1. Identificação | |
Tipo de Referência | Artigo em Evento (Conference Proceedings) |
Site | mtc-m21d.sid.inpe.br |
Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S |
Identificador | 8JMKD3MGP3W34T/488GM2P |
Repositório | sid.inpe.br/mtc-m21d/2022/12.21.18.35 |
Última Atualização | 2022:12.21.18.35.38 (UTC) simone |
Repositório de Metadados | sid.inpe.br/mtc-m21d/2022/12.21.18.35.38 |
Última Atualização dos Metadados | 2022:12.22.07.24.12 (UTC) administrator |
Chave Secundária | INPE--PRE/ |
Chave de Citação | AlvesOSRDMSSFP:2022:PrDeAt |
Título | Predição de descargas atmosféricas utilizando Machine Learning para prevenção de acidentes |
Ano | 2022 |
Data de Acesso | 18 maio 2024 |
Tipo Secundário | PRE CN |
Número de Arquivos | 1 |
Tamanho | 610 KiB |
|
2. Contextualização | |
Autor | 1 Alves, Marcos A. 2 Oliveira, Bruno A. S. 3 Silvestrow, Fernando P. 4 Rodrigues, Luiz F. M. 5 Daher, Eugenio L. 6 Maia, Willian 7 Soares, Waterson S. 8 Santos, Ana Paula P. 9 Ferreira, Douglas B. S. 10 Pinto Júnior, Osmar |
Identificador de Curriculo | 1 2 3 4 5 6 7 8 9 10 8JMKD3MGP5W/3C9JJ2E |
Grupo | 1 2 3 4 5 6 7 8 9 10 DIIAV-CGCT-INPE-MCTI-GOV-BR |
Afiliação | 1 Fundação para Inovações Tecnológicas (FITEC) 2 Fundação para Inovações Tecnológicas (FITEC) 3 Fundação para Inovações Tecnológicas (FITEC) 4 Fundação para Inovações Tecnológicas (FITEC) 5 Fundação para Inovações Tecnológicas (FITEC) 6 Vale S.A. 7 Vale S.A. 8 Instituto Tecnológico do Vale (ITV) 9 Instituto Tecnológico do Vale (ITV) 10 Instituto Nacional de Pesquisas Espaciais (INPE) |
Endereço de e-Mail do Autor | 1 marcosalves@fitec.org.br 2 brunooliveira@fitec.org.br 3 fsilvestrow@fitec.org.br 4 lfrodrigues@fitec.org.br 5 edaher@fitec.org.br 6 willian.maia@vale.com 7 waterson.soares@vale.com 8 ana.santos@pq.itv.org 9 douglas.silva.ferreira@pq.itv.org 10 osmar.pinto@inpe.br |
Nome do Evento | Simpósio Brasileiro de Sistemas Elétricos, 9 |
Localização do Evento | Santa Maria, RS |
Data | 10-13 jul. 2022 |
Título do Livro | Anais |
Histórico (UTC) | 2022-12-21 18:37:22 :: simone -> administrator :: 2022 2022-12-22 07:24:12 :: administrator -> simone :: 2022 |
|
3. Conteúdo e estrutura | |
É a matriz ou uma cópia? | é a matriz |
Estágio do Conteúdo | concluido |
Transferível | 1 |
Tipo do Conteúdo | External Contribution |
Tipo de Versão | publisher |
Palavras-Chave | Atmospheric discharges Storms Lightning warning Machine learning Mining Clustering Classification Safety engineering Descargas atmosféricas Tempestades Alertas de raios Aprendizado de máquina Mineração Clusterização Classificação Engenharia de segurança |
Resumo | The occurrence of atmospheric discharges poses risks to the the company operations and workers in open-air activities. Due to this, this paper aimed to cluster lightning data, simulating realtime monitoring of storms for three different target regions. In addition, storms information were used to predict, 15-minutes earlier, the probability of a lightning strikes these areas. Using a multi-source database from ELAT/INPE, different clusterization methods were evaluated in terms of the Calinski Harabasz, Davies Bouldin and Silhouette metrics. Overall, the best one was the MeanShift which cluster the data in 3-5 storms. Number of storms, density and distance were used into a classification machine learning model to generate warning alerts. The Extreme Gradient Boosting and Support Vector Machines achieved the best results in terms of precision and recall, important metrics to evaluate true and false alerts in this context. Both the false alerts, which implies in inactivity of operations and failure rate were equal to or lower than 40%. RESUMO: A ocorrência de descargas atmosféericas gera riscos às operações e aos profissionais que atuam a céu aberto. Por isso, este trabalho simulou o monitoramento em tempo real de três regiões, utilizando informações das tempestades para prever, 15 minutos antes, a probabilidade de uma descarga atingir os alvos. Utilizando uma base de múltiplas fontes do ELAT/INPE, diferentes métodos de agrupamento foram avaliados observando as métricas Calinski Harabasz, Davies Bouldin e Silhueta. O melhor, no geral, foi o MeanShift que agrupou as descargas em 3 − 5 tempestades. O número de tempestades, intensidade e distância foram utilizados para construir um modelo de classificação para gerar alertas de advertência. Extreme Gradient Boosting e Máquinas de Vetores de Suporte apresentaram melhores resultados em precisão e revocação. Tanto a taxa de falsos alertas que implica na inatividade de operações, quanto a de falhas que indica a ausência de um alertas preventivos foram iguais ou inferiores a 40%. |
Área | CST |
Arranjo | urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGCT > Predição de descargas... |
Conteúdo da Pasta doc | acessar |
Conteúdo da Pasta source | não têm arquivos |
Conteúdo da Pasta agreement | |
|
4. Condições de acesso e uso | |
URL dos dados | http://urlib.net/ibi/8JMKD3MGP3W34T/488GM2P |
URL dos dados zipados | http://urlib.net/zip/8JMKD3MGP3W34T/488GM2P |
Idioma | pt |
Arquivo Alvo | SBSE_2022_Cluster.pdf |
Grupo de Usuários | simone |
Grupo de Leitores | administrator simone |
Visibilidade | shown |
Permissão de Atualização | não transferida |
|
5. Fontes relacionadas | |
Repositório Espelho | urlib.net/www/2021/06.04.03.40.25 |
Unidades Imediatamente Superiores | 8JMKD3MGPCW/46KUATE |
Lista de Itens Citando | sid.inpe.br/mtc-m21/2012/07.13.14.57.30 2 |
Acervo Hospedeiro | urlib.net/www/2021/06.04.03.40 |
|
6. Notas | |
Campos Vazios | archivingpolicy archivist callnumber copyholder copyright creatorhistory descriptionlevel dissemination doi e-mailaddress edition editor format isbn issn label lineage mark nextedition notes numberofvolumes orcid organization pages parameterlist parentrepositories previousedition previouslowerunit progress project publisher publisheraddress readpermission rightsholder schedulinginformation secondarydate secondarymark serieseditor session shorttitle sponsor subject tertiarymark tertiarytype type url volume |
|
7. Controle da descrição | |
e-Mail (login) | simone |
atualizar | |
|