Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Salcedo, Ivanovich Lache | - |
Autor(es): dc.contributor | Hamacher, Leonardo da Silva | - |
Autor(es): dc.contributor | Carmo, Dirlane de Fátima do | - |
Autor(es): dc.creator | Cereto, Artur Nonato Vieira | - |
Data de aceite: dc.date.accessioned | 2024-07-11T18:43:32Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T18:43:32Z | - |
Data de envio: dc.date.issued | 2024-01-15 | - |
Data de envio: dc.date.issued | 2024-01-15 | - |
Fonte completa do material: dc.identifier | http://app.uff.br/riuff/handle/1/31948 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/776243 | - |
Descrição: dc.description | Os deslizamentos de terra são desastres que assolam com maior frequência regiões urbanizadas, sem planejamento prévio, cujas consequências podem ser estimadas em prejuízos na ordem de bilhões de dólares por ano, além da perda de vidas humanas na casa dos milhares. Diferentes sistemas de alerta prévio de deslizamento de terra foram desenvolvidos, com o objetivo de alertar as populações locais e permitir a evacuação das áreas em tempo hábil. Em geral, estes sistemas utilizam dados provenientes do monitoramento das condições do solo, nas encostas que oferecem risco, além de dados meteorológicos, para alimentar modelos computacionais físicos ou estatísticos voltados para prever a ocorrência destes desastres. Neste trabalho, onde foi feito o uso da linguagem de programação Python, foi desenvolvida uma rede neural, com algoritmo de aprendizado de back-propagation e otimizador Adam, com o intuito de realizar previsões de leituras de um sensor de umidade do solo, em duas profundidades, a partir de suas leituras prévias e dados de precipitação acumulada. O modelo desenvolvido, baseado em machine-learning, obteve erros menores do que aqueles de previsões realizadas por regressão linear, em 27 das 40 configurações testadas, demonstrando desempenho superior na previsão de leituras de umidade do solo, na camada mais próxima à superfície. | - |
Descrição: dc.description | Landslides are disasters that frequently afflict urbanized regions lacking prior planning, with consequences estimated in billions of dollars annually, along with the loss of thousands of human lives. Various early warning systems for landslides have been developed, aiming to alert local populations and facilitate timely evacuation. Typically, these systems utilize data from monitoring soil conditions on at-risk slopes and meteorological data to feed physical or statistical computational models designed to predict the occurrence of these disasters. This Python-based study develops a neural network employing a back-propagation learning algorithm and the Adam optimizer to forecast readings from a soil moisture sensor at two depths based on previous readings and accumulated precipitation data. This machine-learning model demonstrated superior performance in predicting soil moisture readings in the surface layer, with lower errors than those generated by linear regression in 27 out of 40 tested configurations | - |
Descrição: dc.description | 78 f. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | Open Access | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | LEWs | - |
Palavras-chave: dc.subject | Redes neurais | - |
Palavras-chave: dc.subject | Estabilidade do solo | - |
Palavras-chave: dc.subject | Compactação do solo | - |
Palavras-chave: dc.subject | Rede neural | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Neural networks | - |
Palavras-chave: dc.subject | Soil stability | - |
Título: dc.title | Desenvolvimento de modelo de machine learning para previsão de leitura de sensores de umidade do solo em áreas de risco | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
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: