Acoplamento de modelos de máquinas de aprendizado e modelos acústicos para caracterização de emulsões através de célula ultrassônica
Ano de defesa: | 2020 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
[s.n.]
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: | |
Link de acesso: | https://hdl.handle.net/20.500.12733/1638766 |
Resumo: | Orientador: Flávio Vasconcelos da Silva |
id |
UNICAMP-30_d652902b1df7c9b1488830575943b535 |
---|---|
oai_identifier_str |
oai::1128717 |
network_acronym_str |
UNICAMP-30 |
network_name_str |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
repository_id_str |
|
spelling |
Acoplamento de modelos de máquinas de aprendizado e modelos acústicos para caracterização de emulsões através de célula ultrassônicaCoupling of machine learning models and acoustic models for characterization of emulsion through ultrasonic cellAprendizado de máquinaModelos acústicosUltrassomEmulsõesMachine learningAcoustic modelsUltrasoundEmulsionsOrientador: Flávio Vasconcelos da SilvaDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia QuímicaResumo: A aplicação das técnicas ultrassônicas para caracterizar emulsões quanto a sua distribuição do tamanho de gotas (DTG) por meio de modelos físicos de propagação de ondas, tem atraído interesse nos últimos anos devido, principalmente, a vantagem de ser uma técnica não intrusiva e capaz de caracterizar emulsões concentradas e opacas. Não obstante, a maior parte desses modelos possuem restrições relacionadas a faixa de aplicação no regime de propagação da onda, a qual está relacionado com o comprimento da gotícula suspensa, e a estimação de parâmetros de difícil determinação para o cálculo da DTG. Entre tais parâmetros de difícil determinação destaca-se a fração de fase dispersa da emulsão. Esses desafios impossibilitam a aplicação dos modelos para caracterizar amostras sem dados das composições de cada fase. Neste contexto, uma alternativa proposta por alguns autores é a abordagem das técnicas de aprendizado de máquina, atuando nas limitações dos modelos acústicos. Portanto, o objetivo deste trabalho foi utilizar técnicas de aprendizado de máquina para realizar o prognóstico da fração de fase dispersa e classificação do regime de propagação da onda nas emulsões, aperfeiçoando desta forma, a caracterização da DTG das emulsões com os modelos acústicos. Para tais fins, foram utilizadas as redes neurais artificiais (RNA) e as máquinas de suporte de vetores (SVM). Como resultado, destacou-se o acoplamento da SVM com os modelos acústicos de fase acoplada e de espalhamento elástico da onda, sendo o desafio, relacionado a classificação de regime de propagação da onda, mitigado, possibilitando a construção de um modelo geral que atende medições em tempo real para um amplo DTG. A utilização da SVM e RNA para o prognóstico da fração, apesar do resultado não satisfatório, abriu uma perspectiva de investigações relacionada as relações dos sinais acústicos com a fração de dispersão em emulsõesAbstract: The application of ultrasonic techniques to characterize emulsions in terms of their droplet size distribution (DSD) by means of physical wave propagation models, has attracted interest in recent years, mainly due to the advantage of being a non-intrusive technique capable of characterize concentrated and opaque emulsions. However, most of these models have restrictions related to the application range in the wave propagation regime, which is related to the length of the suspended droplet, and the estimation of parameters that are difficult to determine for the calculation of the DSD. Among such difficult-to-determine parameters, the dispersed phase fraction of the emulsion stands out. These challenges make it impossible to apply the models to characterize samples without data on the compositions of each phase. In this context, an alternative proposed by some authors is to approach machine learning techniques, acting on the limitations of acoustic models. Therefore, the objective of this work was to use machine learning techniques to carry out the prognosis of the dispersed phase fraction and classification of the wave propagation regime in the emulsions, thus improving the characterization of the DSD of the emulsions with the acoustic models. For such purposes, artificial neural networks (ANN) and vector support machines (SVM) were used. As a result, the SVM coupling with the acoustic models of coupled phase and elastic spreading of the wave stood out, being the challenge, related to the classification of the wave propagation regime, mitigated, enabling the construction of a general model that meets measurements in real time for a broad DSD. The use of SVM and RNA for the prognosis of the fraction, despite the unsatisfactory result, opened a perspective of investigations related to the relationship of the acoustic signals with the dispersion fraction in emulsionsMestradoEngenharia QuímicaMestre em Engenharia QuímicaCAPES001[s.n.]Silva, Flávio Vasconcelos da, 1971-Franco, Luís Fernando MercierBiazussi, Jorge LuizUniversidade Estadual de Campinas. Faculdade de Engenharia QuímicaPrograma de Pós-Graduação em Engenharia QuímicaUNIVERSIDADE ESTADUAL DE CAMPINASSaraiva, Samuel Vitor, 1994-20202020-02-18T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (108 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/1638766SARAIVA, Samuel Vitor. Acoplamento de modelos de máquinas de aprendizado e modelos acústicos para caracterização de emulsões através de célula ultrassônica. 