dc.description.abstract |
A análise gravimétrica de Resíduos Sólidos Urbanos é uma ferramenta de gestão, que possibilita
classificar e distribuir em classificar os percentuais em massa dos constituintes de determinado
volume de resíduos distribuídos, porém a composição é uma técnica minuciosa que exige altos
custos, sejam de operação e mão de obra, além de uso de EPI´s e que se qualifica como insalubre
devido os riscos de contaminação da equipe operadora no processo de triagem. Por isso,
necessita-se desenvolver tecnologias que visem facilitar o processo da gravimetria, uma das
alternativas é a utilização de Redes Neurais Artificiais, que possibilitam simular problemáticas
do dia a dia como modelo computacional e que resultam respostas semelhantes aos ensaios
físicos feitos em larga escala. Portanto, este trabalho objetiva utilizar dos mecanismos das RNA
como ferramenta de gestão para os RSU, simulando dados de composição gravimétrica de
municípios fornecendo embasamento para previsão de composição dos RSU. No
desenvolvimento deste trabalho, foram aplicados uma metodologia que utiliza como ferramenta
base, a modelagem computacional, conhecida como Rede Neural Artificial aplicada por meio
do Software Matlab 2015a, onde foram importados dados fornecidos por instituições públicas
tais como suas respectivas composições gravimétricas de 678 municípios brasileiros,
correlacionando seus índices socioeconômicos (PIB, população, taxa de escolaridade, taxa de
empregabilidade) e climáticos (temperatura média, pluviosidade, altitude), onde foram tratados
e construído um banco de dados para a realização do treinamento das redes neurais estudadas.
Com o auxílio do tipo de rede (Bayesian Regularization), foram feitas alternações da quantidade
de neurônios na camada oculta e o tipo de função de ativação, podendo assim determinar qual
rede se adaptava melhor aos dados estudados. Após os treinamentos foi possível identificar a
melhor rede segundo análises estatísticas, e fazer comparações com os resultados obtidos pela
rede gerada e os demais dados inseridos no banco de dados inicial. E por isso, conclui-se que
ao analisar os resultados gerados pelas diversas redes, pode-se inferir que estes não conseguiram
ter grande precisão na predição dos dados de saída. |
pt_BR |