Classificação do tipo de pirólise da biomassa
através do algoritmo floresta aleatória
DOI:
https://doi.org/10.5540/03.2025.011.01.0362Keywords:
Biomassa, Programa R, Floresta Aleatória, Aprendizado de MáquinaAbstract
Este estudo aborda um problema de classificação do tipo de pirólise de biomassa. Tem como objetivo identificar as variáveis mais relevantes para a classificação do tipo de pirólise de biomassa, especificamente, para o reator do tipo Contínuo. Para isto, o algoritmo de Floresta Aleatória foi aplicado, obtendo uma exatidão em torno de 98%, indicando a capacidade em realizar previsões exatas. As variáveis de mais relevância foram obtidas utilizando os métodos de permutação e índice de Gini. As variáveis mais relevantes, dentre as doze analisadas, foram: Porcentagem de cinzas em base seca da matéria-prima, Porcentagem de carbono em base seca livre de cinza na matéria-prima e Porcentagem de oxigênio em base seca livre de cinza na matéria-prima.
Downloads
References
M. J. Barbosa, T. G. S. Carneiro e A. I. Tavares. “Métodos de Classificação por Árvores de Decisão Disciplina de Projeto e Análise de Algoritmos”. Em: UFOP–Universidade Federal de Ouro Preto Ouro Preto, Minas Gerais–MG (2012).
L. Breiman. “Random forests”. Em: Machine learning 45.1 (2001), pp. 5–32.
X. Chen e H. Ishwaran. “Random forests for genomic data analysis”. Em: Genomics 99.6 (2012), pp. 323–329. doi:10.1016/j.ygeno.2012.04.003.
F. B. DE SANTANA. “Floresta aleatória para desenvolvimento de modelos multivariados de classificação e regressão em química analítica”. Tese de doutorado. IQ/UNICAMP, 2020.
R. E. Guedes, A. S Luna e A. R. Torres. “Operating parameters for bio-oil production in biomass pyrolysis: A review”. Em: Journal of analytical and applied pyrolysis 129 (2018), pp. 134–149. doi:10.1016/S0165-2370(96)00956-4.
G. James, D. Witten, T. Hastie e R. Tibshirani. An introduction to statistical learning. Vol. 112. Springer, 2013. isbn:978-1-4614-7137-0.
A. C. Lorena e A. C. P. L. F. de Carvalho. Introduçao aos Classificadores de Margens Largas. 2003.
H. Merdun. “Modeling of pyrolysis product yields by artificial neural networks”. Em: International Journal of Renewable Energy Research (IJRER) 8.2 (2018), pp. 1178–1188. issn:1309-0127.
A. L. S. Moscato. “Análise exergética de uma caldeira de biomassa utilizando redes neurais artificiais”. Tese de doutorado. FEB/UNESP, 2019.
S. R. de Oliveira de Souza. “Métodos de inteligência artificial aplicados em dados de biomassa para a caracterização dos diferentes tipos de pirólise”. Dissertação de mestrado. IME/UERJ, 2023.
S. R. de Oliveira de Souza, V. L. Xavier, R. R. Guedes, A. R. Torres, A. S. Luna e M. M. Provenza. “Avaliação de métodos de agrupamentos em dados de biomassa considerando os diferentes tipos de pirólise”. Em: Revista Internacional de Ciências 13.2 (2023), pp. 124–139. doi:10.12957/ric.2023.78860.
R Core Team. R Core Team R. R: A Language and Environment for Statistical Computing R Foundation for Statistical Computing, Vienna, Austria. 2016.
G. E. G. Vieira, A. P. Nunes, L. F. Teixeira e A. G. N. Colen. “Biomassa: uma visão dos processos de pirólise”. Em: Revista Liberato 15.24 (2014), pp. 167–178. issn:2178-8820.
