Dissertações em Computação Aplicada (Mestrado) - PPCA/NDAE/Tucuruí

URI Permanente para esta coleçãohttps://repositorio.ufpa.br/handle/2011/9399

Navegar

Agora exibindo 1 - 7 de 7

Acesso aberto (Open Access)
Aplicando inteligência artificial generativa para instanciação de gamificação narrativa no ensino de disciplinas da computação
(Universidade Federal do Pará, 2025-10-24) ALMEIDA, Adrielle Veras de; PALOMINO, Paula Toledo; https://lattes.cnpq.br/8123777210874634; https://orcid.org/0000-0002-9730-2253; PORTELA, Carlos dos Santos; https://lattes.cnpq.br/7707594869367480; GARCIA, Fabrício Wickey da Silva; SANTOS, Viviane Almeida dos; https://lattes.cnpq.br/3146466793441475; https://lattes.cnpq.br/1489376127395764; https://orcid.org/0000-0001-9022-2210
Esta pesquisa investiga sobre quatro abordagens gamificadas no ensino superior em Computação: a tradicional, com narrativas criadas pelo professor, e com narrativas geradas por inteligência artificial (IA) em dois ciclos distintos. A metodologia utilizada foi a pesquisa-ação com abordagem mista para a análise de dados, coletados através de questionários baseados no Player Experience Inventory (PXI). Os resultados indicam que a gamificação com narrativas criadas pelo professor foi a estratégia mais engajadora. Observou-se que a IA otimiza o planejamento pedagógico, mas ainda requer intervenção humana para ajustes didáticos. O estudo também aborda desafios da gamificação, como a necessidade de tempo e recursos dos educadores, e propõe a IA generativa como uma solução promissora para apoiar a personalização e planejamento pedagógico.
Acesso aberto (Open Access)
Avaliação de desempenho de algoritmos de mineração de dados e simulação de Monte Carlo na descoberta de tendências no Hambre Delivery
(Universidade Federal do Pará, 2025-08-14) GARCIA, Laciene Melo; FARIAS, Fabrício de Souza; https://lattes.cnpq.br/1521079293982268; https://orcid.org/0000-0003-4344-6953; PINHEIRO, Daniel da Conceição; ALVES, Elton Rafael; COSTA, Allan Barbosa; BALIEIRO, Andson Marreiros; https://lattes.cnpq.br/2970581734279237; https://lattes.cnpq.br/8408339809247090; https://lattes.cnpq.br/1243311868600821; https://lattes.cnpq.br/9825617657358787
O setor food service agiliza as transações e contribui para melhorar a qualidade dos produtos e serviços oferecidos, ocasionando crescimento contínuo e valorização de compras via marketplace. Com a maior adesão da população à digitalização do food service, novas informações e conhecimentos podem ser gerados a partir da análise de tendências extraídas de bases de dados oriundas de transações comerciais. Para a coleta de dados, este setor tem adotado apps especializados, que se mostram viáveis para usuários que buscam atendimento em plataformas digitais. Além disso, o uso Inteligência Artificial (IA), em conjunto com os apps, tem reconfigurado a forma como os negócios operam, representando uma nova tendência para empresas que oferecem produtos e serviços na modalidade online. Diante desse cenário, surge a necessidade de considerar soluções baseadas em software que apliquem IA para sistematizar a análise de tendências em dados coletados. Por essa razão, este trabalho propõe uma investigação por meio de simulações que avaliam o desempenho computacional, combinando o método Monte Carlo e diferentes algoritmos de mineração de dados, a fim de identificar o modelo mais adequado para o suporte a decisões na gestão do setor de food service via apps. Para validar a eficácia das simulações, dados reais foram coletados nas lojas parceiras da plataforma Hambre Delivery. Durante as simulações, foram analisados os algoritmos FP-Growth, FP-Max, Apriori e Eclat, considerando escalabilidade, tempo de execução e uso de memória como critérios de desempenho. Os resultados revelaram que o algoritmo Eclat é mais indicado para conjuntos pequenos e de baixa complexidade, enquanto FP-Growth e FP-Max são escaláveis para grandes volumes de dados, sendo mais eficientes quanto ao tempo de execução e ao uso de memória. Além disso, as 27 regras de associação geradas revelaram tendências relevantes, mostrando que a aplicação do Monte Carlo gera padrões mais precisos e confiáveis.
