Navegando por Assunto "Machine learning"

Agora exibindo 1 - 20 de 24

Acesso aberto (Open Access)
5G MIMO and LIDAR data for machine learning: mmWave beam-selection using deep learning
(Universidade Federal do Pará, 2019-08-29) DIAS, Marcus Vinicius de Oliveira; KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha; http://lattes.cnpq.br/1596629769697284
Sistemas de comunicação modernos podem explorar o crescente número de dados de sensores usados atualmente em equipamentos avançados e reduzir a sobrecarga associada à configuração de links. Além disso, a crescente complexidade das redes sugere que o aprendizado de máquina, como redes neurais profundas, podem ser utilizadas efetivamente para melhorar as tecnologias 5G. A falta de grandes conjuntos de dados dificulta a investigação da aplicação de aprendizado profundo na comunicação sem fio. Este trabalho apresenta uma metodologia de simulação (RayMobTime) que combina um simulador de tráfego de veículos (SUMO) com um simulador de ray-tracing (Remcom’s Wireless InSite), para gerar canais que representem cenários 5G realísticos, bem como a criação de dados de sensores LIDAR (através do Blensor). O conjunto de dados criado é utilizado para investigar técnicas de beam selection de veículo para infraestrutura usando ondas milimétricas em diferentes arquiteturas, como arquitetura distribuída (uso das informações de apenas um veículo selecionado e processamento de dados no veículo) e arquiteturas centralizadas (uso de todas as informações presentes fornecidas pelos sensores em um dado momento, processando na estação base). Os resultados indicam que redes neurais profundas convolucionais podem ser utilizadas para beam selection sob uma estrutura de classificação de top-M. Também mostra que uma arquitetura distribuída baseada em LIDAR fornece desempenho robusto independentemente da taxa de penetração de veículos, superando outras arquiteturas, bem como pode ser usada para detecção de visada direta com precisão razoável.
Acesso aberto (Open Access)
Abordagem Inteligente com Combinação de Características Estruturais para Detecção de Novas Famílias de Ransomware
(Universidade Federal do Pará, 2024-03-22) MOREIRA, Caio Carvalho; SALES JUNIOR, Claudomiro de Souza de; País de Nacionalidade Brasi
Ransomware é um software malicioso que tem como objetivo criptografar os arquivos do usuá- rio e exigir um resgate para desbloqueá-los. Trata-se de uma ameaça cibernética que pode causar significativos danos financeiros, além do comprometimento de privacidade e integridade dos dados. Embora os scanners de detecção baseados em assinaturas comumente combatam essa ameaça, eles falham na identificação de famílias (variantes) desconhecidas de ransomware. Um método para detectar novas ameaças sem a necessidade de executá-las é a análise estática, que inspeciona o código e a estrutura do software, juntamente com a classificação através de abordagens inteligentes. A Detecção de Novas Famílias de Ransomware (DNFR) pode ser avaliada em um cenário realista e desafiador pela categorização e isolamento de famílias para treinamento e teste. Desta forma, o objetivo desta tese é desenvolver um modelo eficaz de análise estática para a DNFR, que pode ser aplicado em sistemas Windows como uma camada adicional de segurança para verificar os arquivos executáveis no momento do recebimento ou antes de sua execução. A detecção precoce do ransomware é fundamental para reduzir a probabilidade de um ataque bem-sucedido. A abordagem proposta analisa abrangentemente os binários executá- veis, ao extrair e combinar diversas características estruturais, e os distingue entre ransomware ou software benigno empregando um modelo de votação suave que compreende três técnicas de Aprendizado de Máquina: Logistic Regression (LR), Random Forest (RF) e eXtreme Gradient Boosting (XGB). Os resultados para a DNFR demonstraram médias de 97,53% de acurácia, 96,36% de precisão, 97,52% de recall e 96,41% de F-measure. Além disso, a varredura e a predição de amostras individuais levaram uma média de 0,37 segundos. Essa performance indica sucesso na identificação rápida de variantes desconhecidas de ransomware e na adaptabilidade do modelo ao cenário em constante evolução, o que sugere sua aplicabilidade em sistemas de proteção antivírus, mesmo em dispositivos com recursos limitados. Portanto, o método oferece vantagens significativas e pode ajudar desenvolvedores de sistemas de detecção de ransomware na criação de soluções mais resilientes, confiáveis e com rápido tempo de resposta.
