Sistema de identificação de fonte de gás utilizando nanoquadricóptero

• Ano de defesa: 2022
• Autor(a) principal: Souza, Rafael Monteiro Jorge Alves de
• Orientador(a): Morais, Aniel Silva de
• Banca de defesa: Ramos, Daniel Costa , Fernandes Júnior, Renato Ferreira , Mattioli, Aline Fernanda Bianco , Avelar, Henrique José
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Uberlândia
• Programa de Pós-Graduação: Programa de Pós-graduação em Engenharia Elétrica
• País: Brasil
• Palavras-chave em Português: Localização de fonte de odor; Odor source localization; mapeamento de distribuição de gás; Gas distribution mapping; quadricóptero; quadcopter; redes neurais artificiais; artificial neural network; aprendizagem de máquina; machine learning; estimação de densidade de probabilidade; probability density estimation; Crazyflie 2.0
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS
• Link de acesso: https://repositorio.ufu.br/handle/123456789/36129; http://doi.org/10.14393/ufu.te.2022.496

Soluções para o problema de detecção de fonte de odor são necessárias para permitir a realização de diversas tarefas como busca por vazamentos ambientais de gás, monitoramento da qualidade do ar e detecção de presença de gás tóxico em ambientes internos, permitindo, assim, aumentar a segurança e prevenir acidentes em ambientes com presença de gases perigosos. Neste sentido, a utilização de aeronaves nesta tarefa agrega agilidade, segurança e eficiência, contribuindo no desenvolvimento da Indústria 4.0. A solução presente neste trabalho faz uso de uma estratégia de busca pela fonte de odor utilizando a abordagem do mapeamento da distribuição de gás em um ambiente tridimensional utilizando um nanoquadricóptero do modelo Crazyflie 2.0. O mapeamento é viabilizado a partir de uma função de densidade de probabilidade por kernel gaussiano, a qual atua sobre as leituras de características extraídas do sinal de qualidade do ar de um sensor SGP30 embarcado e produz um mapa contínuo, sem haver necessidade de segmentação do ambiente. A subtarefa de declaração da posição da fonte é avaliada através de diferentes estratégias envolvendo redes neurais artificiais e técnicas de aprendizagem de máquina. Os resultados apontam que o algoritmo proposto é capaz de realizar estimativas precisas sobre a localização da fonte com erros de estimação com média próxima a 0,46 m em um ambiente de aproximadamente 15 m3. O algoritmo possui a possibilidade de escalabilidade para incorporar outras aeronaves e explorar ambientes internos com maiores volumes.