Skip navigation
User training | Reference and search service

Library catalog

Retrievo
EDS
b-on
More
resources
Content aggregators
Please use this identifier to cite or link to this item:

acessibilidade

http://hdl.handle.net/10071/15483
acessibilidade
Title: Big data analytics applied to sensor data of engeneering structures: predictive methods
Authors: Caçador, Filipe Galvão Chambel
Orientador: Barateiro, José Eduardo de Mendonça Tomás
Cardoso, Elsa Alexandra Cabral da Rocha
Keywords: Predictive analytics
Machine learning
Data mining
Big data
Statistical analysis
Dam monitoring
Redes neuronais
Modelos estatísticos
Métodos de previsão
Issue Date: 12-Dec-2017
Citation: CAÇADOR, Filipe Galvão Chambel - Big data analytics applied to sensor data of engeneering structures: predictive methods [Em linha]. Lisboa: ISCTE-IUL, 2017. Dissertação de mestrado. [Consult. Dia Mês Ano] Disponível em www:<http://hdl.handle.net/10071/15483>.
Abstract: Predictive models are fundamental instruments for providing dam safety analysis. They are important tools to retrieve conclusions about the structural safety of these dams. The data for these predictive models is gathered through sensors embedded within these structures. Even though predictive models are powerful tools for analysis and prediction, other machine learning and statistical models, like neural networks, have been developed over the years. Due to the many ways dam safety analyses is performed, the focus is to improve the existing methods by comparing them with each other. This work is focused on developing the methodology that compares different predictive models, like the Multiple Linear Regression Model, the Ridge Regression Model, the Principal Component Regression Model and Neural Networks, as well as comparing different re-sampling techniques for separating the data. This methodology is applied to a case study, with the purpose of finding which combinations of input variables provide the highest accuracy for predicting the behavior of these structures.
Modelos preditivos são instrumentos fundamentais para a análise da segurança de barragens. São importantes para obter conclusões acerca da segurança estrutural destas. Os dados utilizados nos modelos preditivos, são obtidos através de sensores que se encontram embutidos nas estruturas. Apesar dos algoritmos preditivos serem ferramentas poderosas para a análise e previsão, outras técnicas de Machine Learning e modelos estatísticos, como as redes neuronais, têm sido desenvolvidas e utilizadas nestas áreas ao longo dos anos. Devido às diferentes formas que a monitorização destas estruturas é feita, o foco está em melhorar os métodos existentes, através de uma análise comparativa. Este trabalho tem como finalidade o desenvolvimento de uma metodologia que compare os diferentes algoritmos preditivos, como a Multiple Linear Regression, a Ridge Regression, a Principal Component Regression e as Redes Neuronais, bem como a aplicação de diferentes técnicas de separação de dados. Esta metodologia será aplicada a um caso de estudo, com a finalidade de determinar qual ou quais as combinações de variáveis que obtêm o melhor desempenho na previsão do seu comportamento.
Peer reviewed: yes
URI: http://hdl.handle.net/10071/15483
Thesis identifier: 201782359
Designation: Mestrado em Engenharia Informática
Appears in Collections:T&D-DM - Dissertações de mestrado

Files in This Item:
acessibilidade
File Description SizeFormat 
filipe_chambel_cacador_diss_mestrado.pdf2.22 MBAdobe PDFView/Open


FacebookTwitterDeliciousLinkedInDiggGoogle BookmarksMySpace
Formato BibTex MendeleyEndnote Currículo DeGóis 

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.