Acesso aberto (Open Access)
Aplicação de redes neurais artificiais para predição de RSSI e SNR em ambiente de bosque amazônico
(Universidade Federal do Pará, 2024-06-11) BARBOSA, Brenda Silvana de Souza; ARAÚJO, Jasmine Priscyla Leite de; http://lattes.cnpq.br/4001747699670004; https://orcid.org/0000-0003-3514-0401; BARROS, Fabrício José Brito; http://lattes.cnpq.br/9758585938727609
A presença de áreas verdes em cidades urbanizadas é crucial para reduzir os impactos negativos da urbanização. No entanto, essas áreas podem influenciar a qualidade do sinal de dispositivos IoT que utilizam comunicação sem fio, como a tecnologia LoRa. A vegetação atenua as ondas eletromagnéticas, interferindo na transmissão de dados entre dispositivos IoT, resultando na necessidade de modelagem de propagação de sinal que considere o efeito da vegetação em sua propagação. Neste contexto, esta pesquisa foi conduzida na Universidade Federal do Pará, utilizando medições em um ambiente arborizado composto pela espécie Pau-Mulato, típica da Amazônia. Dois modelos de propagação baseados em aprendizado de máquina, GRNN e MLPNN, foram desenvolvidos para considerar o efeito das árvores amazônicas na propagação, analisando diferentes fatores, como a altura do transmissor em relação ao tronco, o início da folhagem e o meio da copa da árvore, bem como o fator de espalhamento LoRa (SF) 12 e a copolarização das antenas do transmissor e do receptor. Os melhores modelos foram os de aprendizado de máquina, GRNN e MLPNN, que demonstraram maior precisão, alcançando valores de erro quadrático médio (RMSE) de 3,86 dB e 3,8614 dB, e desvio padrão (SD) de 3,8558 dB e 3,8564 dB, respectivamente. Por outro lado, comparando com modelos clássicos da literatura, o que teve melhor desempenho foi o modelo Floating Intercept (FI), com erro RMSE e SD em torno de 7,74 dB e 7,77 dB, respectivamente, enquanto o modelo FITU-R teve o maior erro RMSE e SD, em torno de 26,40 dB e 9,65 dB, respectivamente, para todas as alturas e polarizações. Além disso, a importância deste estudo reside em seu potencial para impulsionar as comunicações sem fio em ambientes arborizados, uma vez que, mesmo em distâncias curtas nas alturas de 12 m e 18 m, o SNR (relação sinal ruído) teve valores mais baixos devido à influência das folhagens, porém, foi possível enviar e receber dados. Por fim, foi mostrado que a polarização vertical foi a que obteve os melhores resultados para o ambiente de bosque amazônico
Acesso aberto (Open Access)
Aplicação e comparação de técnicas de classificação automática de documentos: um estudo de caso com o dataset do domínio jurídico “Victor”
(Universidade Federal do Pará, 2024-02-01) MARTINS, Victor Simões; SILVA, Cleison Daniel; http://lattes.cnpq.br/1445401605385329; https://orcid.org/0000-0001-8280-2928
A aplicação do Processamento de Linguagem Natural (PLN) e Inteligência Artifical (IA) no contexto jurídico brasileiro é uma área em franco crescimento, que pode alterar o modo e rotina de trabalho dos profissionais da área, dada a quantidade de texto gerada. Dentre as possibilidades de aplicação da PLN e IA há a classificação automática de documentos, que dentre outras, pode ser empregada na automatização do processo de digitalização de Processos Judiciais que ainda estão apenas em meio físico. Assim, este trabalho aplica e compara algoritmos de IA para a classificação de documentos jurídicos. Os algoritmos são divididos em duas Abordagens diferentes, a primeira (I) separa o processo representação computacional do texto do treinamento do classificador em si aplicando SVM e Regressão