Use este identificador para citar ou linkar para este item:
http://repositorio.ufc.br/handle/riufc/75232| Tipo: | Dissertação |
| Título: | Prediction of the surface tension of hydrocarbons with regressors based on machine learning techniques |
| Autor(es): | Fonseca Cala, Paula Jimena |
| Orientador: | Paula, Amauri Jardim de |
| Coorientador: | Almeida, James Moraes de |
| Palavras-chave em português: | Tensão superficial;Hidrocarbonetos;Machine Learning |
| CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::FISICA::FISICA DA MATERIA CONDENSADA |
| Data do documento: | 2023 |
| Citação: | FONSECA CALA, P. J. Prediction of the surface tension of hydrocarbons with regressors based on machine learning techniques. 2023. 65 f. Dissertação (Mestrado em Física) – Centro de Ciências, Universidade Federal do Ceará, Fortaleza, 2023. |
| Resumo: | A tensão superficial é um parâmetro crítico na indústria petroquímica. Desempenha um papel fundamental na concepção e otimização de diversos processos relacionados à produção, transporte e refino de hidrocarbonetos. A importância da tensão superficial reside na sua capacidade de influenciar o comportamento dos líquidos durante esses processos, afetando fatores como vazão, eficiência de separação e estabilidade das emulsões. Nos últimos anos, as técnicas de aprendizado de máquina (ML) têm se mostrado promissoras na previsão das propriedades físicas e químicas dos hidrocarbonetos. Estas técnicas oferecem uma abordagem baseada em dados para a compreensão de sistemas complexos e têm o potencial de melhorar significativamente a eficiência e a precisão das previsões relacionadas com as propriedades dos hidrocarbonetos. Neste estudo, comparamos vários algoritmos de aprendizado de máquina, incluindo K-Nearest Neighbours (KNN), Random Forest (RF) e XGBoost (XGB), para determinar sua eficácia na previsão da tensão superficial de hidrocarbonetos. Esses algoritmos foram escolhidos devido à sua popularidade e eficácia comprovada em diversas aplicações. Os resultados do nosso estudo indicam que o XGBoost exibiu o melhor desempenho na previsão da tensão superficial de hidrocarbonetos, com um erro quadrático médio (MSE) de 4,65 e uma pontuação R² de 0,88. A pontuação R², também conhecida como coeficiente de determinação, é uma medida estatística que representa a proporção da variância de uma variável dependente que é explicada por uma variável ou variáveis independentes em um modelo de regressão. Uma pontuação R² de 0,88 indica um alto nível de precisão nas previsões feitas pelo modelo XGBoost. Este estudo fornece evidências promissoras de que técnicas de aprendizado de máquina podem ser aplicadas de forma eficaz para prever a tensão superficial de hidrocarbonetos. A aplicação bem sucedida destas técnicas poderá levar a melhorias significativas na eficiência e precisão dos processos na indústria petroquímica. |
| Abstract: | Surface tension is a critical parameter in the petrochemical industry. It plays a key role in designing and optimizing various processes related to the production, transportation, and refining of hydrocarbons. The importance of surface tension lies in its ability to influence the behavior of liquids during these processes, affecting factors such as flow rate, separation efficiency, and the stability of emulsions. In recent years, machine learning (ML) techniques have shown promise in predicting the physical and chemical properties of hydrocarbons. These techniques offer a data-driven approach to understanding complex systems, and they have the potential to significantly improve the efficiency and accuracy of predictions related to hydrocarbon properties. In this study, we compared various machine learning algorithms, including K-Nearest Neighbors (KNN), Random Forest (RF), and XGBoost (XGB), to determine their effectiveness in predicting the surface tension of hydrocarbons. These algorithms were chosen due to their popularity and proven effectiveness in a variety of applications. The results of our study indicate that XGBoost exhibited the best performance in predicting the surface tension of hydrocarbons, with a mean squared error (MSE) of 4.65 and an R² score of 0.88. The R² score, also known as the coefficient of determination, is a statistical measure that represents the proportion of the variance for a dependent variable that’s explained by an independent variable or variables in a regression model. An R² score of 0.88 indicates a high level of accuracy in the predictions made by the XGBoost model. This study provides promising evidence that machine learning techniques can be effectively applied to predict the surface tension of hydrocarbons. The successful application of these techniques could lead to significant improvements in the efficiency and accuracy of processes in the petrochemical industry. |
| URI: | http://repositorio.ufc.br/handle/riufc/75232 |
| Tipo de Acesso: | Acesso Aberto |
| Aparece nas coleções: | DFI - Dissertações defendidas na UFC |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| 2023_dis_pjfonsecacala.pdf | 2,39 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.