Predição da condutividade da água purificada para uso na indústria farmacêutica
Água purificada, Indústria farmacêutica, Predição, Séries temporais.
A água purificada desempenha um papel crucial na indústria farmacêutica, impactando diretamente a qualidade dos processos e produtos finais. Este estudo propõe um modelo de aprendizado de máquina baseado em redes LSTM para prever a condutividade da água purificada em uma estação de tratamento destinada ao uso industrial farmacêutico. Foram utilizados dados reais de uma estação de tratamento de água de um laboratório farmacêutico, o NUPLAM. O pré-processamento dos dados abrangeu a preparação e limpeza dos dados, bem como uma etapa de engenharia de atributos. A arquitetura LSTM foi escolhida por ser amplamente utilizada para tarefas de predição de séries temporais, graças a sua capacidade de memorizar dados de curto e longo prazo para prever o futuro. Os valores anteriores são chamados de lags, enquanto o número de passos que se deseja prever no futuro é chamado de horizonte. A investigação abrangeu a identificação do melhor desempenho entre diferentes lags para um horizonte de 1 e a determinação dos melhores resultados para diversas combinações de lags e horizontes, buscando um erro aceitável. A avaliação do desempenho utilizou a métrica RMSE. Os resultados indicaram que, embora um número maior de lags melhorem o desempenho, esse benefício é atenuado por um aumento no tempo de treinamento. Além disso, notou-se que o aumento do horizonte está associado a um aumento no erro, mas que com o uso de mais lags é possível obter bons resultados. Contudo, a partir de determinado pontos, o aumento nos lags começou a diminuir a eficácia dos modelos. Este trabalho contribui para o aprimoramento dos processos de monitoramento e controle em indústrias farmacêuticas, incluindo o NUPLAM, além de contribuir academicamente para o estudo de predição de séries temporais para sistemas de tratamento de água.