Acesso aberto (Open Access)
Clusterização de padrões espaço-temporais de precipitação na Amazônia via deep convolutional autoencoder
(Universidade Federal do Pará, 2023-07-07) SILVA, Vander Augusto Oliveira da; TEIXEIRA, Raphael Barros; http://lattes.cnpq.br/4902824086591521; https://orcid.org/0000-0003-2993-802X
Estudos utilizando diferentes métodos de aprendizado de máquina para descoberta de conhecimento e reconhecimento de padrões em séries temporais de precipitação são cada vez mais frequentes na literatura. Identificar e analisar padrões em séries temporais de precipitação em uma determinada região é fundamental para seu desenvolvimento socioeconômico. Logo, pode-se afirmar que o conhecimento e compreensão das características pluviométricas das regiões são importantes para viabilizar o planejamento do uso, manejo e conservação dos recursos hídricos. O fenômeno natural da precipitação é um processo fundamental de impacto direto nas bacias hidrográficas e no desenvolvimento humano e ambiental. A variabilidade desse fenômeno produz implicações importantes na navegabilidade dos rios, sobre a abundância do indivíduo e a riqueza das espécies. Nos últimos anos muitos estudos com essa abordagem foram realizados no Brasil, principalmente na região amazônica. Esta pesquisa teve como objetivo desenvolvimento de um método computacional para análise de séries temporais de precipitação utilizando técnicas de machine learning com aprendizado não supervisionado, afim de propor um método capaz de realizar a extração de características complexas dos dados, obtendo um mapa de atributos em baixa dimensionalidade para reconhecimento de padrões, descoberta de regiões homogêneas com relação à precipitação e reconstrução aproximada de séries temporais de precipitação da Amazônia Legal. O modelo de rede neural de aprendizado profundo proposto é treinado para aprender as principais e mais complexas características dos dados originais e apresentá-los em baixa dimensionalidade no espaço latente. Após o treinamento os resultados se mostram promissores, as observações dos dados reconstruídos apresentaram um bom desempenho conforme avaliação da métrica de RMSE e NRMSE com valores resultantes iguais a 0.06610 e 0.3355 respectivamente. A análise da representação dos dados em baixa dimensão foi aplicada e analisada por uma estrutura de clustering usando aglomerativo hierárquico com método de Ward. Essa metodologia também apresentou bons resultados, pois realizou agrupamentos consistentes caracterizando regiões homogêneas com relação aos dados de precipitação. Desta forma, demonstrando que a representação em baixa dimensionalidade carregava as características principais das séries temporais dos dados analisados. Destaca-se que o método desenvolvido nesse estudo pode ser aplicado não apenas na região amazônica, mas também em outras áreas com desafios semelhantes relacionados à análise de séries temporais.
Acesso aberto (Open Access)
Diagnóstico inteligente de faltas em transformadores baseado na análise de gás dissolvido em óleo
(Universidade Federal do Pará, 2024-07-12) OLIVEIRA FILHO, Otacílio Rodrigues de; TEIXEIRA, Raphael Barros; http://lattes.cnpq.br/4902824086591521; https://orcid.org/0000-0003-2993-802X; SILVA, Cleison Daniel; MOREIRA, Davi Carvalho; VILAS BOAS , Vitor Mendes; http://lattes.cnpq.br/1445401605385329; http://lattes.cnpq.br/2413664649532144; http://lattes.cnpq.br/5675605268102409; https://orcid.org/0000-0001-8280-2928; https://orcid.org/0000-0002-5974-3285
O Sistema Interligado Nacional (SIN) de produção e transmissão de energia elétrica bra sileiro é um sistema hidro-termo-eólico de grande porte, com predominância de usinas hidrelétricas, cuja representação resulta da congregação de diversos sistemas de geração, por uma malha robusta de linhas de transmissão e inúmeras subestações envolvendo a rede básica de energia a partir da classe de tensão de 230kV. O transformador de po tência se apresenta como elo de conexão entre geração e transmissão, possuindo papel essencial nos sistemas de energia elétrica, cuja detecção precoce de falhas é crucial para tais sistemas, devido ao elevado custo de manutenção e ao impacto dos defeitos nesses equipamentos. Neste contexto, diversos métodos, tanto inteligentes quanto convencio nais, para a detecção de falhas a partir da análise de gases dissolvidos em óleo isolante (DGA) têm sido desenvolvidos e normatizados. Este trabalho apresenta uma base de dados de DGA composta por amostras reais coletadas de transformadores ao longo de 20 anos de operação, além de dados provenientes de literaturas consolidadas. As mais de 2000 amostras permitem o projeto de classificadores de falhas térmicas e elétricas em transformadores por aprendizado de máquina (AM). O estudo detalha a exploração dos dados e avalia classificadores como Regressão Logística (RL), Máquina de Vetores de Su porte (SVM), Redes Neurais Artificiais (ANN), K-Vizinhos mais Próximos (KNN), além dos métodos convencionais do triângulo de Duval, relações de Rogers, Gás-chave, Do ernenburg e IEC 60599. Os resultados indicam que uma arquitetura híbrida, composta pelos classificadores KNN, ANN e o método convencional do triângulo de Duval, possui melhores resultados que o emprego individual dos métodos testados neste trabalho. Onde a classificação das amostras de teste, evidenciaram o desempenho da arquitetura híbrida em 98% no diagnóstico de falhas incipientes em transformadores.
