Utilização de técnicas estatísticas e de aprendizado de máquina para identificação de anomalias em dados de monitoramento de barragens de rejeito de mineração.
dc.contributor.advisor | Santos, Tatiana Barreto dos | pt_BR |
dc.contributor.author | Brandão, Hugo Assis | |
dc.contributor.referee | Santos, Tatiana Barreto dos | pt_BR |
dc.contributor.referee | Santos, Allan Erlikhman Medeiros | pt_BR |
dc.contributor.referee | Marinho, Fernando Antonio Medeiros | pt_BR |
dc.date.accessioned | 2023-07-28T19:09:57Z | |
dc.date.available | 2023-07-28T19:09:57Z | |
dc.date.issued | 2023 | pt_BR |
dc.description | Programa de Pós-Graduação em Engenharia Mineral. Departamento de Engenharia de Minas, Escola de Minas, Universidade Federal de Ouro Preto. | pt_BR |
dc.description.abstract | O número de incidentes relacionados a rupturas de barragens de rejeitos de mineração tem aumentado nos últimos anos, sendo observada uma média de três incidentes mundialmente por ano. As consequências das rupturas entre 1915 e 2022 resultaram em cerca de 2.650 fatalidades e mais de 250 milhões de m3 de resíduos liberados ao meio ambiente. O plano de monitoramento auxilia a equipe responsável pela barragem no melhor entendimento de seu comportamento, sendo possível identificar comportamentos anômalos, permitindo assim uma melhor gestão do risco associado a estrutura. O plano contempla atividades relacionadas a inspeções visuais, inspeções e testes de equipamentos e monitoramento por meio de instrumentação. A instalação de instrumentos permite a medição de variáveis ambientais, tais como temperatura e nível do reservatório, e variáveis de efeito, tais como nível de água e poropressão no interior do maciço e fundação. Com base nessas variáveis é possível comparar o comportamento real da estrutura com seu comportamento esperado, sendo uma das variáveis de controle a poropressão, medida por piezômetros. A análise dos dados pode ser realizada com base em modelos determinísticos, estatísticos e preditivos. Esta dissertação apresenta um estudo onde são aplicados os modelos de regressão linear (RL) e k-nearest neighbors (KNN) para a predição de leituras em piezômetros com base na leitura anterior, uma vez que ambas guardam forte correlação. Os modelos foram calibrados e validados considerando duas diferentes proporções de treino/teste, sendo que a proporção de 80% dos dados no banco de treino e 20% no banco de teste apresentou o melhor desempenho em ambos os modelos. Os modelos calibrados com base nessa proporção apresentaram valores de R2 superiores à 0,89, RMSE de aproximadamente 0,16m e MAE de aproximadamente 0,10m. O modelo KNN com 15 vizinhos apresentou melhor desempenho, sendo obtido um R2 de 0,91 para o banco de treino e de 0,94 para o banco de teste. Foi então adotado esse modelo para o cálculo do valor predito e obtenção dos resíduos. Foram aplicadas técnicas estatísticas (análise de distribuição e análise da distância interquartil - IQR) e de aprendizado de máquina (local outlier factor - LOF) para a identificação de anomalias. A técnica LOF apresentou o melhor desempenho identificando todas as anomalias encontradas pelos outros métodos e pontos que apresentaram valores de taxa de variação superiores aos valores históricos. Dessa forma, acredita-se que as técnicas de aprendizagem de máquina possuem um grande potencial de aplicação na identificação de anomalias e podem auxiliar em uma melhor gestão de estruturas geotécnicas. | pt_BR |
dc.description.abstracten | The number of reported incidents associated with tailings dams failures has increased in the past few years. Based on recent data, at least three tailing dams could fail per year. The failures can lead to a high risk to the environment and population. It is estimated that the reported failures between 1915 and 2022 resulted in the loss of life of more than 2.650 people and more than 250 million of m3 of residue released to the environment. One way to reduce the risk associated with a tailings dam is the implementation of a monitoring program. It helps the dam owner to better understand its behavior and identify anomalous behavior that could lead to failure and catastrophic consequences. The tailing dam monitoring is executed based on field observations obtained through installed instrument at the dam site. Based on the readings, it is possible to compare the expected behavior with the real behavior of the structure. One of the possible variables that could be measured is the pore water pressure obtained through installation of piezometers. The obtained readings could be analyzed based on deterministic, statistical, and predictive models. This dissertation presents a study which applies linear regression and k-nearest neighbors (KNN) to predict future readings based on the last reading due to its correlation. The models were calibrated and validated considering a subsampling with 80% of the data to tanning and 20% of the data to testing. The calibrated models presented R2 values over than 0.89, RMSE near to 0.16 m and MAE values equal to 0.10 m. The best fitted model was KNN, considering 15 neighbors. After the prediction of pore pressure values, the residues based on the difference between the predicted and real values were calculated. They were analyzed to identify the anomalies in the data. The statistical distribution associated with a 95% interval of confidence; the inter-quartile distance local outlier factor (LOF) was applied. The LOF method presented the best results, and it was able to identify the same anomalous readings of the other methods and other observations that presented higher reading difference when compared with the historical data. | pt_BR |
dc.identifier.citation | BRANDÃO, Hugo Assis. Utilização de técnicas estatísticas e de aprendizado de máquina para identificação de anomalias em dados de monitoramento de barragens de rejeito de mineração. 2023. 116 f. Dissertação (Mestrado em Engenharia Mineral) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2023. | pt_BR |
dc.identifier.uri | http://www.repositorio.ufop.br/jspui/handle/123456789/17107 | |
dc.language.iso | pt_BR | pt_BR |
dc.rights | aberto | pt_BR |
dc.rights.license | Autorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 25/07/2023 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho, desde que sejam citados o autor e o licenciante. Não permite a adaptação. | pt_BR |
dc.rights.uri | http://creativecommons.org/licenses/by-nd/3.0/us/ | * |
dc.subject | Geotecnia | pt_BR |
dc.subject | inteligência artificial | pt_BR |
dc.subject | Barragens de rejeitos | pt_BR |
dc.subject | Piezômetro | pt_BR |
dc.subject | Barragens e açudes - segurança | pt_BR |
dc.title | Utilização de técnicas estatísticas e de aprendizado de máquina para identificação de anomalias em dados de monitoramento de barragens de rejeito de mineração. | pt_BR |
dc.type | Dissertacao | pt_BR |
Arquivos
Pacote Original
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- DISSERTAÇÃO_UtilizaçãoTécnicasEstatísticas.pdf
- Tamanho:
- 2.23 MB
- Formato:
- Adobe Portable Document Format
- Descrição:
Licença do Pacote
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- license.txt
- Tamanho:
- 1.71 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: