Resumo: <\/b>Os \u00faltimos anos t\u00eam sido marcados pela transi\u00e7\u00e3o da matriz energ\u00e9tica mundial, predominantemente com as fontes e\u00f3lica e solar, que s\u00e3o consideradas energias limpas. As turbinas e\u00f3licas, respons\u00e1veis pelo processo de convers\u00e3o energ\u00e9tica, se constituem por equipamentos complexos e de alto custo, suscet\u00edveis a diversas falhas devido a m\u00faltiplos fatores operacionais e ambientais. O monitoramento cont\u00ednuo dos componentes das turbinas \u00e9 essencial para a detec\u00e7\u00e3o precoce de falhas, o que pode reduzir significativamente os custos de manuten\u00e7\u00e3o e aumentar a efici\u00eancia operacional. Este trabalho foca na aplica\u00e7\u00e3o e compara\u00e7\u00e3o de t\u00e9cnicas de aprendizado de m\u00e1quina para a detec\u00e7\u00e3o de falhas em turbinas e\u00f3licas, utilizando uma abordagem centrada em dados. A pesquisa enfatiza a import\u00e2ncia do pr\u00e9-processamento dos dados, destacando t\u00e9cnicas de balanceamento de classes, particionamento de dados e sele\u00e7\u00e3o de atributos. Al\u00e9m disso, s\u00e3o comparados diferentes algoritmos de aprendizado de m\u00e1quina, com foco na otimiza\u00e7\u00e3o de hiperpar\u00e2metros. Os resultados demonstram que um pr\u00e9-processamento adequado dos dados \u00e9 crucial para o desempenho dos modelos de aprendizado de m\u00e1quina. Tamb\u00e9m \u00e9 evidenciada a import\u00e2ncia do tempo computacional na otimiza\u00e7\u00e3o dos hiperpar\u00e2metros e na sele\u00e7\u00e3o do algoritmo mais apropriado para o contexto espec\u00edfico do problema.<\/p>\n
<\/p>\n
![\"\"](\"https:\/\/eic.cefet-rj.br\/ppcic\/wp-content\/uploads\/2018\/05\/logo-sucupira.png\"){kind=logo}
<\/a><\/div>\n![\"\"](\"https:\/\/eic.cefet-rj.br\/ppcic\/wp-content\/uploads\/2018\/05\/download-logo2.png\"){kind=logo}
<\/a><\/div>\n","protected":false},"excerpt":{"rendered":"