Bolsa 23/03883-2 - Big data, Hidráulica (mecânica dos líquidos) - BV FAPESP
Busca avançada
Ano de início
Entree

Implementação de modelos de séries temporais com uso de ferramentas de machine learning: estudo sobre previsão da demanda e reservação de água no município de Peruíbe-SP.

Processo: 23/03883-2
Modalidade de apoio:Bolsas no Brasil - Iniciação Científica
Data de Início da vigência: 01 de maio de 2023
Data de Término da vigência: 30 de abril de 2024
Área de conhecimento:Ciências Exatas e da Terra - Probabilidade e Estatística - Estatística
Pesquisador responsável:Chang Chiann
Beneficiário:Mateus de Faria Baptista
Instituição Sede: Instituto de Matemática e Estatística (IME). 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):Big data   Hidráulica (mecânica dos líquidos)   Indústria 4.0   Aprendizado computacional   Análise de séries temporais
Palavra(s)-Chave do Pesquisador:big data | hidráulica | Industria 4 | machine learning | sensores de reservatório | Séries Temporais | 0 | Séries temporais

Resumo

Nos dias de hoje, um dos aspectos disruptivos da automação industrial é o aprendizado de máquina (Machine Learning), cujo segmento tem como base a aplicação de linguagens de programação para seu funcionamento, além do uso de plataformas IoT (Internet of Things) para integração dos sistemas e interconexão digital. Dessa forma, num contexto de monitoramento industrial, é possível extrair um conjunto de dados provenientes de sensores e outros equipamentos digitais em intervalos fixos de tempo, permitindo a análise de diferentes variáveis de interesse. Nesse sentido, o presente trabalho de iniciação científica consiste em uma análise via séries temporais utilizando dados do reservatório de Peruíbe da Sabesp, incluindo medições de níveis, vazões, pressões e fluxos de água. Utilizando linguagens de programação como Python e R, a análise dos dados se divide em 3 etapas: detecção de outliers, preenchimento de valores omissos e previsão de dados. Para as duas primeiras, as técnicas utilizadas são as de ajuste via regressão, decomposição clássica com regressão e decomposição STL (Seasonal-Trend Decomposition Procedure Based on Loess). Já para a terceira, as ferramentas utilizadas são os modelos BATS e TBATS (Trigonometric, Box-Cox transformation, ARMA erros, Trend and Seasonal components), modelos de regressão com erros auto correlacionados e técnicas de rolling analysis. Trata-se de uma continuação do estudo abordado na seguinte dissertação de mestrado: LARRUBIA, L.F. Detecção de anomalias, interpolação e previsão em tempo real de séries temporais para operação de reservatórios e distribuição de água (Processo: 2018/26592-5). A eficiência dos métodos propostos nessa dissertação é medida e comparada a partir de uma nova base de dados atualizada do período de 2021 a 2022. Ademais, este trabalho também contempla o projeto hidráulico do sistema de reservação de água de Peruíbe, verificando parâmetros como volume útil, volume disponível e limite operacional a fim de avaliar a qualidade do domínio de abastecimento desse reservatório.

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)