Análise de métodos de machine learning na predição do comportamento de um buffer de temperatura

Abstract

As vacinas representam um grande avanço para a humanidade. São responsáveis por combater e erradicar diversas doenças que causaram grandes perdas. Recentemente o mundo foi relembrado da sua importância pela pandemia do COVID-19. Por serem materiais termolábeis os imunobiológicos precisam de uma rede de frio bem estruturada para manter sua eficiência. Afim de aumentar a segurança da temperatura das vacinas foi desenvolvido um sistema embarcado para monitoramento de temperatura. O projeto foi realizado por estudantes da Universidade Federal de Santa Catarina do campus de Joinville. O sistema embarcado utiliza um amortecedor de temperatura físico. Entretanto o Manual de Rede de Frio proíbe a inserção dos termômetros dentro de qualquer recipiente nas geladeiras de vacinas. De forma a obedecer o Manual foi projetado substitui-lo por uma técnica de inteligência artificial. Assim, o objetivo do trabalho é treinar e comparar diferentes métodos de inteligência artificial com a finalidade de resolver este problema. Foram desenvolvidos algoritmos de árvores de decisão, florestas aleatórias, maquinas de vetores de suporte e redes neurais. Em seguida, foram executados uma série de treinamentos variando as entradas e parâmetros de treino. A métrica escolhida para medir a acurácia de cada algoritmo foi o erro médio quadrático. A partir dos resultados obtidos foram gerados gráficos com o objetivo de identificar o impacto de cada variação dos parâmetros. Analisando os resultados foi constatado que as florestas aleatórias obtiveram o melhor desempenho dentre os testes realizados, com um erro quadrático médio de 0,304.