2020. 1 recurso online (108 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Química, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1638766. Acesso em: 15 mai. 2024.https://repositorio.unicamp.br/acervo/detalhe/1128717Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2020-05-27T16:08:07Zoai::1128717Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2020-05-27T16:08:07Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false |
dc.title.none.fl_str_mv |
Acoplamento de modelos de máquinas de aprendizado e modelos acústicos para caracterização de emulsões através de célula ultrassônica Coupling of machine learning models and acoustic models for characterization of emulsion through ultrasonic cell |
title |
Acoplamento de modelos de máquinas de aprendizado e modelos acústicos para caracterização de emulsões através de célula ultrassônica |
spellingShingle |
Acoplamento de modelos de máquinas de aprendizado e modelos acústicos para caracterização de emulsões através de célula ultrassônica Saraiva, Samuel Vitor, 1994- Aprendizado de máquina Modelos acústicos Ultrassom Emulsões Machine learning Acoustic models Ultrasound Emulsions |
title_short |
Acoplamento de modelos de máquinas de aprendizado e modelos acústicos para caracterização de emulsões através de célula ultrassônica |
title_full |
Acoplamento de modelos de máquinas de aprendizado e modelos acústicos para caracterização de emulsões através de célula ultrassônica |
title_fullStr |
Acoplamento de modelos de máquinas de aprendizado e modelos acústicos para caracterização de emulsões através de célula ultrassônica |
title_full_unstemmed |
Acoplamento de modelos de máquinas de aprendizado e modelos acústicos para caracterização de emulsões através de célula ultrassônica |
title_sort |
Acoplamento de modelos de máquinas de aprendizado e modelos acústicos para caracterização de emulsões através de célula ultrassônica |
author |
Saraiva, Samuel Vitor, 1994- |
author_facet |
Saraiva, Samuel Vitor, 1994- |
author_role |
author |
dc.contributor.none.fl_str_mv |
Silva, Flávio Vasconcelos da, 1971- Franco, Luís Fernando Mercier Biazussi, Jorge Luiz Universidade Estadual de Campinas. Faculdade de Engenharia Química Programa de Pós-Graduação em Engenharia Química UNIVERSIDADE ESTADUAL DE CAMPINAS |
dc.contributor.author.fl_str_mv |
Saraiva, Samuel Vitor, 1994- |
dc.subject.por.fl_str_mv |
Aprendizado de máquina Modelos acústicos Ultrassom Emulsões Machine learning Acoustic models Ultrasound Emulsions |
topic |
Aprendizado de máquina Modelos acústicos Ultrassom Emulsões Machine learning Acoustic models Ultrasound Emulsions |
description |
Orientador: Flávio Vasconcelos da Silva |
publishDate |
2020 |
dc.date.none.fl_str_mv |
2020 2020-02-18T00:00:00Z |
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 |
https://hdl.handle.net/20.500.12733/1638766 SARAIVA, Samuel Vitor. Acoplamento de modelos de máquinas de aprendizado e modelos acústicos para caracterização de emulsões através de célula ultrassônica. 2020. 1 recurso online (108 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Química, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1638766. Acesso em: 15 mai. 2024. |
url |
https://hdl.handle.net/20.500.12733/1638766 |
identifier_str_mv |
SARAIVA, Samuel Vitor. Acoplamento de modelos de máquinas de aprendizado e modelos acústicos para caracterização de emulsões através de célula ultrassônica. 2020. 1 recurso online (108 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Química, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1638766. Acesso em: 15 mai. 2024. |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
https://repositorio.unicamp.br/acervo/detalhe/1128717 Requisitos do sistema: Software para leitura de arquivo em PDF |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf 1 recurso online (108 p.) : il., digital, arquivo PDF. |
dc.publisher.none.fl_str_mv |
[s.n.] |
publisher.none.fl_str_mv |
[s.n.] |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) instname:Universidade Estadual de Campinas (UNICAMP) instacron:UNICAMP |
instname_str |
Universidade Estadual de Campinas (UNICAMP) |
instacron_str |
UNICAMP |
institution |
UNICAMP |
reponame_str |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
collection |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP) |
repository.mail.fl_str_mv |
sbubd@unicamp.br |
_version_ |
1799139985531600896 |