Leticia Barros Dias Soares
Research Interests
Leticia Barros Dias Soares has a total of 8 co-authors. Here are the top co-authors by number of shared publications:
- Eden Taylor Dala Barba Corrêa1 shared publication
- Jairo Valões de Alencar Ramalho
Universidade Federal de Pelotas
1 shared publication - João Inácio Moreira Bezerra
Universidade Federal de Pelotas
1 shared publication - Marlon Mauricio Hernández-Cely
Graduate Program in Computing (PPGC), Federal University of Pelotas (UFPEL)
1 shared publication - Natássia Rafaelle Medeiros Siqueira1 shared publication
- Oscar Mauricio Hernandez Rodriguez
Industrial Multiphase Flow Laboratory (LEMI), Mechanical Engineering Department, São Carlos School of Engineering (ESSC), University of São Paulo (USP), São Carlos, Brazil
1 shared publication
Latest Publications
- Open Access
- 1 August 2025
- Published by Brazilian Journals in Revista Contemporânea
- Vol. 5 (8) , e8850
MODELOS DE APRENDIZADO DE MÁQUINA NA IDENTIFICAÇÃO DE PADRÕES DE ESCOAMENTO DE ÓLEO-ÁGUA
Os sistemas de fluxo bifásico envolvem o movimento de duas fases distintas, tais como líquido-líquido ou óleo-gás. Eles são amplamente utilizados na indústria petroquímica e de energia, com aplicações na produção e escoamento de petróleo e gás, dentre outras. Os padrões de escoamento em dutos dependem de vários fatores, como sua velocidade e direção, as propriedades dos fluidos envolvidos e a geometria da instalação. Neste trabalho foram implementadas e avaliadas diferentes técnicas de aprendizagem de máquina, objetivando identificar padrões de escoamento do tipo líquido-líquido em tubulações. Os dados utilizados para treinar e avaliar os modelos de aprendizagem foram coletados a partir de estudos disponíveis na literatura. O objetivo da pesquisa foi analisar as acurácias dos modelos e compará-las com valores encontrados nas referências. De acordo com os resultados obtidos, a técnica Random Forest (Floresta Aleatória) foi a que apresentou maior acurácia, com um valor de 96,24%. Ela foi seguida pelas técnicas SVM (Máquinas de vetores de suporte) e KNN (K-Vizinhos Mais Próximos), que alcançaram acurácias de 94,13% e 89,20%, respectivamente.
- 1 August 2025
- Published by Brazilian Journals in Revista Contemporânea
- Vol. 5 (8) , e8850
Open AccessMODELOS DE APRENDIZADO DE MÁQUINA NA IDENTIFICAÇÃO DE PADRÕES DE ESCOAMENTO DE ÓLEO-ÁGUA
Os sistemas de fluxo bifásico envolvem o movimento de duas fases distintas, tais como líquido-líquido ou óleo-gás. Eles são amplamente utilizados na indústria petroquímica e de energia, com aplicações na produção e escoamento de petróleo e gás, dentre outras. Os padrões de escoamento em dutos dependem de vários fatores, como sua velocidade e direção, as propriedades dos fluidos envolvidos e a geometria da instalação. Neste trabalho foram implementadas e avaliadas diferentes técnicas de aprendizagem de máquina, objetivando identificar padrões de escoamento do tipo líquido-líquido em tubulações. Os dados utilizados para treinar e avaliar os modelos de aprendizagem foram coletados a partir de estudos disponíveis na literatura. O objetivo da pesquisa foi analisar as acurácias dos modelos e compará-las com valores encontrados nas referências. De acordo com os resultados obtidos, a técnica Random Forest (Floresta Aleatória) foi a que apresentou maior acurácia, com um valor de 96,24%. Ela foi seguida pelas técnicas SVM (Máquinas de vetores de suporte) e KNN (K-Vizinhos Mais Próximos), que alcançaram acurácias de 94,13% e 89,20%, respectivamente.