Académique Documents
Professionnel Documents
Culture Documents
Abstract This work presents the mathematical modeling A rede neural artificial tem características de uma rede
of particle removal in optimization of the manegement of do tipo Perceptron Multicamadas (MLP – Multi Layers
water treatment plant, through the development of an Perceptron), programada na linguagem do software Matlab.
artificial neural network. The artificial neural network (Ann) As redes neurais artificiais têm sua concepção
of type Multilayer Perceptron (MLP-Multi Layer computacional inspirada nos sistemas nervosos biológicos.
Perceptron) was programmed in the language of Os neurônios são as chamadas unidades fundamentais nas
mathematical software MatLab. The RNA was trained with Redes Neurais Artificiais (RNA).
experimental data obteined from the filtration in installation Nos sistemas biológicos, os neurônios estão presentes
of double filtration runs on a pilot scale. Later, the data nos tecidos nervosos, incluindo o cérebro. A RNA é uma
were used in a drink water conventional treatment plant in rede computacional inspirada em uma rede neural biológica,
the city of Umuarama-PR. During the training was analyzed o cérebro, este por sua vez é um sistema complexo, não
the behavior of the RNA depending on the amount of linear e paralelo. Ele é altamente capaz de receber dados,
neurons and in relation to the activation function, making processar, organizar e relacionar os mesmos, além de
changes in your search optimization. The results obtained realizar um processo de aprendizagem através de ações
were satisfactory, with coefficients of determination (R²) rotineiras executadas. Estas características são imitadas por
between 93 and 99%, using eight, twenty-five and fifty técnicas computacionais a fim de encontrar resultados mais
intermediate layer neurons, with the RNA working activation precisos. Definindo basicamente uma rede neural:
functions, tangent linear and logarithmic sigmoidal. Uma rede neural é um processador robusto que
funciona com distribuição paralela e é constituído de
Index Terms RNA, direct filtration, doble filtration, MLP, unidades de processamento simples, cuja função precípua é a
particle removal. de armazenar um histórico na forma de experimentação ou
aprendizagem para posteriormente torná-lo disponível em
INTRODUÇÃO decisões futuras.
Considerando um sistema biológico o neurônio é uma
A água constitui fonte de valor econômico essencial célula fundamental da rede neural, nele está contido o núcleo
para a manutenção da existência humana, e durante anos chamado também de soma, os dendritos que são filamentos
ponderou-se que a escassez da água potável era impossível. que se conectam a outras células e um filamento mais longo
Água potável é um direito fundamental de todo cidadão, chamado axônio que simplesmente faz uma conexão mais
logo a preocupação com a boa distribuição e excelente longa, o conjunto dessas conexões é chamado de sinapses.
qualidade é grande e essencial. A busca por melhoramentos A rede funciona a partir das sinapses que liberam
no processo de tratamento da água é fundamental para a substâncias químicas transmissoras para os dendritos onde
otimização do processo reduzindo custos e desperdícios, ocorrem os pulsos elétricos, chamados potenciais de ação,
além de contribuir para uma melhor qualidade do produto. que vão para os axônios.
O foco do trabalho consiste na criação de uma rede As Redes Neurais Artificiais (RNA) são sistemas
neural artificial para a modelação matemática do processo de paralelos distribuídos compostos por unidades de
filtração direta ascendente. processamento simples, os chamados neurônios, que
realizam operações matemáticas lineares ou não lineares. Na
maioria dos modelos matemáticos que utilizam RNAs, estes
1
Alexandre Botari, Professor Adjunto do Departamento de Tecnologia DTC da Universidade Estadual de Maringá Campus Umuarama, Av. Ângelo Moreira
da Fonseca, 1800 Bairro: Zona VII CEP: 87506-370 Umuarama-PR Fone/fax (44)-36219314, abotari@uem.br
2
Renan Jeferson Paneco, Aluno do curso de Engenharia Civil da Universidade Estadual de Maringá – Campus Umuarama, Av. Ângelo Moreira da Fonseca,
1800 Bairro: Zona VII CEP: 87506-370 Umuarama-PR Fone/fax (44)-36219314, renanpaneco@hotmail.com
3
Janaina Conversani Botari, Professora Me. do Departamento de Tecnologia DTC da Universidade Estadual de Maringá Campus Umuarama, Av. Ângelo
Moreira da Fonseca, 1800 Bairro: Zona VII CEP: 87506-370 Umuarama-PR Fone/fax (44)-36219314, jcbotari2@uem.br
DOI 10.14684/INTERTECH.24.2016.284-288
© 2016 COPEC February 28 – March 02, 2016, Salvador, BRAZIL
XIV International Conference on Engineering and Technology Education
284
neurônios estão associados unidirecionalmente através de camada única; redes alimentadas diretamente com múltiplas
conexões associadas a pesos, os quais armazenam o camadas; redes recorrentes.
conhecimento por meio do modelo e ponderam a entrada As redes com uma única camada, os neurônios estão
recebida em cada neurônio organizados em forma de camadas no qual apresenta apenas
As redes neurais artificiais funcionam basicamente da uma camada, já nas redes com múltiplas camadas encontra-
mesma forma, tem como componente principal os neurônios se mais camadas interligadas entre si, na Figura 3 está
que são conectados por links ou conexões sinápticos onde representada uma rede do tipo múltiplas camadas. As redes
cada um deles tem quantidades associadas denominadas recorrentes são diferentes das demais por ter um laço de
pesos sinápticos. realimentação, os neurônios enviam se sinal de saída para a
A estrutura e os componentes de um neurônio estão entrada de outros neurônios.
representados na Figura 1: Os algoritmos de aprendizagem, de acordo com [1], é
um conjunto preestabelecido de regras bem definidas para a
Função de
ativação solução de um problema de aprendizagem é denominado um
X1 W1 algoritmo de aprendizagem.
u Não há apenas um único algoritmo de aprendizagem,
X2 W2 ∑ φ (.) y
Sinais existem vários algoritmos formulados de forma específica
de Saída
entrada
para os mais variados trabalhos.