Acesso aberto (Open Access)
ICM Space Game: uma interface baseada na imaginação de movimentos
(Universidade Federal do Pará, 2023-03-10) CALVINHO, Jhoanyn Valois Fantin; MERLIN, Bruno; http://lattes.cnpq.br/7336467549495208; HTTPS://ORCID.ORG/0000-0001-7327-9960; SILVA, Cleison Daniel; http://lattes.cnpq.br/1445401605385329; https://orcid.org/0000-0001-8280-2928
A Interface Cérebro-Máquina (ICM) pode auxiliar os usuários na participação de tarefas rotineiras, como o ato de se locomover. A comunidade científica trabalha diariamente na tentativa de oferecer sistemas de ICM cada vez mais robustos, com melhores respostas aos comandos dos usuários. No entanto, estes trabalhos, geralmente focam na melhoria do sistema em si. Com base nesta afirmação, o objetivo deste trabalho é desenvolver um jogo virtual como parte de uma ferramenta computacional com a intenção de oferecer uma alternativa aos usuários para auxiliar no aprendizado da utilização de equipamentos de uma ICM baseada na imaginação de movimentos. Para isso o jogo é projetado e programado como tentativa de melhorar a precisão dos usuários no controle dos dispositivos destes sistemas. Os resultados mostram que o jogo funciona quando conectado a uma ICM, e pode servir como alternativa no processo de coleta de sinais de EEG. Ao longo deste trabalho são utilizadas linguagens de programação dedicadas a ICMs, como o OpenVibe, assim como uma linguagem bastante utilizada na programação de jogos eletrônicos, Python. No experimento realizado com 8 voluntários, não há uma diferença discrepante entre as taxas de classificação realizada com o auxílio do protocolo convencional e do ICM Space Game, aproximadamente 56% para ambos os casos, contudo, o ICM Space Game foi o escolhido pela maioria dos participantes deste experimento.
Acesso aberto (Open Access)
Modelagem da dinâmica hidrológica para previsão do nível de jusante da UHE Tucuruí por redes neurais artificiais
(Universidade Federal do Pará, 2026-01-19) SANTOS, Wanderley Pereira dos; SILVA, Cleison Daniel; http://lattes.cnpq.br/1445401605385329; https://orcid.org/0000-0001-8280-2928; TEIXEIRA, Raphael Barros; http://lattes.cnpq.br/4902824086591521; https://orcid.org/0000-0003-2993-802X; GOMES, Evanice Pinheiro; FARIAS, Fabricio de Souza; http://lattes.cnpq.br/2100869230103157; http://lattes.cnpq.br/1521079293982268; https://orcid.org/0000-0001-9703-4837; https://orcid.org/0000-0003-4344-6953
Este trabalho investiga a aplicação de redes neurais artificiais tipo Temporal Convoluti onal Network (TCN), recorrentes como a Long Short-Term Memory (LSTM) e a Gated Recurrent Unit (GRU) na previsão do nível de jusante da UHE de Tucuruí, cuja natureza dinâmica, não linear e multivariável demanda por formalismos de modelagem baseados em aprendizagem profunda. A necessidade do estudo está atrelada ao fato da cidade de Tucuruí estar a jusante da Usina e possuir áreas habitadas próximas às margens do Rio Tocantins e este cenário exige controle e acompanhamento dos níveis na cidade. Para que isso aconteça, é necessária a obtenção de previsões assertivas do nível de jusante em tempo hábil. Desse modo, as ações de intervenções, quando necessárias, podem ser reali zadas pelos órgãos competentes no tempo certo. Com esse intuito, neste trabalho, vários modelos foram desenvolvidos para serem treinados por redes neurais artificiais. As redes treinadas buscam modelar as complexas relações entre as vazões afluente e defluente e a variável-alvo, o nível de jusante. São utilizadas séries com amostragem horária de dados reais do período de 2010 a 2025, totalizando 140.279 amostras. Os modelos são treinados para predição de até 10 horas à frente, janela considerada apropriada para o cenário real desejado. O pré-processamento dos dados desempenhou papel fundamental na qualidade das previsões, sendo aplicada a média móvel, seguida de normalização por valor máximo, estratégia que contribuiu para a redução de ruídos de alta frequência e para a estabilização do processo de treinamento. Posteriormente, a desnormalização permitiu a análise dos resultados em unidades físicas reais, permitindo (ou proporcionando) interpretações hidrológicas consistentes. A avaliação quantitativa foi conduzida por meio das métricas Erro Médio Quadrático (MSE), Erro Quadrático Médio Normalizado (FitNRMSE) e Erro Quadrático do Ajuste (FitR²), que possibilitaram uma análise complementar entre precisão, erro absoluto e capacidade explicativa da variância do sinal real. Os resultados apresentam valores elevados de FitR² (superiores a 99%) para todas as redes, evidenciando que os modelos foram capazes de esclarecer a maior parte da variabilidade do nível de jusante. Além disso, os valores de FitNRMSE permaneceram também elevados, demonstrando que os erros de previsão são pequenos quando comparados à intercorrência natural do sistema. Após análise comparativa entre os modelos, observou-se que a Gated Recurrent Unit (GRU) apresentou o melhor desempenho global, menor degradação das previsões e leve superioridade nas métricas, sobretudo no modelo H3. A LSTM apresentou desempenho próximo ao da GRU, porém com maior sensibilidade em regiões de maior variabilidade do sinal, já a TCN demonstrou bom desempenho médio, porém com tendência à suavização das predições em transições mais abruptas. Assim, conclui-se que os modelos H1, H2 e H3, conjuntamente com as arquiteturas LSTM, GRU e TCN propostas, são capazes de representar adequadamente a dinâmica do nível de jusante, com destaque para H3 e a GRU, que juntas mostraram desempenho superior às demais combinações. Nas figuras 42 e 43, destacam-se os resultados obtidos na análise de previsão, denominada de "alertas reais", cuja simulação mostra dois eventos em sequência registrados nos horários das 11:00 e 12:00 horas do dia 10/03/2025, com janelas deslizantes para as 10 amostras futuras, incluindo os valores reais comprovados para validar o desempenho das previsões. Tais resultados constituem uma base sólida para aplicações futuras em previsão operacional, apoio à tomada de decisão e integração com estratégias de controle preditivo, como o Model Predictive Control (MPC).
Acesso aberto (Open Access)
Previsão intervalar de geração fotovoltaica por regressão quantílica em regimes de irradiância
(Universidade Federal do Pará, 2026-02-13) OLIVEIRA , Bruno Gonçalves de; PINHEIRO, Daniel da Conceição; http://lattes.cnpq.br/2970581734279237; DARDENGO, Victor Pellanda; MEDEIROS, Iago Lins de; http://lattes.cnpq.br/2524146722843576; http://lattes.cnpq.br/7024608706674939; https://orcid.org/0000-0002-1197-0657; https://orcid.org/0000-0003-4758-0519
A crescente participação da energia solar fotovoltaica na matriz elétrica brasileira intensifica a ne- cessidade de previsões confiáveis que quantifiquem a incerteza inerente a essa fonte intermitente. Este trabalho investiga a previsão intervalar da geração fotovoltaica horária em clima tropical úmido, com foco na região de Tucuruí, no estado do Pará. Propõe-se um arcabouço metodológico que combina um modelo determinístico híbrido, baseado em Multilayer Perceptron (MLP) e XGBoost com seleção automática por limiar de irradiância, e uma extensão probabilística fundamentada em regressão quantílica estratificada por regimes de irradiância, implementada via LightGBM. Os dados meteorológicos horários, obtidos da API Open-Meteo para o período de 2018 a 2023, passaram por pré-processamento que incluiu remoção de multicolinearidade via Fator de Inflação da Variância (VIF), resultando em seis variáveis preditoras. Os intervalos de predição são avaliados por métricas de cobertura (PICP) e largura normalizada (PINAW), sendo posteriormente calibrados por um fator de escala λ para aproximar a cobertura empírica do nível nominal de 80%. Os resultados demonstram que a abordagem por regimes melhora a calibração dos intervalos, especialmente em condições de irradiância intermediária, onde a variabilidade é mais pronunciada. Este estudo contribui para o avanço da previsão probabilística fotovoltaica em regiões tropicais, onde a literatura permanece escassa.

Navegar

Navegando Dissertações em Computação Aplicada (Mestrado) - PPCA/NDAE/Tucuruí por CNPq "CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO"