BAYESIAN REGULARIZERS OF ARTIFICIAL NEURAL NETWORKS APPLIED TO THE RELIABILITY FORECAST OF INTERNAL COMBUSTION MACHINES IN THE SHORT-TERM
| dc.contributor.advisor | LEITE, Jandecy Cabral | |
| dc.creator | SILVA, Ítalo Rodrigo Soares; NASCIMENTO, Manoel Henrique Reis; FONSECA JÚNIOR, Milton; PARENTE, Ricardo Silva; SIQUEIRA JÚNIOR, Paulo Oliveira; | |
| dc.date.accessioned | 2025-01-31T19:33:15Z | |
| dc.date.issued | 2021 | |
| dc.description.abstract | This work proposes a computational model to predict the Reliability Key Performance Indicator (KPI) to identify how available equipment will be in a time span of 22 days. The methodology to be used will be based on analyzes and tests of artificial neural network (ANN) architectures using the Bayesian Regularizers training algorithm, alternating the transfer functions in the hidden layers to find the best state of convergence and the minimum Root Mean Square Error (RMSE) value calculated between the real and simulated outputs. According to the results obtained by the training, validation and test steps, the algorithm presented a RMSE rate of 0.0000104202 and a 99.9% correlation between the real and simulated values, thus the model is able to identify which machine will have the greatest efficiency and less efficiency within the defined time span. | |
| dc.description.resumo | O trabalho propõe um modelo computacional para prever o Indicador-Chave de Desempenho (KPI) de Confiabilidade, com o objetivo de identificar a disponibilidade de equipamentos em um período de 22 dias. A metodologia utilizada baseia-se em análises e testes de arquiteturas de redes neurais artificiais (RNA) usando o algoritmo de treinamento Bayesian Regularizers, alternando as funções de transferência nas camadas ocultas para encontrar o melhor estado de convergência e o valor mínimo do Erro Quadrático Médio (RMSE) calculado entre as saídas reais e simuladas. De acordo com os resultados obtidos nas etapas de treinamento, validação e teste, o algoritmo apresentou uma taxa de RMSE de 0,0000104202 e uma correlação de 99,9% entre os valores reais e simulados, demonstrando que o modelo é capaz de identificar qual máquina terá a maior e a menor eficiência dentro do período de tempo definido. | |
| dc.description.sponsorship | Não se aplica | |
| dc.format | pdf. | |
| dc.identifier.citation | SILVA, Ítalo Rodrigo Soares; NASCIMENTO, Manoel Henrique Reis; FONSECA JÚNIOR, Milton; PARENTE, Ricardo Silva; SIQUEIRA JÚNIOR, Paulo Oliveira; LEITE, Jandecy Cabral. Bayesian regularizers of artificial neural networks applied to the reliability forecast of internal combustion machines in the short-term. International Journal for Innovation Education and Research, v. 9, n. 5, p. 460-477, 2021. | |
| dc.identifier.uri | https://rigalileo.itegam.org.br/handle/123456789/274 | |
| dc.language | pt | |
| dc.publisher | Instituto de Tecnologia e Educação Galileo da Amazônia | |
| dc.publisher.country | Brasil | |
| dc.publisher.department | Pro-Reitoria de Pesquisa, Pós-graduação e Extensão | |
| dc.publisher.initials | ITEGAM | |
| dc.publisher.program | Programa de Pós-Graduação em Engenharia, Gestão de Processos, Sistemas e Ambiental | |
| dc.relation.uri | https://scholarsjournal.net/index.php/ijier/article/view/3111 | |
| dc.subject | Reliability | |
| dc.subject | RNA | |
| dc.subject | Bayesian Regularizers | |
| dc.subject | UTE | |
| dc.subject.cnpq | Engenharia Elétrica | |
| dc.title | BAYESIAN REGULARIZERS OF ARTIFICIAL NEURAL NETWORKS APPLIED TO THE RELIABILITY FORECAST OF INTERNAL COMBUSTION MACHINES IN THE SHORT-TERM | |
| dc.type | Artigo |
Arquivos
Pacote original
1 - 1 de 1