Banca de QUALIFICAÇÃO: MARCO AURELIO ANDRADE CACHEADO

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : MARCO AURELIO ANDRADE CACHEADO
DATA : 16/02/2024
HORA: 18:00
LOCAL: meet.google.com/epk-vkmk-igi
TÍTULO:

APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS NA AVALIAÇÃO DA PERFORMANCE DE CÉLULAS DE ENERGIA MICROBIANA

PALAVRAS-CHAVES:

Inteligência Computacional, Reatores; Microrganismos

PÁGINAS: 60
RESUMO:

É evidente a responsabilidade da busca sustentável nos processos na sociedade, conforme evidenciado pelo crescente interesse humano no desenvolvimento econômico e tecnológico, equilibrando a preservação ambiental para as gerações futuras. A produção e o consumo de energia, predominantemente provenientes de fontes não renováveis até então, são frequentemente abordados devido às limitações dessas fontes e recursos, enfatizando a necessidade de explorar outras fontes. A preocupação com a crescente geração de efluentes, tanto industriais quanto domésticos, é acentuada pelo aumento populacional e pelas diversas propostas de políticas públicas relacionadas ao tema, especialmente legislações ambientais mais restritivas para o tratamento de águas residuais. Uma abordagem que busca integrar essas duas preocupações em uma solução única foi inicialmente proposta no início do século XX, quando se registrou a geração de energia elétrica por microrganismos durante a degradação de matéria orgânica. Desde então, estudos relacionados têm se destacado no campo das Células de Combustível Microbianas (CEMs). Essas células são reatores que contêm microrganismos capazes de converter energia química em energia elétrica por meio de suas reações catalíticas. Além de tratar efluentes, as CEMs são consideradas tecnologias autossustentáveis, pois geram uma diferença de potencial que abastece o próprio sistema. Este trabalho propõe o uso de inteligência artificial, especificamente Redes Neurais Artificiais (RNAs), para avaliar e determinar os parâmetros de utilização das CEMs. As RNAs são modelos computacionais treinados com base em informações fornecidas e constantemente atualizadas para otimizar a identificação de padrões e fornecer respostas rápidas sobre um determinado sistema. Para a aplicação e avaliação das RNAs nas CEMs, foi utilizado um modelo de RNA do tipo feedforward, com o algoritmo de treinamento Levenberg-Marquardt, programado e implementado no MATLAB® 15. Neste estudo, variou-se a quantidade de camadas ocultas, a função de ativação e o número de neurônios em cada camada. As variáveis de entrada para as RNAs foram a área do ânodo (cm²), a resistência elétrica externa (Ω) e o volume (mL), enquanto a variável de saída foi a Densidade de Potência (mWm^-2). Foram avaliados os ajustes de validação, treinamento e total de cada rede, bem como o erro associado. Para a configuração de 2 camadas ocultas, observou-se que a rede com 120 neurônios nas camadas ocultas, função de ativação tansig, 19 interações e R² de 0,89562 no ajuste do treinamento, 0,74617 no ajuste da validação e 0,90633 no ajuste com todos os dados experimentais avaliados, obteve um erro aproximado de 0,0845, sendo a mais eficaz. Para a configuração de 2 camadas ocultas, com 25 neurônios e função de ativação logsig, também foram observados resultados promissores, com 113 interações e R² de 0,92 no ajuste do treinamento, 0,97872 no ajuste da validação e 0,86064 no ajuste com todos os dados experimentais avaliados, resultando em um erro aproximado de 0,000593. Na criação das redes neurais para as configurações contendo apenas uma camada oculta, foram observados diferentes comportamentos. Os resultados mais promissores foram alcançados para a configuração de uma única camada oculta, com 90 neurônios, função de ativação tansig, 22 interações e R² de 0,92628 no ajuste do treinamento, 0,82224 no ajuste da validação e 0,91009 no ajuste com todos os dados experimentais avaliados, resultando em um erro aproximado de 0,0168. Já para a configuração de uma única camada, com 90 neurônios, função de ativação logsig, 82 interações e R² de 0,99361 no ajuste do treinamento, 0,89527 no ajuste da validação e 0,68667 no ajuste com todos os dados experimentais avaliados, o erro aproximado foi de 0,0207. Deste modo, pode-se observar que é possível utilizar Redes Neurais Artificiais nas performances de células de energia microbiana, obtendo resultados promissores para a saída Densidade de Potência, especialmente para o tipo de rede Multilayer Perceptrons (MLPs).

MEMBROS DA BANCA:
Presidente - 1811284 - EDSON ROMANO NUCCI
Interno - 1742695 - JUAN CANELLAS BOSCH NETO
Externa ao Programa - 2029466 - ISABEL CRISTINA BRAGA RODRIGUES