| 1. Identity statement | ||||
| Reference Type | Conference Paper (Conference Proceedings) | |||
| Site | mtc-m21d.sid.inpe.br | |||
| Holder Code | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S | |||
| Identifier | 8JMKD3MGP3W34T/488GN2E | |||
| Repository | sid.inpe.br/mtc-m21d/2022/12.21.18.47 | |||
| Last Update | 2022:12.21.18.47.28 (UTC) simone | |||
| Metadata Repository | sid.inpe.br/mtc-m21d/2022/12.21.18.47.28 | |||
| Metadata Last Update | 2022:12.22.07.24.13 (UTC) administrator | |||
| Secondary Key | INPE--PRE/ | |||
| Citation Key | AlvesOSSMFSPD:2022:PrDeAt | |||
| Title | Predição de Descargas Atmosféricas em Ambiente de Mineração utilizando Métodos de Detecção de Anomalias  | |||
| Year | 2022 | |||
| Access Date | 2024, May 12 | |||
| Secondary Type | PRE CN | |||
| Number of Files | 1 | |||
| Size | 223 KiB | |||
| 2. Context | ||||
| Author | 1 Alves, Marcos A. 2 Oliveira, Bruno Alberto Soares 3 Santos, Ana Paula P. 4 Soares, Waterson S. 5 Maia, Willian 6 Ferreira, Douglas B. S. 7 Silvestrow, Fernando P. 8 Pinto Júnior, Osmar 9 Daher, Eugenio L. | |||
| Resume Identifier | 1 2 3 4 5 6 7 8 8JMKD3MGP5W/3C9JJ2E | |||
| Group | 1 2 3 4 5 6 7 8 DIIAV-CGCT-INPE-MCTI-GOV-BR | |||
| Affiliation | 1 Fundação para Inovações Tecnológicas (FITEC) 2 Fundação para Inovações Tecnológicas (FITEC) 3 Instituto Tecnológico do Vale (ITV) 4 Vale S.A. 5 Vale S.A. 6 Instituto Tecnológico do Vale (ITV) 7 Fundação para Inovações Tecnológicas (FITEC) 8 Instituto Nacional de Pesquisas Espaciais (INPE) 9 Fundação para Inovações Tecnológicas (FITEC) | |||
| Author e-Mail Address | 1 marcosalves@fitec.org.br 2 brunooliveira@fitec.org.br 3 ana.santos@pq.itv.org 4 waterson.soares@vale.com 5 willian.maia@vale.com 6 douglas.silva.ferreira@pq.itv.org 7 fsilvestrow@fitec.org.br 8 osmar.pinto@inpe.br 9 edaher@fitec.org.br | |||
| Conference Name | Simpósio Brasileiro de Pesquisa Operacional, 54 | |||
| Conference Location | Juiz de Fora, MG | |||
| Date | 08-11 nov. 2022 | |||
| Book Title | Anais | |||
| History (UTC) | 2022-12-21 18:47:28 :: simone -> administrator :: 2022-12-22 07:24:13 :: administrator -> simone :: 2022 | |||
| 3. Content and structure | ||||
| Is the master or a copy? | is the master | |||
| Content Stage | completed | |||
| Transferable | 1 | |||
| Content Type | External Contribution | |||
| Version Type | publisher | |||
| Keywords | Detecção de anomalias Aprendizado de máquina Detecção de outliers Raios Descargas atmosféricas Anomaly detection. Machine learning. Outliers detection. Lightning. Atmospheric discharges | |||
| Abstract | Descargas atmosféricas são eventos raros, belos e igualmente perigosos. Por isso, prever a ocorrência antecipada de descargas permite pessoas e equipamentos tomar ações de segurança. Neste contexto, o objetivo dessa pesquisa foi propor um modelo de predição de descargas atmosféricas capaz de classificar, 15 minutos antes, a possibilidade de descarga(s) atingir uma região alvo, que corresponde a uma área de mineração. Dados de descargas atmosféricas provenientes de múltiplas fontes foram utilizados. Ocorrências na proximidade da área investigada foram utilizadas para avaliar os modelos de detecção de anomalias SVM One Class e Florestas Isoladas. O modelo gerado com Florestas Isoladas conseguiu prever, com antecedência, mais de 61% das descargas, considerando a métrica F1-score. Os resultados alcançados por esta pesquisa são promissores e fornecem tanto uma metodologia que considera padrões espaciais, quanto uma modelagem que busca por padrões espúrios nos dados. ABSTRACT: Lightning discharges are rare, mesmerizing and equally dangerous events. Due to this, early prediction of lightning allows people and companies to take safety actions. In this context, this paper aims to propose a lightning discharge model capable of classifying, 15 minutes before, the possibility of lightning striking a target place, which corresponds to a mining area. Lightning data from multiple sources were used. Occurrences in grids around the area were used to evaluate the SVM One Class and Isolation Forest outliers detection models. The model generated with Isolation Forest was able to predict, in advance, more than 61% of the discharges, considering the F1-score metric. The results achieved in this research are promising and provide both a methodology that considers spatial patterns and a modelling that looks for spurious patterns in the data. | |||
| Area | CST | |||
| Arrangement | urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGCT > Predição de Descargas... | |||
| doc Directory Content | access | |||
| source Directory Content | there are no files | |||
| agreement Directory Content |
| |||
| 4. Conditions of access and use | ||||
| data URL | http://urlib.net/ibi/8JMKD3MGP3W34T/488GN2E | |||
| zipped data URL | http://urlib.net/zip/8JMKD3MGP3W34T/488GN2E | |||
| Language | pt | |||
| Target File | SBPO_2022.pdf | |||
| User Group | simone | |||
| Visibility | shown | |||
| Update Permission | not transferred | |||
| 5. Allied materials | ||||
| Mirror Repository | urlib.net/www/2021/06.04.03.40.25 | |||
| Next Higher Units | 8JMKD3MGPCW/46KUATE | |||
| Citing Item List | sid.inpe.br/mtc-m21/2012/07.13.14.57.30 2 | |||
| Host Collection | urlib.net/www/2021/06.04.03.40 | |||
| 6. Notes | ||||
| Empty Fields | archivingpolicy archivist callnumber copyholder copyright creatorhistory descriptionlevel dissemination doi e-mailaddress edition editor format isbn issn label lineage mark nextedition notes numberofvolumes orcid organization pages parameterlist parentrepositories previousedition previouslowerunit progress project publisher publisheraddress readergroup readpermission rightsholder schedulinginformation secondarydate secondarymark serieseditor session shorttitle sponsor subject tertiarymark tertiarytype type url volume | |||
| 7. Description control | ||||
| e-Mail (login) | simone | |||
| update | ||||