Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Rocha, Lucas Bonfim | - |
Autor(es): dc.contributor | Lopes, Admilson Vieira | - |
Autor(es): dc.contributor | Rocha, Lucas Bonfim | - |
Autor(es): dc.contributor | Lopes, Admilson Vieira | - |
Autor(es): dc.contributor | Bezerra, Felipi Luiz de Assunção | - |
Autor(es): dc.contributor | Bacarin, Giovani Boaventura | - |
Autor(es): dc.creator | Custodio, Renan Fagundes | - |
Data de aceite: dc.date.accessioned | 2025-08-29T13:37:00Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T13:37:00Z | - |
Data de envio: dc.date.issued | 2024-09-27 | - |
Data de envio: dc.date.issued | 2224-08-26 | - |
Data de envio: dc.date.issued | 2024-09-27 | - |
Data de envio: dc.date.issued | 2024-08-26 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/34913 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1116347 | - |
Descrição: dc.description | One of the key players in the transition to more sustainable energy sources, biogas faces the challenge of biomass source variability in its industrial operation, significantly impacting the predictability of its production. This unpredictability complicates operational planning and process optimization and ensures consistent and efficient production. Therefore, this work aims to develop a machine learning algorithm to predict biogas characteristics in an industrial plant, using data from raw materials and operational conditions to estimate biogas generation and the methane fraction contained within it. Initially, by organizing available datasets and statistical and exploratory analyses, it was possible to identify trends and correlations between system parameters and outcomes. Subsequently, by applying modeling and machine learning techniques, it was possible to develop and validate predictive algorithms, including Random Forest (FR), Extreme Gradient Boosting (XGBoost), and Artificial Neural Networks (RNA). The highest prediction efficiency was obtained by XGBoost, followed by FR and RNA, with R² values of 0.74, 0.71, and 0.70, respectively, with XGBoost achieving an average R² of 0.82 in the scenario considering both raw material and operational characteristics. This scenario proved to be more efficient due to the increased robustness provided by more variables. | - |
Descrição: dc.description | Um dos protagonistas na transição para fontes de energia mais sustentáveis, o biogás encontra, em sua operação industrial, a variabilidade das fontes de biomassa, impactando significativamente a previsibilidade da sua produção. Tal imprevisibilidade dificulta o planejamento operacional, a otimização do processo e a garantia de uma produção consistente e eficiente. Esse trabalho, portanto, busca desenvolver um algoritmo de aprendizado de máquina para prever características do biogás em uma planta industrial, usando dados das matérias-primas e condições operacionais para estimar a geração de biogás e fração de metano contida nele. A princípio, através da organização dos conjuntos de dados disponíveis e análises estatísticas e exploratórios sobre o mesmo, foi possível identificar tendências e correlações entre os parâmetros do sistema e o resultado do mesmo. Em seguida, aplicando técnicas de modelagem e aprendizado de máquina, foi possível desenvolver e validar os algoritmos preditivos Floresta Randômica (FR), Aumento extremo de gradiente (XGBoost) e Redes Neurais Artificiais (RNA). A maior eficiência de predição foi obtida pelo XGBoost, seguido pelo FR e RNA, com valores de R² iguais a 0,74, 0,71 e 0,70, respectivamente, sendo que o primeiro alcançou um R² médio de 0,82 no cenário que leva em consideração as características tanto da matéria-prima quanto da operação. Esse cenário, inclusive, mostrou-se mais eficiente devido à maior robustez proporcionada por mais variáveis. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Londrina | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Engenharia Química | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | embargoedAccess | - |
Direitos: dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by-nc-nd/4.0/ | - |
Palavras-chave: dc.subject | Biogás | - |
Palavras-chave: dc.subject | Aprendizado do computador | - |
Palavras-chave: dc.subject | Algorítmos computacionais | - |
Palavras-chave: dc.subject | Biogas | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Computer algorithms | - |
Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA | - |
Título: dc.title | Implementação de algoritmos de aprendizado de máquina para predição da produção de biogás em escala industrial | - |
Título: dc.title | Implementation of machine learning algorithms to predict biogas production on industrial scale | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: