Utilização de técnicas estatísticas e de aprendizado de máquina para identificação de anomalias em dados de monitoramento de barragens de rejeito de mineração.

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Brandão, Hugo Assis
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Geotecnia
inteligência artificial
Barragens de rejeitos
Piezômetro
Barragens e açudes - segurança
Link de acesso: http://www.repositorio.ufop.br/jspui/handle/123456789/17107
Resumo: Programa de Pós-Graduação em Engenharia Mineral. Departamento de Engenharia de Minas, Escola de Minas, Universidade Federal de Ouro Preto.
id UFOP_60d4d10855fdec58668bf996e124ef1f
oai_identifier_str oai:repositorio.ufop.br:123456789/17107
network_acronym_str UFOP
network_name_str Repositório Institucional da UFOP
repository_id_str
spelling Utilização de técnicas estatísticas e de aprendizado de máquina para identificação de anomalias em dados de monitoramento de barragens de rejeito de mineração.Geotecniainteligência artificialBarragens de rejeitosPiezômetroBarragens e açudes - segurançaPrograma de Pós-Graduação em Engenharia Mineral. Departamento de Engenharia de Minas, Escola de Minas, Universidade Federal de Ouro Preto.O número de incidentes relacionados a rupturas de barragens de rejeitos de mineração tem aumentado nos últimos anos, sendo observada uma média de três incidentes mundialmente por ano. As consequências das rupturas entre 1915 e 2022 resultaram em cerca de 2.650 fatalidades e mais de 250 milhões de m3 de resíduos liberados ao meio ambiente. O plano de monitoramento auxilia a equipe responsável pela barragem no melhor entendimento de seu comportamento, sendo possível identificar comportamentos anômalos, permitindo assim uma melhor gestão do risco associado a estrutura. O plano contempla atividades relacionadas a inspeções visuais, inspeções e testes de equipamentos e monitoramento por meio de instrumentação. A instalação de instrumentos permite a medição de variáveis ambientais, tais como temperatura e nível do reservatório, e variáveis de efeito, tais como nível de água e poropressão no interior do maciço e fundação. Com base nessas variáveis é possível comparar o comportamento real da estrutura com seu comportamento esperado, sendo uma das variáveis de controle a poropressão, medida por piezômetros. A análise dos dados pode ser realizada com base em modelos determinísticos, estatísticos e preditivos. Esta dissertação apresenta um estudo onde são aplicados os modelos de regressão linear (RL) e k-nearest neighbors (KNN) para a predição de leituras em piezômetros com base na leitura anterior, uma vez que ambas guardam forte correlação. Os modelos foram calibrados e validados considerando duas diferentes proporções de treino/teste, sendo que a proporção de 80% dos dados no banco de treino e 20% no banco de teste apresentou o melhor desempenho em ambos os modelos. Os modelos calibrados com base nessa proporção apresentaram valores de R2 superiores à 0,89, RMSE de aproximadamente 0,16m e MAE de aproximadamente 0,10m. O modelo KNN com 15 vizinhos apresentou melhor desempenho, sendo obtido um R2 de 0,91 para o banco de treino e de 0,94 para o banco de teste. Foi então adotado esse modelo para o cálculo do valor predito e obtenção dos resíduos. Foram aplicadas técnicas estatísticas (análise de distribuição e análise da distância interquartil - IQR) e de aprendizado de máquina (local outlier factor - LOF) para a identificação de anomalias. A técnica LOF apresentou o melhor desempenho identificando todas as anomalias encontradas pelos outros métodos e pontos que apresentaram valores de taxa de variação superiores aos valores históricos. Dessa forma, acredita-se que as técnicas de aprendizagem de máquina possuem um grande potencial de aplicação na identificação de anomalias e podem auxiliar em uma melhor gestão de estruturas geotécnicas.The number of reported incidents associated with tailings dams failures has increased in the past few years. Based on recent data, at least three tailing dams could fail per year. The failures can lead to a high risk to the environment and population. It is estimated that the reported failures between 1915 and 2022 resulted in the loss of life of more than 2.650 people and more than 250 million of m3 of residue released to the environment. One way to reduce the risk associated with a tailings dam is the implementation of a monitoring program. It helps the dam owner to better understand its behavior and identify anomalous behavior that could lead to failure and catastrophic consequences. The tailing dam monitoring is executed based on field observations obtained through installed instrument at the dam site. Based on the readings, it is possible to compare the expected behavior with the real behavior of the structure. One of the possible variables that could be measured is the pore water pressure obtained through installation of piezometers. The obtained readings could be analyzed based on deterministic, statistical, and predictive models. This dissertation presents a study which applies linear regression and k-nearest neighbors (KNN) to predict future readings based on the last reading due to its correlation. The models were calibrated and validated considering a subsampling with 80% of the data to tanning and 20% of the data to testing. The calibrated models presented R2 values over than 0.89, RMSE near to 0.16 m and MAE values equal to 0.10 m. The best fitted model was KNN, considering 15 neighbors. After the prediction of pore pressure values, the residues based on the difference between the predicted and real values were calculated. They were analyzed to identify the anomalies in the data. The statistical distribution associated with a 95% interval of confidence; the inter-quartile distance local outlier factor (LOF) was applied. The LOF method presented the best results, and it was able to identify the same anomalous readings of the other methods and other observations that presented higher reading difference when compared with the historical data.Santos, Tatiana Barreto dosSantos, Tatiana Barreto dosSantos, Allan Erlikhman MedeirosMarinho, Fernando Antonio MedeirosBrandão, Hugo Assis2023-07-28T19:09:57Z2023-07-28T19:09:57Z2023info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfBRANDÃO, Hugo Assis. Utilização de técnicas estatísticas e de aprendizado de máquina para identificação de anomalias em dados de monitoramento de barragens de rejeito de mineração. 2023. 116 f. Dissertação (Mestrado em Engenharia Mineral) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2023.http://www.repositorio.ufop.br/jspui/handle/123456789/17107http://creativecommons.org/licenses/by-nd/3.0/us/Autorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 25/07/2023 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho, desde que sejam citados o autor e o licenciante. Não permite a adaptação.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFOPinstname:Universidade Federal de Ouro Preto (UFOP)instacron:UFOP2024-11-11T01:56:28Zoai:repositorio.ufop.br:123456789/17107Repositório InstitucionalPUBhttp://www.repositorio.ufop.br/oai/requestrepositorio@ufop.edu.bropendoar:32332024-11-11T01:56:28Repositório Institucional da UFOP - Universidade Federal de Ouro Preto (UFOP)false
dc.title.none.fl_str_mv Utilização de técnicas estatísticas e de aprendizado de máquina para identificação de anomalias em dados de monitoramento de barragens de rejeito de mineração.
title Utilização de técnicas estatísticas e de aprendizado de máquina para identificação de anomalias em dados de monitoramento de barragens de rejeito de mineração.
spellingShingle Utilização de técnicas estatísticas e de aprendizado de máquina para identificação de anomalias em dados de monitoramento de barragens de rejeito de mineração.
Brandão, Hugo Assis
Geotecnia
inteligência artificial
Barragens de rejeitos
Piezômetro
Barragens e açudes - segurança
title_short Utilização de técnicas estatísticas e de aprendizado de máquina para identificação de anomalias em dados de monitoramento de barragens de rejeito de mineração.
title_full Utilização de técnicas estatísticas e de aprendizado de máquina para identificação de anomalias em dados de monitoramento de barragens de rejeito de mineração.
title_fullStr Utilização de técnicas estatísticas e de aprendizado de máquina para identificação de anomalias em dados de monitoramento de barragens de rejeito de mineração.
title_full_unstemmed Utilização de técnicas estatísticas e de aprendizado de máquina para identificação de anomalias em dados de monitoramento de barragens de rejeito de mineração.
title_sort Utilização de técnicas estatísticas e de aprendizado de máquina para identificação de anomalias em dados de monitoramento de barragens de rejeito de mineração.
author Brandão, Hugo Assis
author_facet Brandão, Hugo Assis
author_role author
dc.contributor.none.fl_str_mv Santos, Tatiana Barreto dos
Santos, Tatiana Barreto dos
Santos, Allan Erlikhman Medeiros
Marinho, Fernando Antonio Medeiros
dc.contributor.author.fl_str_mv Brandão, Hugo Assis
dc.subject.por.fl_str_mv Geotecnia
inteligência artificial
Barragens de rejeitos
Piezômetro
Barragens e açudes - segurança
topic Geotecnia
inteligência artificial
Barragens de rejeitos
Piezômetro
Barragens e açudes - segurança
description Programa de Pós-Graduação em Engenharia Mineral. Departamento de Engenharia de Minas, Escola de Minas, Universidade Federal de Ouro Preto.
publishDate 2023
dc.date.none.fl_str_mv 2023-07-28T19:09:57Z
2023-07-28T19:09:57Z
2023
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv BRANDÃO, Hugo Assis. Utilização de técnicas estatísticas e de aprendizado de máquina para identificação de anomalias em dados de monitoramento de barragens de rejeito de mineração. 2023. 116 f. Dissertação (Mestrado em Engenharia Mineral) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2023.
http://www.repositorio.ufop.br/jspui/handle/123456789/17107
identifier_str_mv BRANDÃO, Hugo Assis. Utilização de técnicas estatísticas e de aprendizado de máquina para identificação de anomalias em dados de monitoramento de barragens de rejeito de mineração. 2023. 116 f. Dissertação (Mestrado em Engenharia Mineral) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2023.
url http://www.repositorio.ufop.br/jspui/handle/123456789/17107
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv http://creativecommons.org/licenses/by-nd/3.0/us/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nd/3.0/us/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFOP
instname:Universidade Federal de Ouro Preto (UFOP)
instacron:UFOP
instname_str Universidade Federal de Ouro Preto (UFOP)
instacron_str UFOP
institution UFOP
reponame_str Repositório Institucional da UFOP
collection Repositório Institucional da UFOP
repository.name.fl_str_mv Repositório Institucional da UFOP - Universidade Federal de Ouro Preto (UFOP)
repository.mail.fl_str_mv repositorio@ufop.edu.br
_version_ 1833922034775621632

Registros relacionados