Busca avançada
Ano de início
Entree
Conteúdo relacionado

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)

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)

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., . (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.