| 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/488GN2E | |||
| Repositório | sid.inpe.br/mtc-m21d/2022/12.21.18.47 | |||
| Última Atualização | 2022:12.21.18.47.28 (UTC) simone | |||
| Repositório de Metadados | sid.inpe.br/mtc-m21d/2022/12.21.18.47.28 | |||
| Última Atualização dos Metadados | 2022:12.22.07.24.13 (UTC) administrator | |||
| Chave Secundária | INPE--PRE/ | |||
| Chave de Citação | AlvesOSSMFSPD:2022:PrDeAt | |||
| Título | Predição de Descargas Atmosféricas em Ambiente de Mineração utilizando Métodos de Detecção de Anomalias  | |||
| Ano | 2022 | |||
| Data de Acesso | 18 maio 2024 | |||
| Tipo Secundário | PRE CN | |||
| Número de Arquivos | 1 | |||
| Tamanho | 223 KiB | |||
| 2. Contextualização | ||||
| Autor | 1 Alves, Marcos A. 2 Oliveira, Bruno Alberto Soares 3 Santos, Ana Paula P. 4 Soares, Waterson S. 5 Maia, Willian 6 Ferreira, Douglas B. S. 7 Silvestrow, Fernando P. 8 Pinto Júnior, Osmar 9 Daher, Eugenio L. | |||
| Identificador de Curriculo | 1 2 3 4 5 6 7 8 8JMKD3MGP5W/3C9JJ2E | |||
| Grupo | 1 2 3 4 5 6 7 8 DIIAV-CGCT-INPE-MCTI-GOV-BR | |||
| Afiliação | 1 Fundação para Inovações Tecnológicas (FITEC) 2 Fundação para Inovações Tecnológicas (FITEC) 3 Instituto Tecnológico do Vale (ITV) 4 Vale S.A. 5 Vale S.A. 6 Instituto Tecnológico do Vale (ITV) 7 Fundação para Inovações Tecnológicas (FITEC) 8 Instituto Nacional de Pesquisas Espaciais (INPE) 9 Fundação para Inovações Tecnológicas (FITEC) | |||
| Endereço de e-Mail do Autor | 1 marcosalves@fitec.org.br 2 brunooliveira@fitec.org.br 3 ana.santos@pq.itv.org 4 waterson.soares@vale.com 5 willian.maia@vale.com 6 douglas.silva.ferreira@pq.itv.org 7 fsilvestrow@fitec.org.br 8 osmar.pinto@inpe.br 9 edaher@fitec.org.br | |||
| Nome do Evento | Simpósio Brasileiro de Pesquisa Operacional, 54 | |||
| Localização do Evento | Juiz de Fora, MG | |||
| Data | 08-11 nov. 2022 | |||
| Título do Livro | Anais | |||
| Histórico (UTC) | 2022-12-21 18:47:28 :: simone -> administrator :: 2022-12-22 07:24:13 :: 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 | Detecção de anomalias Aprendizado de máquina Detecção de outliers Raios Descargas atmosféricas Anomaly detection. Machine learning. Outliers detection. Lightning. Atmospheric discharges | |||
| Resumo | Descargas atmosféricas são eventos raros, belos e igualmente perigosos. Por isso, prever a ocorrência antecipada de descargas permite pessoas e equipamentos tomar ações de segurança. Neste contexto, o objetivo dessa pesquisa foi propor um modelo de predição de descargas atmosféricas capaz de classificar, 15 minutos antes, a possibilidade de descarga(s) atingir uma região alvo, que corresponde a uma área de mineração. Dados de descargas atmosféricas provenientes de múltiplas fontes foram utilizados. Ocorrências na proximidade da área investigada foram utilizadas para avaliar os modelos de detecção de anomalias SVM One Class e Florestas Isoladas. O modelo gerado com Florestas Isoladas conseguiu prever, com antecedência, mais de 61% das descargas, considerando a métrica F1-score. Os resultados alcançados por esta pesquisa são promissores e fornecem tanto uma metodologia que considera padrões espaciais, quanto uma modelagem que busca por padrões espúrios nos dados. ABSTRACT: Lightning discharges are rare, mesmerizing and equally dangerous events. Due to this, early prediction of lightning allows people and companies to take safety actions. In this context, this paper aims to propose a lightning discharge model capable of classifying, 15 minutes before, the possibility of lightning striking a target place, which corresponds to a mining area. Lightning data from multiple sources were used. Occurrences in grids around the area were used to evaluate the SVM One Class and Isolation Forest outliers detection models. The model generated with Isolation Forest was able to predict, in advance, more than 61% of the discharges, considering the F1-score metric. The results achieved in this research are promising and provide both a methodology that considers spatial patterns and a modelling that looks for spurious patterns in the data. | |||
| 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/488GN2E | |||
| URL dos dados zipados | http://urlib.net/zip/8JMKD3MGP3W34T/488GN2E | |||
| Idioma | pt | |||
| Arquivo Alvo | SBPO_2022.pdf | |||
| Grupo de Usuários | 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 readergroup readpermission rightsholder schedulinginformation secondarydate secondarymark serieseditor session shorttitle sponsor subject tertiarymark tertiarytype type url volume | |||
| 7. Controle da descrição | ||||
| e-Mail (login) | simone | |||
| atualizar | ||||