Title

MODELO DE PREDIÇÃO DESENVOLVIDO POR MÁQUINAS DE KERNEL ESPARSO APLICADAS A DADOS MINERALÓGICOS

MODEL PREDICTION DEVELOPED BY SPARSE KERNEL MACHINES APPLIED TO MINERALOGICAL DATA

Authorship

Oliveira, Alessandro Bertolani; Rauber, Thomas Walter

Oliveira, Alessandro Bertolani

I am this author

Rauber, Thomas Walter

I am this author

DOI

10.5151/2594-5335-17356

Downloads

Abstract

Este trabalho tem por objetivo pesquisar a utilização de técnicas da Inteligência Computacional no desenvolvimento de Modelos de Predição no intuito de mensurar suas aplicabilidades em um ambiente industrial. Neste contexto, tais modelos são destinados a inferência de parâmetro de qualidade do produto do processo de Pelotização da Samarco Mineração. Paralelamente, é realizada uma análise comparativa dessas técnicas com a intenção de qualificar os modelos desenvolvidos a partir dos dados mineralógicos de processo. Essas técnicas compreendem a utilização de Máquinas de Kernel Esparsas implementadas pelos algoritmos denominados de Máquina de Vetor de Suporte e Máquina de Vetor de Relevância. A análise comparativa das técnicas é estabelecida por três critérios estatísticos, a saber: Erro estimado por substituição através da raiz do erro quadrático médio (RMS), análise da variância através do coeficiente de determinação (R2) e a análise residual gráfica dos valores estimados normalizados. Esses critérios se utilizam de decisões heurísticas que são determinadas ao longo do processo de treinamento, validação e teste dos algoritmos de aprendizagem de máquina. Tais decisões consistem em manipular os graus de liberdade dos algoritmos na intenção de alcançar os valores mais otimizados possíveis em relação ao desempenho dos modelos de predição.

This study aims to investigate the use of Computational Intelligence techniques in the development of prediction models in order to measure their applicability in an industrial environment. In this context, these models are intended to infer product quality parameter of the process of Pelletizing Samarco. In parallel, we provide a comparative analysis of these techniques with the intent to qualify the models developed from the mineralogical data of the process. These techniques include the use of machines Sparse Kernel implemented by algorithms called Support Vector Machine and Relevance Vector Machine. Comparative analysis of the techniques is established by three statistical criteria, namely: Error estimate for replacement through the root mean square error (RMS), analysis of variance through the coefficient of determination (R2) and residual graphic analysis of the estimated values normalized. These criteria are used in decision heuristics that are determined during the training process, validation and testing of machine learning algorithms. Such decisions are to manipulate the degrees of freedom of the algorithms on the intention to achieve the most optimized possible values of the performance prediction models.

Keywords

SVM; RVM; Análise residual.

SVM, RVM; Residual analysis.