Sistema inteligente para detecção de vazamento de gás GLP com redução de falsos positivos

Abstract

A detecção de vazamentos de Gás Liquefeito de Petróleo é vital para evitar acidentes residenciais graves. Contudo, sistemas de alarme baseados em sensores de baixo custo, como o MQ-6, sofrem com alta sensibilidade cruzada, gerando falsos positivos na presença de interferentes como o álcool isopropílico. Este trabalho objetiva propor um sistema inteligente embarcado para detecção de Gás Liquefeito de Petróleo com redução de alarmes indevidos, utilizando um microcontrolador ESP32 e técnicas de aprendizado de máquina na borda (Tiny Machine Learning). A metodologia experimental consistiu na coleta de séries temporais de gás e temperatura para treinar uma rede neural quantizada (int8) na plataforma Edge Impulse. Os resultados mostraram que o modelo atingiu 97,3% de acurácia, identificando vazamentos reais e rejeitando 91,7% das interferências causadas pelo álcool, consumindo apenas 320 Bytes de memória RAM. Embora o estudo apresente limitações, como a ocasional sobreposição de sinais em baixas concentrações devido à física do sensor, conclui-se que o uso de TinyML atua como uma solução viável para mitigar falhas de hardware, aumentando a segurança residencial.