Navegando por CNPq "CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO"

Agora exibindo 1 - 10 de 16

Acesso aberto (Open Access)
Algoritmos culturais com abordagem memética e multipopulacional aplicados a problemas de otimização
(Universidade Federal do Pará, 2012-04-20) SILVA, Deam James Azevedo da; OLIVEIRA, Roberto Célio Limão de; http://lattes.cnpq.br/4497607460894318
Em muitos problemas de otimização há dificuldades em alcançar um resultado ótimo ou mesmo um resultado próximo ao valor ótimo em um tempo viável, principalmente quando se trabalha em grande escala. Por isso muitos desses problemas são abordados por heurísticas ou metaheurísticas que executam buscas por melhores soluções dentro do espaço de busca definido. Dentro da computação natural estão os Algoritmos Culturais e os Algoritmos Genéticos, que são considerados metaheurísticas evolutivas que se complementam devido ao mecanismo dual de herança cultura/genética. A proposta do presente trabalho é estudar e utilizar tais mecanismos acrescentando tanto heurísticas de busca local como multipopulações aplicados em problemas de otimização combinatória (caixeiro viajante e mochila), funções multimodais e em problemas restritos. Serão executados alguns experimentos para efetuar uma avaliação em relação ao desempenho desses mecanismos híbridos e multipopulacionais com outros mecanismos dispostos na literatura de acordo com cada problema de otimização aqui abordado.
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)
Estratégia de otimização para a melhoria da interpretabilidade de redes bayesianas: aplicações em sistemas elétricos de potência
(Universidade Federal do Pará, 2009-12-10) ROCHA, Cláudio Alex Jorge da; FRANCÊS, Carlos Renato Lisboa; http://lattes.cnpq.br/7458287841862567
A investigação de métodos, técnicas e ferramentas que possam apoiar os processos decisórios em sistemas elétricos de potência, em seus vários setores, é um tema que tem despertado grande interesse. Esse suporte à decisão pode ser efetivado mediante o emprego de vários tipos de técnicas, com destaque para aquelas baseadas em inteligência computacional, face à grande aderência das mesmas a domínios com incerteza. Nesta tese, são utilizadas as redes Bayesianas para a extração de modelos de conhecimento a partir dos dados oriundos de sistemas elétricos de potência. Além disso, em virtude das demandas destes sistemas e de algumas limitações impostas às inferências em redes bayesianas, é desenvolvido um método original, utilizando algoritmos genéticos, capaz de estender o poder de compreensibilidade dos padrões descobertos por essas redes, por meio de um conjunto de procedimentos de inferência em redes bayesianas para a descoberta de cenários que propiciem a obtenção de um valor meta, considerando a incorporação do conhecimento a priori do especialista, a identificação das variáveis mais influentes para obtenção desses cenários e a busca de cenários ótimos que estabeleçam valores, definidos e ponderados pelo usuário/especialista, para mais de uma variável meta.
Acesso aberto (Open Access)
Experimentos de mineração de dados aplicados a sistemas scada de usinas hidrelétricas
(Universidade Federal do Pará, 2012-04-13) OHANA, Ivaldo; BEZERRA, Ubiratan Holanda; http://lattes.cnpq.br/6542769654042813
O atual modelo do setor elétrico brasileiro permite igualdade de condições a todos os agentes e reduz o papel do Estado no setor. Esse modelo obriga as empresas do setor a melhorarem cada vez mais a qualidade de seu produto e, como requisito para este objetivo, devem fazer uso mais efetivo da enorme quantidade de dados operacionais que são armazenados em bancos de dados, provenientes da operação dos seus sistemas elétricos e que tem nas Usinas Hidrelétricas (UHE) a sua principal fonte de geração de energia. Uma das principais ferramentas para gerenciamento dessas usinas são os sistemas de Supervisão, Controle e Aquisição de Dados (Supervisory Control And Data Acquisition - SCADA). Assim, a imensa quantidade de dados acumulados nos bancos de dados pelos sistemas SCADA, muito provavelmente contendo informações relevantes, deve ser tratada para descobrir relações e padrões e assim ajudar na compreensão de muitos aspectos operacionais importantes e avaliar o desempenho dos sistemas elétricos de potência. O processo de Descoberta de Conhecimento em Banco de Dados (Knowledge Discovery in Database - KDD) é o processo de identificar, em grandes conjuntos de dados, padrões que sejam válidos, novos, úteis e compreensíveis, para melhorar o entendimento de um problema ou um procedimento de tomada de decisão. A Mineração de Dados (ou Data Mining) é o passo dentro do KDD que permite extrair informações úteis em grandes bases de dados. Neste cenário, o presente trabalho se propõe a realizar experimentos de mineração de dados nos dados gerados por sistemas SCADA em UHE, a fim de produzir informações relevantes para auxiliar no planejamento, operação, manutenção e segurança das hidrelétricas e na implantação da cultura da mineração de dados aplicada a estas usinas.
