têm relação com fatores ambientais como iluminação e umidade, fatores amostrais como tamanho e homogeneidade dos grãos, e fatores de modelagem, como escolha de bandas espectrais, resolução de imagens e tipos de modelos para caracterização. Considerando os desafios citados, esta pesquisa objetivou responder questões relacionadas aos fatores de modelagem e, portanto, investigamos métodos de aprendizado de máquina para estimar o teor de ferro em amostras de minérios de ferro com base em comprimentos de onda de imagens hiperespectrais na região do Visible and near infrared (VNIR) entre 400 e 1000 nm; realizamos uma seleção dos atributos mais relevantes para o modelo e validamos os resultados com o uso de métricas de avaliação estatísticas. O desempenho dos modelos manifestou resultados constantes, que apresentam baixa variância e dispersão e com precisão de estimação dos teores de ferro acima de 90% utilizando Random Forests (RF) e Multilayer Perceptrons (MLP).
Fusão de características na re-identificação de pessoas.
(2018) Sales, Anderson Luís Cavalcanti; Cámara Chávez, Guillermo; Cámara Chávez, Guillermo; Ferreira, Anderson Almeida; Bianchi, Andrea Gomes Campos; Schwartz, William Robson
Re-Identi cação de pessoas é um problema de correspondência entre identidades capturadas por câmeras de vigilância não sobrepostas. Essa correspondência, também conhecida como rastreamento multi-câmeras é uma tarefa da área de visão computacional. Tem grande foco por se tratar, principalmente, de demandas nas esferas de segurança pública e/ou pessoal. Esse foco se dá em vista das possíveis incapacidades humanas na realização de tarefas repetitivas por um tempo prolongado, por exemplo. Intenciona-se com essa abordagem suavizar, quão possível, os custos inerentes ao processo computacional tradicional. A abordagem proposta é fracionada em duas partes: aprendizado de um espaço métrico de baixa dimensionalidade (denominado fase inicial) e reorganização de rank de amostras a partir de uma classi cação binária ponderada, a m de reduzir a incompatibilidade entre várias câmeras. Usa-se handcrafted image descriptors como ferramentas. Adicionalmente, emprega-se na abordagem proposta, um modelo de aprendizado métrico discriminante para representar features em uma nova dimensão; aprendizado métrico de similaridade em larga escala e distância métrica para construção dos ranks primários entre amostras de teste e imagens da galeria. Em todo o trabalho as imagens amostrais foram divididas a partir da imagem original em secções, a m de aumentar a discriminação entre as amostras.
Logo detection with second judge single shot multibox.
(2017) Coelho, Leonardo Bombonato Simões; Cámara Chávez, Guillermo; Bianchi, Andrea Gomes Campos; Cámara Chávez, Guillermo; Ferreira, Anderson Almeida; Bianchi, Andrea Gomes Campos; Schwartz, William Robson
With the increasing popularity of Social Networks, the way people interact has changed and the huge amount of data generated open doors to new strategies and marketing analysis. According to Instagram 1 and Tumblr2 an average of 95 and 35 million photos, respectively, are published every day. These pictures contain several implicit or explicit brand logos, this allows us to research how can a brand be better widespread based in regional, temporal and cultural criteria. Using advanced computer vision techniques for object detection and recognition, we can extract information from these images, making possible to understand the impact and the comprehensiveness of a specific brand. This thesis proposes a logo detection technique based on a Convolutional Neural Network (CNN), also used as a second judge. Our proposal is built on the Single Shot Multibox (SSD). In our research, we explored several approaches of the second judge and managed to reduce significantly the number of false positives in comparison with the original approach. Our research outperformed all the others researches on two different datasets: FlickrLogos-32 and Logos-32plus. On the FlickrLogos-32, we surpass the actual state-of-the-art method by 5.2% of F-score and for the Logos-32Plus by 3.0% of F-score.
Previsão da temperatura do aço líquido em uma aciaria a oxigênio utilizando modelos de regressão com aprendizado de máquina.
