Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/343506
Type: DISSERTAÇÃO DIGITAL
Degree Level: Mestrado
Title: Usando aprendizado de máquina para prever extravasão em elevatórias de esgoto
Title Alternative: Using machine learning to predict sewage overflow in lift stations
Author: Scachetti, Heber Augusto, 1981-
Advisor: Araújo, Guido Costa Souza de, 1962-
Abstract: Resumo: As elevatórias de esgoto são elementos responsáveis pelo transporte do esgoto até as estações de tratamento através de uma ou mais bombas que são acionadas por um controlador. O controlador das bombas da elevatória de esgoto utiliza-se da informação de nível de esgoto presente no poço de sucção para decidir entre ligar e desligar as bombas. Quando o esgoto não é bombeado corretamente, o nível de esgoto se eleva até provocar a extravasão. O evento de extravasão nada mais é do que um vazamento de esgoto, o que pode significar a ocorrência de desastres ecológicos e sérios prejuízos financeiros à empresa responsável pela manutenção e operação das elevatórias de esgoto. Este trabalho de mestrado apresenta um estudo de trinta elevatórias de esgoto monitoradas pelo sistema de supervisão da DVME (Divisão de Macro Operação de Esgoto) na empresa COPASA de Minas Gerais. Até onde é de nosso conhecimento, esta dissertação propõe a primeira solução, baseada em Modelos de Aprendizado de Máquina, para previsão de extravasão em estações elevatórias de esgoto. Os modelos de aprendizado de máquinas aplicadas neste trabalho são baseados em redes neurais recorrentes do tipo LSTM (Long Short Term Memory ou, em português, Memória de Longo e Curto Prazo), redes neurais do tipo CNN (Convolutional Neural Network ou, em português, rede neural convolucional) e redes neurais ConvLSTM (LSTM com transformações baseadas em convolução). Para o cenário avaliado neste trabalho, o modelo ConvLSTM conseguiu prever com 95% de acurácia a ocorrência de extravasão de esgoto na estação dentro da próxima 1 hora

Abstract: Lift stations are elements responsible for transporting sewage to treatment plants through one or more pumps that are driven by a controller. The sewage pump controller uses the sewage level information in the suction well to decide between turning the pumps on and off. When the sewage is not pumped correctly, the sewage level rises until it overflows. The overflow event is nothing more than a sewage leak, which can mean the occurrence of ecological disasters and serious financial losses to the company responsible for the maintenance and operation of the sewage pumping stations. This work presents a study of thirty sewage lift stations monitored by the supervision system of the DVME (Macro Sewage Operation Division) at the COPASA company in Minas Gerais. As far as we know, this dissertation proposes the first solution, based on Machine Learning Models, to predict leakage in sewage pumping stations. The machine learning models applied in this work are based on recurrent neural networks of the type LSTM (Long Short Term Memory), neural networks of the type CNN (Convolutional Neural Network) and ConvLSTM neural networks (LSTM with convolution-based transformations). For the scenario evaluated in this work, the ConvLSTM model was able to predict with 95% accuracy the occurrence of sewage overflow at the station within the next 1 hour
Subject: Aprendizado de máquina
Extravasão de esgoto
Redes neurais recorrentes
Elevatória de esgoto
Bombeamento de esgoto
Language: Português
Editor: [s.n.]
Citation: SCACHETTI, Heber Augusto. Usando aprendizado de máquina para prever extravasão em elevatórias de esgoto. 2020. 1 recurso online (157 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP. Disponível em: http://www.repositorio.unicamp.br/handle/REPOSIP/343506. Acesso em: 22 Jun. 2020.
Date Issue: 2020
Appears in Collections:IC - Tese e Dissertação

Files in This Item:
File SizeFormat 
Scachetti_HeberAugusto_M.pdf5.63 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.