Acesso aberto (Open Access)
Um framework para a previsão de cenários com o uso de sistemas híbridos neurogenéticos para compra e venda de energia elétrica no mercado futuro
(Universidade Federal do Pará, 2012-05-04) CONDE, Guilherme Augusto Barros; FRANCÊS, Carlos Renato Lisboa; http://lattes.cnpq.br/7458287841862567
No contexto da previsão de séries temporais, é grande o interesse em estudos de métodos de previsão de séries temporais que consigam identificar as estruturas e padrões existentes nos dados históricos, possibilitando gerar os próximos padrões da série. A proposta defendida nesta tese é a de desenvolvimento de um framework que utilize ao máximo as potencialidades das técnicas de previsão (redes neurais artificiais) com as técnicas de otimização (algoritmos genéticos) em um sistema híbrido intercomunicativo que aproveite bem as vantagens de cada uma dessas técnicas para a geração de cenários futuros que possam mostrar, além das previsões normais com base nos valores históricos, percursos alternativos das curvas das séries temporais analisadas.
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)
Métricas de QoE/QoS de vídeo em redes sem fio para auxilio ao planejamento de ambientes indoor utilizando uma abordagem bayesiana
(Universidade Federal do Pará, 2015-03-30) CARVALHO, André Augusto Pacheco de; CAVALCANTE, Gervásio Protásio dos Santos; http://lattes.cnpq.br/2265948982068382
A evolução das aplicações em redes sem fio tem crescido nos últimos anos, devido ao aumento do número de usuários de smartphone, tablets e outros. A disponibilidade de serviços exigentes, como a transmissão de vídeo, afeta a Qualidade de Experiência (QoE) e Qualidade de Serviço (QoS) provida aos usuários domésticos e comerciais, isto tem estimulado ao estudo de novas técnicas de gerência de recursos de redes, tendo como objetivo proporcionar serviços com qualidade a um cliente cada vez mais exigente. Essa dissertação apresenta uma metodologia de Inteligência Artificial, utilizando uma Rede Bayesiana, com uma estratégia híbrida de avaliação analisando o comportamento de métricas de QoE e QoS, no projeto de redes locais sem 50. Para isto houve a necessidade da realização de campanhas de medições, para a geração de uma base de medidas reais, e com o artificio da simulação utilizando uma Radial Base Function (RBF), realizou-se a extensão dos dados, para que tivesse o volume de dados ideal para inserção na Rede Bayesiana. A diversidade do local de medições escolhido, composto de materiais como: tijolo, vidros, madeiras e concreto. Foi necessário realizar previamente um mapeamento de todos os pontos a serem medidos, posicionando propositalmente antes e depois de cada barreira ultrapassada pelo sinal. As Métricas como nível de sinal Receiver Signal Strength Intensity (RSSI), Jitter, atraso fim a fim da rede durante a transmissão do vídeo, PeakSígnal-to-NoíseRatío (PSNR) e Structural Símz'larízj/ (SSIM) foram coletadas durante as medições realizadas. E utilizando a Rede Bayesiana foram feitas inferências para cada métrica e foi possível encontrar resultados satisfatórios para que a solução proposta auxilie o planejamento de redes sem fio em ambientes indoor. Possibilitando demonstrar que até 10 metros de distância do transmissor, o sinal tem sua melhor potência, e a métrica de atraso fim a fim tem mais de 65% de probabilidade de esta na menor faixa de atraso e acompanhando este ótimo desempenho o Jítter tem mais de 65% de probabilidade de esta na menor faixa. E as métricas de QoE, PSRN e SSIM possuem um comportamento similar e tem mais de 80% de probabilidade de obter seu maior valor, e consequentemente o vídeo tem a sua melhor qualidade de recepção. Resultados estes demonstram que não exclui a possibilidade do uso desta proposta em outras situações.