Publicação: Estudo comparativo entre àrvores de decisão e redes neurais artificiais para determinação do teor de silício no ferro-gusa em alto-forno
Carregando...
Arquivos
Data
Autores
Orientador
Nascimento, Érica Regina Filletti 
Coorientador
Pós-graduação
Curso de graduação
Engenharia Química - IQ
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Trabalho de conclusão de curso
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
As árvores de decisão e as redes neurais artificiais são algoritmos que fazem parte da
tecnologia chamada de aprendizado de máquinas (machine learning), utilizada para identificar
padrões em bases de dados e realizar predições. As árvores de decisão possuem “nós” que
dividem os dados em duas subclasses (“nós filhos”), através de uma pergunta que resulta em
duas respostas: sim ou não. Essa pergunta ocorre de tal forma a diminuir o erro quadrático para
os casos de regressão (previsões numéricas). Enquanto isso, as redes neurais artificiais se
inspiram no modelo biológico, em que a maioria dos modelos realiza uma multiplicação sobre
os valores de entrada, análogo à ponderação das conexões de neurônios. Com isso, essas
conexões são somadas e passam por uma função de ativação, antes de apresentar o resultado.
Essas duas ferramentas receberam a mesma base de dados e treinaram seus respectivos
algoritmos em relação aos valores de exemplo fornecidos. Ambos os casos, de árvores e redes
neurais, foram utilizadas para predição de quantidade de silício presente em ferro-gusa. O silício
é importante para controle térmico do alto-forno siderúrgico. Os dois algoritmos apresentaram
valores de erro quadrático MSE e percentual MAPE semelhantes. A maior diferença entre os
resultados, entretanto, foi em relação à linearização da reta construída entre valores calculados
e reais para o conjunto de validação dos modelos, em que o coeficiente de determinação R2 foi
de 0,363 para árvores e 0,497 para redes neurais.
Resumo (inglês)
Decision trees and artificial neural networks are algorithms that compose the technology called
machine learning, used to identify patterns in databases and make predictions. Decision trees
have "nodes" that divide the data into two subclasses ("child nodes"), by asking a question that
results in two answers: yes or no. This question is asked looking for decreasing the squared
error of the regression (numerical predictions). On the other hand, artificial neural networks are
inspired by the biological model – most models use a multiplication on input values, similar to
the weighting of neuron connections. Then, these connections are summed and go through an
activation function that will show the result. The same database was used by the two algorithms,
that trained their model with the given output. Both tree and artificial networks were used to
predict the amount of silicon present in molten iron. Silicon is important because of the thermal
control of the blast furnace. The two algorithms showed similar mean squared error MSE and
similar mean absolute percentual error MAPE. However, the biggest difference among the
results was on the linearization between the calculated data and the actual value for the
validation set, with a coefficient of determination R2 of 0.363 for trees and 0.497 for artificial
neural networks.
Descrição
Palavras-chave
Quantidade de silício, Rede neural artificial, Árvore de decisão, Aprendizado de máquina
Idioma
Português
