Dissertação
Application of learning methods for predictive modelling with human factors in aviation industry EVALUATED
A aviação teve aumentos de procura consideráveis nos últimos anos, tendo padrões de segurança bastante rigorosos, para mitigar o risco e prevenir falhas humanas. Porém, existe a necessidade de desenvolver modelos preditivos capazes de prever potenciais falhas ou situações de risco para melhorar procedimentos em termos de segurança. Logo, o objectivo desta dissertação é propor modelos capazes de prever se uma ocorrência foi fatal e a sua dimensão, tendo em conta informação relevante do voo e factores humanos que precederam o acidente. Para tal, foi retirada do repositório da Aviation Safety Network (ASN), uma organização especializada em matéria de ocorrências de aviação, 1105 relatórios entre 2007 e 2017. Correlações entre falhas humanas e as causas contributivas da ocorrência foram propostas através da estrutura de classificação de fatores humanos chamada Human Factors Analysis Classification System (HFACS), e a base de dados é adaptada para aplicações em machine learning. Para a modelação, são utilizados algoritmos de aprendizagem supervisionada como Random Forest (RF) e redes neuronais artificiais (ANN) e semi-supervisionada como Active Learning (AL). São utilizadas funções de optimização da estrutura dos algoritmos para melhorar a performance do modelo, sendo medida através de métricas como precisão, sensibilidade, eficácia e F1-score. O melhor modelo preditivo (Modelo 1), através do RF, conseguiu eficácia de 90%, macro F1-score de 87% e sensibilidade de 86%, enquanto ANN, por menor capacidade de prever acidentes fatais, teve piores resultados. Para o Modelo 2, apenas AL obteve resultados promissores após bastante treino devido a um universo de dados mais pequeno.
outubro 1, 2021, 10:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Duarte Pedro Mata de Oliveira Valério
Departamento de Engenharia Mecânica (DEM)
Professor Associado