Algoritmo heurístico de retroalimentação inclusiva para regressão de dados de processo.

• Ano de defesa: 2022
• Autor(a) principal: FERNANDES, Thalita Cristine Ribeiro Lucas.
• Orientador(a): ARAÚJO, Antonio Carlos Brandão de.
• Banca de defesa: P. NETO, Antonio Tavernard., ALVES, José Jailson Nicácio., SILVA, Vimário Simões., SILVA, Sidinei Kleber da., S. JÚNIOR, Heleno Bispo da.
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande
• Programa de Pós-Graduação: PÓS-GRADUAÇÃO EM ENGENHARIA QUÍMICA
• Departamento: Centro de Ciências e Tecnologia - CCT
• País: Brasil
• Palavras-chave em Português: Modelos substitutos; Algoritmo; Aprendizado de máquina; Automação; Processos químicos; Substitute models; Algorithm; Machine learning; Automation; Chemical processes; Modelos sustitutos; Aprendizaje automático; Automatización; Procesos químicos; Modèles de substitution; Algorithme; Apprentissage automatique; Automatisation; Procédés chimiques
• Área do conhecimento CNPq: Engenharia Química
• Link de acesso: https://dspace.sti.ufcg.edu.br/handle/riufcg/26560

Este trabalho apresenta um algoritmo de aprendizado de máquina automatizado (AutoML) sitemático e simples. A principal contribuição é produzir o modelo de regressão mais simples, sempre que possível (ex.: modelo de regressão polinomial de segunda ordem via seleção de recursos sequenciais baseado nos mínimos quadrados) ou então, gerar modelos não lineares mais complexos (ex.: regressão gaussiana). O algoritmo é capaz de produzir estes resultados usando técnicas de design sequencial para preencher habilmente o espaço amostral com pontos “interessantes”, gerando um conjunto de dados que é utilizado para selecionar o modelo de regressão mais simples possível. Esse modelo mais simples é gerado de forma iterativa a partir de um conjunto predefinido de modelos de regressão candidatos. O objetivo é minimizar o número de chamadas para o processo gerador (simulador), resultando no menor número de amostras. Cada conjunto de dados produzidos iterativamente é usado de forma exaustiva e eficaz, capaz de convergir até mesmo respostas difíceis que requerem um grande número de amostras. A aplicação do algoritmo proposto em casos importantes (equações matemáticas de difícil resolução, coluna de destilação em Aspen Plus e uma Planta de tratamento de efluentes em Simulink) mostra sua efetividade na construção de metamodelos com capacidade preditiva significante. É sugerida a utilização de técnicas de regressão puramente não lineares em situações que as simulações demandem mais tempo do que o processamento do algoritmo. Em geral, um mix de métodos de regressão linear e não linear para a construção dos metamodelos é recomendada para a maioria dos casos, para compensar o tempo de processamento e a capacidade preditiva.