Artigo - Atena Editora

Artigo

Baixe agora

Livros

Previsão da temperatura interna de um forno de carvão de alvenaria utilizando rede neural artificial do tipo LSTM

Neste trabalho foi avaliada a capacidade de uma Rede Neural Artificial do tipo LSTM - Long Short Term Memory para predizer a temperatura em um forno de carvão vegetal. Este tipo de forno é amplamente usado no Brasil devido a sua facilidade de construção e pelo seu bom desempenho com um rendimento que pode chegar a 30% de carvão. A LSTM é um tipo de Rede Neural Artificial recorrente amplamente utilizada para predição de séries temporais e que têm demonstrado bons resultados. Foram testados três diferentes modelos de Redes Neurais Artificiais configurados respectivamente com os métodos da janela, memória entre lotes e LSTM’s empilhados com memória entre lotes. A métrica utilizada para avaliar os modelos foi o RMSE- Root Mean Square Error. Essa métrica verifica a distância entre os dados da série temporal original e os dados preditos pela LSTM. Ao final do trabalho foi possível verificar que a LSTM configurada com o método da janela foi a que melhor se adequou para tarefa de predizer a temperatura em um forno de carvão.
Ler mais

Previsão da temperatura interna de um forno de carvão de alvenaria utilizando rede neural artificial do tipo LSTM

  • DOI: https://doi.org/10.22533/at.ed.135162517034

  • Palavras-chave: forno de carvão, rede neural artificial, predição térmica

  • Keywords: Coal Furnace, Neural Network, Thermal Prediction

  • Abstract: In this work, the ability of a Long Short-Term Memory (LSTM) Artificial Neural Network was evaluated for predicting the temperature in a charcoal furnace. This type of furnace is widely used in Brazil due to its ease of construction and its good performance, with a yield that can reach up to 30% of charcoal. LSTM is a type of recurrent artificial neural network widely used for time series prediction and has demonstrated good results. Three different Artificial Neural Network models were tested, configured respectively with the window method, batch memory, and stacked LSTM with batch memory. The metric used to evaluate the models was the RMSE (Root Mean Square Error). This metric measures the distance between the data from the original time series and the data predicted by the LSTM. In the end, it was possible to verify that the LSTM configured with the window method was the one that best suited the task of predicting the temperature in a charcoal furnace.

  • Rogerio Santos Maciel
  • Theles de Oliveira Costa
  • Fernando Colen
  • Nilton Alves Maia
  • Sidney Pereira
  • Edy Eime Pereira Barauna
  • Talita Baldin
  • Luiz Henrique de Souza
Fale conosco Whatsapp