Mostrar el registro sencillo del ítem
Estudo das aplicações de data science e machine learning na engenharia química
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 |