Please use this identifier to cite or link to this item: https://hdl.handle.net/1822/83937

Full metadata record
DC FieldValueLanguage
dc.contributor.advisorNovais, Paulopor
dc.contributor.authorSilva, Diogo Filipe Gigante dapor
dc.date.accessioned2023-04-13T18:28:21Z-
dc.date.available2023-04-13T18:28:21Z-
dc.date.issued2022-11-28-
dc.date.submitted2022-06-
dc.identifier.urihttps://hdl.handle.net/1822/83937-
dc.descriptionDissertação de mestrado em Engenharia Informáticapor
dc.description.abstractA iminente escassez de recursos naturais e o constante aumento populacional tem assolado o presente século. Tal crescente habitacional contribui para uma concentração nos grandes centros urbanos e, consequentemente, um maior nível de poluição quer em contextos habitacionais como industriais. Nesta vertente, as Estações de Tratamento de Águas Residuais, desempenham um papel crucial no controlo do nível de qualidade da água que é reutilizada ou descarregada para o exterior. Estas instalações recebem ininterruptamente cargas de afluentes extremamente poluentes que são provenientes da rede pública de esgotos e que carecem de um tratamento faseado para a purificação das mesmas. Porém, para garantir a qualidade da água que é reaproveitada ou devolvida ao meio ambiente, é necessária monitorização contínua destas estações de forma a permitir o processo de tomada de decisão. Posto isto, esta dissertação visa implementar modelos de Machine Learning com o intuito de detetar possíveis anomalias nas substâncias presentes no efluente destas infraestruturas. Assim sendo, são aplicados modelos como Isolation Forest (IF), One Class Support Vector Machine (OCSVM) e Long Short-Term Memory Autoencoder (LSTM-AE) para identificar os registos do Azoto Total, Nitratos e pH que possam ser anómalos. No caso em específico das LSTM-AE, são considerados três thresholds para classificar os registos, dos quais, dois utilizam valores estáticos e um consiste em valores dinâmicos. De entre os melhores modelos candidatos, no global, os modelos de IF e OCSVM alcançaram resultados superiores aos modelos baseados em LSTM-AE. No que diz respeito aos thresholds, as abordagens com valores estáticas de forma geral, atingiram resultados ligeiramente superiores. Em suma, os vários cenários aplicados permitiram concluir que os modelos concebidos conseguiram detetar as várias anomalias presentes nas substâncias referidas.por
dc.description.abstractThe imminent scarcity of natural resources and the constant population increase have plagued the present century. Such populational growth contributes to a concentration in large urban centres and, consequently, a higher pollution level in housing and industrial contexts. In this regard, the Wastewater Treatment Plants play a crucial role in controlling the water quality that is reused or discharged abroad. These installations receive uninterrupted loads of extremely polluting affluents from the public sewage system that need a phased treatment to purify them. However, to guarantee the quality of the water reused or discharged into the environment, continuous monitoring of these facilities is necessary to allow the decision-making process. That said, this dissertation aims to implement Machine Learning models to detect possible anomalies in the substances present in the effluent of these infrastructures. Therefore, models such as Isolation Forest (IF), One-Class Support Vector Machine (OCSVM) and Long Short-Term Memory Autoencoder (LSTM-AE) are applied to identify the records of the Total Nitrogen, Nitrates and pH that may be anomalous. In the specific case of LSTM-AE, three thresholds are considered to classify the records, of which two use static values, and one consists of dynamic values. Among the best candidate models, overall, the IF and OCSVM models achieved superior results to the models based on LSTM-AE. Regarding thresholds, the approaches with static values generally achieved slightly better results. The various scenarios applied allowed us to conclude that the designed models could detect various anomalies in the substances mentioned.por
dc.language.isoporpor
dc.rightsopenAccesspor
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/por
dc.subjectControlo analíticopor
dc.subjectDeteção de anomaliaspor
dc.subjectEstações de tratamento de águas residuaispor
dc.subjectMachine Learningpor
dc.subjectAnalytical controlpor
dc.subjectAnomaly detectionpor
dc.subjectWastewater treatment plantspor
dc.titleDeteção de anomalias em estações de tratamento de águas residuaispor
dc.typemasterThesiseng
dc.identifier.tid203251814por
thesis.degree.grantorUniversidade do Minhopor
sdum.degree.grade18 valorespor
sdum.uoeiEscola de Engenhariapor
dc.subject.fosEngenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informáticapor
Appears in Collections:BUM - Dissertações de Mestrado
DI - Dissertações de Mestrado

Files in This Item:
File Description SizeFormat 
Diogo Filipe Gigante da Silva.pdf3,4 MBAdobe PDFView/Open

This item is licensed under a Creative Commons License Creative Commons

Partilhe no FacebookPartilhe no TwitterPartilhe no DeliciousPartilhe no LinkedInPartilhe no DiggAdicionar ao Google BookmarksPartilhe no MySpacePartilhe no Orkut
Exporte no formato BibTex mendeley Exporte no formato Endnote Adicione ao seu ORCID