(2023) Matos, Sabrina Silva de; Silva, Carlos Antônio da; Silva, Carlos Antônio da; Lemos, Leandro Rocha; Peixoto, Johne Jesus Mol
O controle da temperatura do aço líquido é uma tarefa fundamental para a garantia da estabilidade operacional em uma aciaria a oxigênio. Desvios das faixas de temperatura especificadas pelos processos estão diretamente associados a falhas de qualidade no produto, aumento de custos, perdas de produção e até mesmo riscos para a segurança operacional da planta. O entendimento e a quantificação das perdas térmicas que ocorrem entre o vazamento do aço do convertedor LD até o lingotamento contínuo são as principais etapas para a previsão da temperatura do aço. Devido à natureza dos processos que ocorrem em uma aciaria, o cálculo das perdas térmicas depende de variáveis altamente dinâmicas, motivando a construção de modelos preditivos para a temperatura. Neste contexto, foram ajustados e avaliados cinco algoritmos de regressão amplamente reconhecidos na literatura para a previsão da temperatura do aço na panela e no distribuidor em uma aciaria a oxigênio. Adicionalmente, um sexto algoritmo, híbrido, que combina elementos de modelos lineares e não-lineares, foi concebido. Os modelos foram desenvolvidos em aderência à metodologia CRISP-DM (Processo Padrão Interindústrias para Mineração de Dados), e avaliados de acordo com duas métricas de acurácia: a raiz do erro quadrático médio (RMSE) e uma métrica personalizada. Os resultados evidenciaram que o método híbrido proposto alcança uma precisão superior em relação aos demais algoritmos testados em ambos os modelos, além disso, apresenta um desempenho adequado para ser implementado na indústria.
Previsão de curto prazo para geotecnia : investigação e proposta de um método para análise e predição piezométrica em barragens de rejeito.
(2022) Nogueira, Mayron Cesar da Silva; Pessin, Gustavo; Girao Sotomayor, Juan Manuel; Pessin, Gustavo; Figueiredo, Janine Rodrigues; Girao Sotomayor, Juan Manuel; Ranieri, Caetano Mazzoni
É cada vez mais importante monitorar de forma ágil e precisa estruturas geotécnicas. Recentemente, diversos instrumentos e sistemas têm sido utilizados para monitoramento de condições em tempo real, em alta frequência e com alta qualidade. Nessa dissertação, passamos pelo entendimento básico das estruturas de barragem, instrumentação aplicadas a estas para enfim buscamos estender ainda mais a capacidade dos sistemas de monitoramento de estruturas geotécnicas por meio de sistemas preditivos. Propomos, desenvolvemos e avaliamos um sistema preditivo baseado em aprendizado de máquina para sensores do tipo piezômetro de corda vibrante automatizado, localizados em barragem de rejeito. Os dados observados e utilizados nos modelos preditivos são obtidos de uma barragem de rejeitos real, e para as predições do modelo, utilizamos dados históricos de réguas de nível, pluviometria e piezômetros. Investigamos diversos métodos de aprendizado de máquina, tais como: Floresta Randômica, Adaboost, Redes Neurais, Regressão Linear, Árvore de Decisão e Gradiente Estocástico, com o objetivo de encontrar o método que apresenta a maior taxa de acerto nas predições para 1, 3 e 7 dias posteriores à medição atual. O sistema proposto tem como finalidade o apoio na tomada de decisão por geotécnicos que operam e monitoram barragens de rejeito frente aos controles de nível das mesmas. Para fins de validação do método, dividimos a barragem nas seções de fundação e tapete de barragens, onde atingimos mais de 95% de predições com erro inferior a 20cm de variação. E considerando a mesma predição para 1, 3 e 7 dias posteriores a medição atual a camada de aterro, atingimos mais de 95% das previsões com erro inferior a 20 cm considerando 1 dia após a medição atual.
Previsão de falta de equipamento de carga para frota de transporte com base em aprendizado de máquina.
