Previsão de curto prazo para geotecnia : investigação e proposta de um método para análise e predição piezométrica em barragens de rejeito.

dc.contributor.advisorPessin, Gustavopt_BR
dc.contributor.advisorGirao Sotomayor, Juan Manuelpt_BR
dc.contributor.authorNogueira, Mayron Cesar da Silva
dc.contributor.refereePessin, Gustavopt_BR
dc.contributor.refereeFigueiredo, Janine Rodriguespt_BR
dc.contributor.refereeGirao Sotomayor, Juan Manuelpt_BR
dc.contributor.refereeRanieri, Caetano Mazzonipt_BR
dc.date.accessioned2022-12-14T20:51:51Z
dc.date.available2022-12-14T20:51:51Z
dc.date.issued2022pt_BR
dc.descriptionPrograma de Pós-Graduação em Instrumentação, Controle e Automação de Processos de Mineração. Departamento de Engenharia de Controle e Automação, Escola de Minas, Universidade Federal de Ouro Preto.pt_BR
dc.description.abstractÉ 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.pt_BR
dc.description.abstractenIt’s increasingly important to monitor geotechnical structures in an quickly and accurate way. Recently, several instruments and systems have been used for monitoring conditions in real time, at high frequency and high quality data. In this dissertation, through the basic understand- ing of dam structures, instrumentation applied to them to finally seek further extend the capacity of monitoring systems of geotechnical structures through predictive systems. We propose, de- veloped and evaluated a predictive system based on machine learning for automated wiring vibrating piezometer sensors located in tailings dams. The data observed and used in the pre- dictive models are obtained from a real tailing dam, and for the model predictions, we used his- torical data from level meters, pluviometry and piezometers. We investigated several machine learning methods, such as: Random Forest, Adaboost, Neural Networks, Linear Regression, Decision Tree and Stochastic Gradient, with the objective of finding the method that presents the highest accuracy rate in the predictions for 1, 3 and 7 days forecast trending from the current measurement. The proposed system is aimed at supporting decision-making by geotechnicians who operate and monitor tailings dams against their level controls. For method validation pur- poses, we divided the dam into foundation and dam mat sections, where we achieved more than 95% of predictions with an error of less than 20cm of variation. And considering the same prediction for 1, 3 and 7 days after the current measurement of the landfill layer, we reached more than 95% of the prediction with an error of less than 20 cm considering 1 day after the current measurement.pt_BR
dc.identifier.citationNOGUEIRA, Mayron Cesar da Silva. Previsão de curto prazo para geotecnia: investigação e proposta de um método para análise e predição piezométrica em barragens de rejeito. 2022. 70 f. Dissertação (Mestrado Profissional em Instrumentação, Controle e Automação de Processos de Mineração) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2022.pt_BR
dc.identifier.urihttp://www.repositorio.ufop.br/jspui/handle/123456789/15899
dc.language.isopt_BRpt_BR
dc.rightsabertopt_BR
dc.rights.licenseAutorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 19/11/2022 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho, desde que sejam citados o autor e o licenciante.pt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-sa/3.0/us/*
dc.subjectAprendizado do computadorpt_BR
dc.subjectPiezômetropt_BR
dc.subjectAlgorítmos computacionais - adaboostpt_BR
dc.subjectRedes neurais - computação - redes neurais artificiaispt_BR
dc.titlePrevisão de curto prazo para geotecnia : investigação e proposta de um método para análise e predição piezométrica em barragens de rejeito.pt_BR
dc.typeDissertacaopt_BR

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Nenhuma Miniatura Disponível
Nome:
DISSERTAÇÃO_PrevisãoCurtoPrazo.pdf
Tamanho:
2.6 MB
Formato:
Adobe Portable Document Format
Descrição:

Licença do pacote

Agora exibindo 1 - 1 de 1
Nenhuma Miniatura Disponível
Nome:
license.txt
Tamanho:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descrição: