Show simple item record

dc.contributor.advisorMartins, Antonio Cesar Germano [UNESP]
dc.contributor.authorArine, Bruno Burini Robles [UNESP]
dc.date.accessioned2017-02-20T20:55:33Z
dc.date.available2017-02-20T20:55:33Z
dc.date.issued2016-12-19
dc.identifier.urihttp://hdl.handle.net/11449/148825
dc.description.abstractA utilização de elementos radioativos se estende hoje a diversos ramos da ciência e tecnologia, exigindo maneiras eficientes, precisas e sustentáveis de monitoramento para a preservação ambiental e a saúde humana. Uma técnica eficiente e não-destrutiva de análise de elementos emissores de raios gama é a espectrometria gama. No entanto, os softwares atuais de análise se deparam com certos empecilhos quando tratam de amostras ambientais, cujas concentrações de radioatividade são próximas do limite de detecção, ou quando certos radionuclídeos de interesse estão sujeitos a interferências. Este trabalho desenvolveu algoritmos de análise através de ferramentas do campo da inteligência artificial, de forma a obter um desempenho superior do que os métodos empregados em softwares clássicos de análise radiométrica. Três classificadores do campo da inteligência artificial foram testados; árvores de decisão (AD), máquinas de vetores de suporte (MVS) e redes neurais artificiais (RNA). Em testes com uma fonte de chumbo-210 de baixa atividade, a MVS obteve acurácia de 0,93, enquanto os métodos tradicionais obtiveram acurácia máxima de 0,73. Em testes com amostras reais de nitrato de uranila, a acurácia de classificação da RNA foi de 0,91, enquanto a acurácia dos métodos tradicionais foi de 0,70. Observou-se que os modelos baseados em inteligência artificial tiveram desempenho superior aos métodos tradicionais em todos os experimentos. Entretanto, esta vantagem diminui à medida que a relação sinal-ruído dos espectros aumenta, se tornando negligível quando a relação sinal-ruído supera o limite de detecção.pt
dc.description.abstractUsage of radioactive elements is present in several areas of science and technology, requiring efficient, accurate, and sustainable ways of environmental conservation and human health monitoring. Gamma-ray spectrometry is an efficient and non-destructive analysis technique for identification of gamma-ray emitting elements. Nonetheless, current analysis softwares have certain limitations regarding environmental samples, whose radioactivity concentration is often close to the detection limit, or when certain radionuclides of interest are subject to interference. This work aims the development of analysis algorithms based on the field of artificial intelligence in order to achieve better performance than the methods in classical radiometric analysis software. Three artificial intelligence classifiers were tested; decision trees (DT), support vector machines (SVM) and artificial neural networks (ANN). In tests with a low-activity lead-210 source, SVM obtained an accuracy of 0.93, while the traditional methods obtained a maximum accuracy of 0.73. In tests with real samples of uranyl nitrate, the accuracy of ANN classification was 0.91, while the accuracy of the traditional methods was 0.70. It was observed that artificial intelligence-based models performed better than traditional methods in all experiments. However, this advantage decreases as the signal-to-noise ratio of the spectra increases, becoming negligible when the signal-to-noise ratio exceeds the detection limit.en
dc.language.isopor
dc.publisherUniversidade Estadual Paulista (UNESP)
dc.subjectRadiação gamapt
dc.subjectMeio ambientept
dc.subjectInteligência artificialpt
dc.subjectAprendizado de máquinapt
dc.subjectGamma radiationen
dc.subjectEnvironmenten
dc.subjectArtificial intelligenceen
dc.subjectMachine learningen
dc.titleMelhoramento do índice de detecções na espectrometria gama em amostras ambientais usando inteligência artificialpt
dc.title.alternativeImprovement of the detection rate in gamma spectrometry of environmental samples using artificial intelligenceen
dc.typeDissertação de mestrado
dc.contributor.institutionUniversidade Estadual Paulista (UNESP)
dc.rights.accessRightsAcesso aberto
unesp.graduateProgramCiências Ambientais - Sorocabapt
unesp.knowledgeAreaDiagnóstico, Tratamento e Recuperação Ambientalpt
unesp.researchAreaGeoprocessamento e Modelagem Matemática Ambiental
unesp.campusUniversidade Estadual Paulista (UNESP), Instituto de Ciência e Tecnologia, Sorocabapt
unesp.embargoOnlinept
dc.identifier.aleph000880560
dc.identifier.capes33004170001P6
Localize o texto completo

Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record