(2022) Cordeiro, Guilherme Gouveia; Guimarães, Frederico Gadelha; Souza, Marcone Jamilson Freitas; Guimarães, Frederico Gadelha; Souza, Marcone Jamilson Freitas; Reis, Agnaldo José da Rocha; Bessani, Michel
Um desafio vigente na gestão de frota do setor de mineração é a predição de eventos de falhas de processo, devido à alta quantidade de parâmetros de influência internos (como quebra de equipamentos), externos ao processo (como intempéries) e de interface (como parada de britagem). Este trabalho trata do desenvolvimento de uma abordagem de aprendizado de maquina para previsão da quantidade de horas por dia do evento Falta de Equipamento de Carga para a frota de transporte utilizando dados de despacho. O modelo aplicado foi o Random Forest variando o numero de árvores entre 20, 50 e 100. Realizou-se a seleçãoo de atributos por meio de Backward Elimination para a redução de 20 para 5 parâmetros. A métrica utilizada para avaliação dos modelos foi o coeficiente de correlação (R). Dados de operação real foram utilizados para construção do modelo contendo ao final do trabalho 11,7 milhões de registros em 2 anos de coleta. Os resultados apontaram através do teste de Shapiro-Wilk e T-Welch que os modelos de 20, 50 e 100 árvores eram equivalentes, os coeficientes de correlação médio foram respectivamente 0,768, 0,773 e 0,773 que após a ampliação da massa de dados de 860 mil para 11,7 milhões de registros chegaram a 0,809, resultados melhores do que o valor de 0,35 obtido com o método regressão linear, atualmente utilizado pela área. Assim, o uso do aprendizado de máquina através do Random Forest apresentou bons resultados e aplicabilidade para predições e classificações de eventos da gestão de frota na indústria de mineração.
Reconhecimento de caracteres em imagens com ruído usando Deep Learning.
(2017) Peixoto, Sirlene Pio Gomes da Silva; Gomes, David Menotti; Gomes, David Menotti; Bianchi, Andrea Gomes Campos; Cámara Chávez, Guillermo; Todt, Eduardo; Ferreira, Anderson Almeida
Devido à degradação e baixa qualidade em imagens com ruído, como imagens de cenas naturais e CAPTCHAs (Completely Automated Public Turing test to tell Computers and Humans Apart) baseados em texto, o problema de reconhecimento de caracteres continua a ser extremamente desafiador. Neste trabalho, estudamos três abordagens diferentes de redes convolucionais (otimização de arquitetura com filtros aleatórios, aprendizado de filtros não supervisionado e supervisionado) que visam melhorar as representações de característica dessas imagens por meio de deep learning. Nós realizamos experimentos no amplamente utilizado dataset The Street View House Numbers (SVHN), em um novo dataset de CAPTCHAS criado por nós, e em um dataset de placas brasileiras. A abordagem que aprende os pesos dos filtros por meio do algoritmo back-propagation utilizando a técnica data augmentation e a estratégia de agregação de algumas camadas localmente conectadas à rede convolucional obteve resultados promissores para o dataset CAPTCHA (97,36% de acurácia para caracteres e 85,4% para CAPTCHAs) e resultados muito próximos ao estado da arte em relação ao dataset SVHN (97,45 % de acurácia para dígitos). Já no dataset de placas brasileiras, que contém um número de amostras muito inferior aos demais, a abordagem que realiza a otimização de arquitetura com filtros aleatórios obteve os resultados mais promissores. Além disso, analisamos o comportamento da abordagem deep learning que realiza o aprendizado supervisionado de filtros diante da exposição do dataset SVHN a interferências adversas.
Sistema automático para a inspeção visual de transportadores de correia por meio de redes neurais convolucionais.
(2020) Santos, André Almeida; Guimarães, Frederico Gadelha; Reis, Agnaldo José da Rocha; Guimarães, Frederico Gadelha; Reis, Agnaldo José da Rocha; Almeida, Silvia Grasiella Moreira; Rêgo Segundo, Alan Kardek; Pessin, Gustavo
Os Transportadores de Correia são o meio de transporte mais difundido para grandes quantidades de materiais no setor de mineração. Portanto, métodos autônomos que podem ajudar os seres humanos a realizar a inspeção dos transportadores são uma grande preocupação para as empresas. Projetos que buscam solucionar problemas de segurança nas inspeções de transportadores são necessários e de grande valia para as empresas. Este trabalho apresenta um detector visual novo e automático que reconhece o acúmulo de sujeira nas estruturas dos transportadores de correia, uma das tarefas dos inspetores de manutenção. O sistema proposto envolve o treinamento de uma rede neural convolucional a partir de imagens RGB. O uso da técnica de aprendizado por transferência com redes consolidadas para classificação de imagens mostrouse eficaz para este objetivo com a comparação de dois cenários diferentes. O melhor cenário apresentou uma acurácia média de 0,892 com um F-1 score de 0,836 para o reconhecimento de sujeira. Um experimento de validação de campo serviu para avaliar o desempenho do sistema proposto em uma tarefa de classificação em tempo real. Nesta etapa, foi avaliado um recall de 0,77 com F-1 score de 0,75 para o reconhecimento de sujeira.
