@MASTERSTHESIS{ 2015:1100015282,
 	title = {Modelagem e simulação de um sistema de tratamento de esgoto sanitário usando rede neural artificial},
 	year = {2015},
 	url = "http://tede.bc.uepb.edu.br/tede/jspui/handle/tede/2472",
 	abstract = "O aumento populacional nas cidades, e em paralelo, a intensificação das atividades agrícolas e pecuárias, além do desenvolvimento industrial e agroindustrial são as principais causas para o aumento do lançamento de esgotos, muitas vezes dispostos em lagos, mares e rios na sua forma bruta ou com tratamento insuficiente. Reatores UpflowAnaerobicSludgeBlanket (UASB) surgem como uma possibilidade para tratamento de vários tipos de águas residuárias, sendo bastante difundido e bem mais aplicado do que os outros e, tendo como aspecto essencial do processo a natureza da biomassa ativa.As Redes Neurais Artificiais (RNA’s) constituem um tipo de modelo matemático da área da Inteligência Artificial são uma técnica de modelagem baseada nas relações entrada-saída (estruturas black- box) que tem recebido grande interesse da comunidade científica, sendo realizadas pesquisas de forma multidisciplinar. Assim, esta pesquisa se estrutura com o objetivo de modelar e simular um reator UASB, afim de avaliar e estabelecer parâmetros de controle, através de Redes Neurais Artificiais (RNA).  O conjunto de dados, referentes aos 13 parâmetros analisados, foi subdividido de três formas diferentes e com o uso de uma camada oculta e com duas camadas ocultas com variação do número de neurônios em quantidades de 5, 10 e 15. Além disso, as funções de ativação sofreram modificação com o intuito de obter flutuações das redes. Dessa forma, concluiu-se que quando se utiliza uma única camada intermediária, a melhor função de ativação foi a Logsig e a melhor distribuição de dados apresentou-se quando foi combinado 80% dos dados usados para treinamento, 10 % para teste e 10 % para validação. Paralelamente, é possível concluir que quanto maior é o número de neurônio usado na camada oculta, melhores coeficientes de determinação são encontrados. Nesta 2 circunstância, o R  foi de 0,9985,valor considerado muito satisfatório para predição dos parâmetros analisados.  Quando modelada com 2 camadas ocultas, os resultados assemelharam-se bastante  com as simulações de uma camada oculta, visto os melhores resultados terem sido obtidos na distribuição de dados , 80%, 10% , 10%, respectivamente para treinamento, teste e validação. O melhor coeficiente de determinação foi obtido com a combinação das funções de ativação Tansig na camada oculta 1 e Logsig na camada oculta 2, 2 obtivendo um R  de 0,9912, considerado excelente para a predição dos dados.",
 	publisher = {Universidade Estadual da Paraíba},
 	scholl = {Programa de Pós-Graduação em Ciência e  Tecnologia Ambiental - PPGCTA},
 	note = {Pró-Reitoria de Pós-Graduação e Pesquisa - PRPGP}
}