Mapeamento automatizado de gases com robôs.

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorPessin, Gustavo-
Autor(es): dc.contributorSaboia, Maíra-
Autor(es): dc.contributorPessin, Gustavo-
Autor(es): dc.contributorFreitas, Gustavo Medeiros-
Autor(es): dc.contributorPerez Imaz, Héctor Ignacio Azpúrua-
Autor(es): dc.creatorSathler, Mauricio Souza-
Data de aceite: dc.date.accessioned2025-08-21T15:11:45Z-
Data de disponibilização: dc.date.available2025-08-21T15:11:45Z-
Data de envio: dc.date.issued2024-01-23-
Data de envio: dc.date.issued2024-01-23-
Data de envio: dc.date.issued2022-
Fonte completa do material: dc.identifierhttp://www.repositorio.ufop.br/jspui/handle/123456789/18026-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1005266-
Descrição: 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.-
Descrição: dc.descriptionAs operações de inspeção são fundamentais para assegurar a segurança operacional na industria de mineração. Quando realizados em ambientes confinados, esses processos exigem atenção devido aos vários riscos envolvidos, incluindo a presença de gases nocivos e a falta de oxigenio. A presente dissertação compara diferentes modelos de entrada e arquiteturas de redes para o Deep Q Learning (DQN), uma tecnica de aprendizado profundo por reforço. Isso inclui camadas totalmente conectadas, camadas convolucionais e convoluções consolidadas na literatura. O objetivo da dissertação e realizar o rastreamento de dióxido de carbono, configurando diferentes plumas em varios ambientes simulados, utilizando robôs môveis. Além das configurações necessarias para a simulação de uma pluma de gás, a dissertação detalha as configurações, parametros e arquitetura da rede de aprendizado profundo utilizada. Os resultados obtidos em ambientes simulados representativos demonstram a viabilidade da tecnica proposta, abrindo caminho para futuras aplicações com robõs reais.-
Descrição: dc.descriptionInspection operations are essential to ensure operational safety in the mining industry. When carried out in confined environments, these processes require attention due to the various risks involved, including the presence of harmful gases and the lack of oxygen. This dissertation compares different input models and network architectures for Deep Q Learning (DQN), a deep reinforcement learning technique. This includes fully connected layers, convolutional layers and convolutions consolidated in the literature. The objective of the dissertation is to perform carbon dioxide tracking, setting up different plumes in various simulated environments, using mobile robots. In addition to the settings required for the simulation of a gas plume, the dissertation details the settings, parameters and architecture of the deep learning network used. The results obtained in representative simulated environments demonstrate the feasibility of the proposed technique, paving the way for future applications with real robots.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsaberto-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nd/3.0/us/-
Direitos: dc.rightsAutorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 18/12/2023 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. Não permite a adaptação.-
Palavras-chave: dc.subjectGlobal Land Survey - GLS-
Palavras-chave: dc.subjectRobótica - robótica móvel-
Palavras-chave: dc.subjectAprendizado do computador - aprendizado por reforço-
Título: dc.titleMapeamento automatizado de gases com robôs.-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - UFOP

Não existem arquivos associados a este item.