Um sistema de múltiplos classificadores para detecção de defeitos em dormentes de aço.
(2022) Silva, Leonardo Pessoa Freitas e; Reis, Agnaldo José da Rocha; Yared, Glauco Ferreira Gazel; Reis, Agnaldo José da Rocha; Yared, Glauco Ferreira Gazel; Luz, Eduardo José da Silva; Sabino, Jodelson Aguilar; Barreto, Guilherme de Alencar
Os sistemas ferroviarios são importantes para a logística do transporte de cargas e de pessoas em muitos países, contribuindo para uma melhoria nos seus indicadores económicos. Assim, com o intuito de garantir a confiabilidade e a segurança do transporte ferroviário, torna-se cada vez mais importante o monitoramento das condições da via permanente e a realização de manutenções planejadas. No que diz respeito aos dormentes, eles devem suportar os dispositivos de fixação dos trilhos e a capacidade estrutural de transmitir as esforços dos trilhos ao lastro. Qualquer ruptura de um determinado dormente causará uma sobrecarga nos dormentes adjacentes, acelerando a fadiga da estrutura desses componentes, contribuindo para a ocorrência de novos defeitos e, finalmente, afetando a bitola da via. Especificamente com relação aos dormentes de aço, ainda não existe uma solução automática para avaliar sua condição estrutural. Neste contexto, propõe-se um novo método para detecção de defeitos em dormentes de aço à partir de sinais geométricos de via permanente, baseado em processamento de sinais e aprendizado de máquina. Cinco classificadores com diferentes características de aprendizagem foram treinados: Redes Neurais Artificiais, Modelos de Mistura Gaussianas, Modelos de Markov Ocultos, Máquina de Vetores de Suporte e AdaBoost. Além disso, um sistema de múltiplos classificadores foi implementado para melhorar a acurácia da classificação. A metodologia proposta neste trabalho demonstrou eficácia na detecção de defeitos em dormentes de aço com Taxa de Acerto acima de 80% e Taxa de Falso Positivo abaixo de 40%, na maioria dos casos.
Sistema híbrido com agregação de análise de sentimentos e séries temporais nebulosas para previsão de preços de minério de ferro.
(2023) Souza, Flavio Mauricio da Cunha; Pessin, Gustavo; Rocha Filho, Geraldo Pereira; Guimarães, Frederico Gadelha; Pessin, Gustavo; Rocha Filho, Geraldo Pereira; Guimarães, Frederico Gadelha; Bianchi, Andrea Gomes Campos; Valejo, Alan Demétrius Baria
O preço global do minério de ferro é determinado por um número elevado de parâmetros efetivos e uma relação complexa entre eles. A soma das expectativas dos participantes deste mercado como um todo, ao longo do tempo, definem variações e tendências numa série temporal de preços. Desenvolver um modelo de previsão confiável para a volatilidade do preço do minério de ferro e, por consequência, demais ativos ligados à esta commodity, que analise o mercado de forma ampla, não é uma tarefa trivial e é fundamental na definição de investimentos futuros e decisões para projetos de mineração em empresas relacionadas. Este trabalho avalia um sistema preditivo híbrido, que utiliza um índice obtido a partir da agregação de sentimentos extraídos de resumos de notícias relacionadas ao minério de ferro, baseado em conjuntos nebulosos hesitantes, e o número de notícias como variáveis exógenas para um modelo multivariado Weighted Multivariate Fuzzy Time Series (WMVFTS). Neste contexto, a aplicação do índice de Agregação de Análise de Sentimentos com Conjuntos Nebulosos Hesitantes para Previsão de Preços de Minério de Ferro combina métodos de aprendizado de máquina que abrangem tanto análises técnicas quanto fundamentais, obtendo resultados significativos para suporte à decisão especializada em ativos de minério de ferro. Os resultados indicam a viabilidade de utilização das variáveis propostas em um conjunto de variáveis exógenas do WMVFTS com precisão superior a 80% na previsão de tendências e oscilações da variável de referência.