dc.contributor.author | Han, Sofia Miran | |
dc.date.accessioned | 2022-10-03T17:47:48Z | |
dc.date.available | 2022-10-03T17:47:48Z | |
dc.date.issued | 2022-09-13 | |
dc.identifier.citation | HAN, Sofia Miran. Estudo das aplicações de data science e machine learning na engenharia química. 2022. Trabalho de Conclusão de Curso (Graduação em Engenharia Química) – Universidade Federal de São Carlos, São Carlos, 2022. Disponível em: https://repositorio.ufscar.br/handle/ufscar/16779. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/16779 | |
dc.description.abstract | Today, with the advancement of technology and the ability of computers to store huge
amounts of data, companies and industries have sought out professionals trained to deal with
the challenge of organizing and extracting meaningful insights from those data and conferring
competitive advantages such as demand prediction, fault detection and exploitation of
standards. The area that deals with this branch is called Data Science, and employs a
combination of statistical, mathematical and computational resources to make inferences
about patterns found at the data, which would hardly be detected only by human analysis.
Combined with it, the use of algorithms capable of learning and predicting patterns called
Machine Learning are driving the industry by introducing artificial intelligence to solve this
type of problem. The advancement of computing, as well as the popularization of
programming and the emergence of complete mathematical libraries has made the use of
these tools increasingly everyday for chemical engineers, especially in the areas of process
analysis and optimization. In this context, the work presented here aimed to perform a
bibliographic and theoretical review of the current context of data in chemical engineering to
elucidate the theory behind supervised machine learning algorithms, their advantages,
limitations and applications before 3 case studies relevant to chemical engineering. The
results showed that the accuracy of the models studied vary according to the application
given to them, having, in general, more flexible algorithms (Tree Models and Artificial
Neural Networks) performed better for nonlinear and classification problems, while more
rigid algorithms (Simple and Multiple Linear Regression) performed better in experiments in
which the nature of the relationship between the input and output variables was already
known to be linear. The knowledge of physical-chemical relationships of the experiments
under analysis also contributed to the construction of more accurate models. | eng |
dc.description.sponsorship | Não recebi financiamento | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Engenharia química | por |
dc.subject | Machine learning | eng |
dc.subject | Data science | eng |
dc.subject | Aprendizado supervisionado | eng |
dc.title | Estudo das aplicações de data science e machine learning na engenharia química | por |
dc.title.alternative | Study of data science and machine learning applications in chemical engineering | eng |
dc.type | TCC | por |
dc.contributor.advisor1 | Horta, Antonio Carlos Luperni | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/5923938048634505 | por |
dc.description.resumo | Atualmente, com o avanço da tecnologia e da capacidade dos computadores em
armazenar enormes quantidades de dados, empresas e indústrias tem buscados profissionais
capacitados para lidar com o desafio de organizar e extrair valores significativos dos mesmos
e que confiram vantagens competitivas como previsão de demandas, detecção de falhas e
exploração de padrões. A área que lida com esse ramo é chamada Ciência de Dados, e
emprega uma combinação de recursos estatísticos, matemáticos e computacionais para
realizar inferências sobre padrões encontrados nos dados, que dificilmente seriam detectados
apenas pela análise humana. Aliada a ela, o uso de algoritmos capazes de aprender e predizer
padrões chamados de Machine Learning estão impulsionando o ramo ao introduzir
inteligência artificial para a resolução desse tipo de problema. O avanço da computação, bem
como a popularização da programação e o surgimento de bibliotecas matemáticas completas
tem tornado o uso dessas ferramentas cada vez mais cotidianas para os engenheiros químicos,
em especial nas áreas de análise e otimização de processos. Nesse contexto, o trabalho aqui
apresentado teve como objetivo realizar uma revisão bibliográfica e teórica do atual contexto
dos dados na engenharia química, elucidar a teoria por trás de algoritmos de aprendizado de
máquina supervisionado, suas vantagens, limitações e aplicações perante 3 estudos de caso
pertinentes a engenharia química. Os resultados obtidos demonstraram que a acurácia dos
modelos estudados variam de acordo com a aplicação que lhes é conferida, tendo, de modo
geral, algoritmos mais flexíveis (Modelos de Árvore e Redes Neurais Artificiais) tido
desempenho melhor para problemas não lineares e de classificação, enquanto algoritmos mais
rígidos (Regressão Linear Simples e Múltipla) obtiveram melhor desempenho em
experimentos no qual a natureza da relação entre as variáveis de entrada e saída já era
conhecidamente linear. O conhecimento de relações físico-químicas dos experimentos em
análise também contribuíram para a construção de modelos mais acurados. | por |
dc.publisher.initials | UFSCar | por |
dc.subject.cnpq | ENGENHARIAS::ENGENHARIA QUIMICA::PROCESSOS INDUSTRIAIS DE ENGENHARIA QUIMICA | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.publisher.course | Engenharia Química - EQ | por |