Somatório
Uma rede neural que não deixa de ser uma inteligência
artificial tem três características ou mesmo funções básicas,
Xp Wp
ө são elas representação, raciocínio e aprendizagem. A RNA
pesos Limiar
sinápticos
deve colher informações, armazena-las, associá-las com o
intuito de resolver problemas e aprender de acordo com o
FIGURA 1 treinamento.
MODELO NÃO LINEAR DE UM NEURÔNIO
-1 -1 -1
A aprendizagem acontece de acordo com a formação
do algoritmo de aprendizagem que executa basicamente três
a=purelin(n) a=logsig(n) a=tansig(n) tarefas: apresenta os estímulos esternos a rede; muda os
pesos como resultados dos estímulos (estas mudanças
(a) (b) (c) acontecem de acordo com a regra de aprendizado); avalia a
resposta da rede de acordo com as mudanças. O processo de
FIGURA 2 aprendizagem da RNA pode ser divido em três subconjuntos
FUNÇÕES DE ATIVAÇÃO que são treinamento, teste e validação, o treinamento está na
parte mais importante da construção da RNA, nele estão os
Pode-se identificar cada função na Figura 2 como: (a) dados que atualizam os pesos e deve ser capaz de cobriras
função Linear, (b) função Log-sigmoidal e (c) Tangente possíveis variações do problema, esta tarefa de corrigir os
hiperbólica sigmoidal. pesos acontecem em ciclos que são chamados de épocas. Os
As redes neurais são estruturadas de acordo com o outros conjuntos se encarregam com a verificação da
número de neurônios que estão interligados com o algoritmo aprendizagem da rede. [2]
de aprendizagem, estas estruturas ou arquiteturas de redes A normalização dos dados deve ser feito dentro de um
podem ser classificadas em: redes alimentadas adiante com intervalo para que não haja dispersão ou sobreposição, este
RESULTADOS
Os resultados obtidos através do treinamento com 8
neurônios e uma função de ativação tagsig são satisfatórios
Os valores da rede se ajustam aos valores
experimentais, mantendo praticamente a mesma rotina,
quanto melhor a correlação entre os valores obtidos, mais
perto do valor unitário será o R², caracterizando um
excelente desempenho da RNA.
O coeficiente R² é um coeficiente de determinação, um
indicador do grau de correspondência entre os valores
estimados e os dados experimentais. Quanto mais próximo
do valor unitário for R², mais confiável será a regressão ou
linha de tendência. [4]
A Tabela 1 apresenta os valores de R² do treinamento
da RNA. O erro de determinação do objetivo absoluto foi
programado para 3.6 x 10-5, em 50% dos treinamentos a
FIGURA 4
DESENHO ESQUEMÁTICO DO FILTRO ASCENDENTE DE DUPLA FILTRAÇÃO RNA alcançou o objetivo determinado.
FONTE: [3][4]
TABLELA 1
A Figura 13 representa um filtro ascendente, composto COEFICIENTES DE DETERMINAÇÃO R² NO TREINAMENTO COM A FILTRAÇÃO
por pontos de coleta de amostras denominadas por Cn, no ASCENDENTE DA FIGURA 4
0.7
0.5
-2 0.5 0.6 0.7 0.8 0.9 1
10
Target
FIGURA 7
GENERALIZAÇÃO DA REDE (BKP)
-4
10 Training: R=0.99754
1
Data
0.95 Fit
-6
Y=T
10
Output ~= 0.99*Target + 0.0044 0.9
0.85
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
200000 Epochs x 10
5
0.8
FIGURA 5
0.75
TREINAMENTO DA REDE (BKP)
0.7
0.65
Training: R=0.98207
1
0.6
Data
0.95 Fit
0.55
Y=T
0.9 0.5
0.5 0.6 0.7 0.8 0.9 1
Output ~= 0.95*Target + 0.036
0.85 Target
FIGURA 8
0.8 GENERALIZAÇÃO DA REDE (BKP)
Training: R=0.9974
0.75 1
Data
0.7 0.95 Fit
Y=T
0.65 0.9
Output ~= 0.99*Target + 0.0068
0.6 0.85
0.55 0.8
0.5 0.75
0.5 0.6 0.7 0.8 0.9 1
Target 0.7
0.65
FIGURA 6
GENERALIZAÇÃO DA REDE (BKP) NO INICIO DO TREINAMENTO 0.6
0.55
0.55 0.6 0.65 0.7 0.75 0.8 0.85 0.9 0.95 1
Target
FIGURA 9
GENERALIZAÇÃO DA REDE (BKP)
0.9
10-7, em 50% dos treinamentos a RNA alcançou o objetivo
0.85
determinado.
0.8
TABLELA 2
COEFICIENTES DE DETERMINAÇÃO R²
Figura R² (%)
0.75
6 98,21
7 98,51
0.7 8 99,75
9 99,74
10 98,17
0.65
11 99,53
Média 98,99
0.65 0.7 0.75 0.8 0.85 0.9 0.95 1
Target Na tabela entre Figuras e seus respectivos R², é
feita a média entre eles, porém nesta média não está
FIGURA 10 relacionada a Figura 6 por estar muito abaixo da média.
GENERALIZAÇÃO DA REDE (BKP)