Aplicação de bayesian deep learning para monitoramento de Smart City e operação de processos da indústria química

• Processo: 19/08280-9
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de junho de 2019
• Data de Término da vigência: 31 de maio de 2021
• Área de conhecimento: Interdisciplinar
• Pesquisador responsável: Song Won Park
• Beneficiário: Gustavo Ryuji Taira
• Instituição Sede: Escola Politécnica (EP). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Vinculado ao auxílio: 17/50343-2 - Plano de desenvolvimento institucional na área de transformação digital: manufatura avançada e cidades inteligentes e sustentáveis (PDIp), AP.PDIP
• Assunto(s): Aprendizagem profunda Aprendizado computacional Big data analytics Monitoramento Cidades inteligentes Indústria química
• Palavra(s)-Chave do Pesquisador: Bayesian Deep Learning | Big Data Analytics | Engenharia de Processos Químicos | machine learning | Monitoramento | Smart City | Monitoramento de Smart City e Processos Químicos

Resumo

Projeto consiste na elaboração de sistemas baseados em Bayesian Deep Learning aplicáveis para o monitoramento de Smart Cities e operações de processos da indústria química. Os sistemas elaborados serão aplicados para bases de dados obtidas por sensores de qualidade de ar e/ou sensores de ruído sonoro, e, por fim, serão aplicados para dados de processo químico industrial FCC (Fluid Catalytic Cracking). Um dos objetivos do trabalho é elaborar sistemas de Big Data Analytics a serem incorporados como aplicações de aprendizado de máquina, cujos métodos sejam facilmente aplicados em diferentes contextos, de forma a criar sistemas auto agentes tal como são os casos de Smart City e Smart Factory. (AU)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

TAIRA, GUSTAVO R.; PARK, SONG W.; ZANIN, ANTONIO C.; PORFIRIO, CARLOS R.. Fault Detection in a Fluid Catalytic Cracking Process using Bayesian Recurrent Neural Network. IFAC PAPERSONLINE, v. 55, n. 7, p. 6-pg., 2022-08-05. (19/08280-9)

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

TAIRA, Gustavo Ryuji. Redes neurais bayesianas para calibração de sensores de poluição do ar e detecção de falhas em processos químicos.. 2022. Dissertação de Mestrado - Universidade de São Paulo (USP). Escola Politécnica (EP/BC) São Paulo.