Logística em conjunto com representações computacionais baseadas em: TF-IDF, Word2Vec, FastText e BERT. A segunda Abordagem (II) realiza em conjunto a representação computacional dos documentos e o treinamento do classificador, e para tal são aplicados algoritmos de Deep Learning baseados em redes neurais recorrentes, especificamente o ULMFiT (Universal Language Model Fine-tuning) e HAN (Hierarchical Attention Networks). O Dataset estudado é denominado VICTOR, composto por documentos do Supremo Tribunal Federal (STF) do Brasil. A pesquisa conclui pela possibilidade de aplicação de ambas abordagens para a classificação de documentos jurídicos do Dataset empregado, bem como, apesar de menos custosos computacionalmente, os pipelines de classificação da Abordagem I que empregam a representação computacional do documento com TF-IDF apresentam resultados equivalentes aos pipelines que empregam Deep Learning. Além disso, a especialização da representação computacional dos documentos com os dados do dataset em estudo, melhoram o desempenho dos pipelines que empregam Word2Vec, FastText e ULMFiT, quando comparados aos pipelines que aplicam as representações genéricas desses, ou seja, modelos pré-treinados com dados do contexto geral.
Acesso aberto (Open Access)
Arquitetura de modelos híbridos, machine learning e otimizadores para análise de consumo de energia elétrica e produtividade em pintura automotiva
(Universidade Federal do Pará, 2024-03-27) OLIVEIRA, Rafael Barbosa de; OLIVEIRA, Roberto Célio Limão de; http://lattes.cnpq.br/4497607460894318
Estratégias de otimização de consumo energético nas etapas de pintura emergem como fatores primordiais para promover uma produção mais sustentável e competitiva no setor automotivo. Esta dissertação busca prever o consumo energético e maximizar a produtividade na pintura automotiva, utilizando uma abordagem que combina seleção de variáveis, modelos híbridos, hiperparâmetros destes modelos e otimização por meta-heurística em uma arquitetura com 3 etapas. Os processos de pintura automotiva apresentam variáveis em forma de séries temporais que descrevem o histórico do consumo de energia. Na etapa 1, escolhe-se o melhor modelo de aprendizado de máquina (Random Forest, Long-Short Term Memory, XGBoost e GRU-LSTM) para prever séries temporais do consumo energético em t+1. Na etapa 2, avalia-se os modelos RF, XGBoost e Rede Neural Artificial (RNA) Densa para selecionar o melhor preditor de quantidade de veículos produzidos (ciclos). Na etapa 3, seleciona-se a melhor meta-heurística entre Genetic Algorithm (GA), Differential Evolution (DE) e Particle Swarm Optimization (PSO) para otimizar o consumo energético previsto pelo melhor modelo do step 1, usando como medida de fitness o melhor modelo do step 2. A arquitetura final reduziu a energia consumida em até 16% e aumentou o ciclo em 127%, usando os modelos GRU-LSTM na etapa 1, RNA Densa na etapa 2 e DE no etapa 3. Os resultados ressaltam a oportunidade de uso da abordagem proposta para otimizar o consumo de enrgia e a produtividade na pintura automotiva.
Acesso aberto (Open Access)
Beam-selection otimizado por aprendizado de máquina : uma abordagem multimodal
(Universidade Federal do Pará, 2023-12-30) FERREIRA, Jamelly Freitas; GOMES, Diego de Azevedo; http://lattes.cnpq.br/5116561408505726; KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha; http://lattes.cnpq.br/1596629769697284
Esta dissertação tem como objetivo investigar a utilização de modelos de aprendizado de máquina usando dados multimodais como entrada para otimizar o processo de “Beam-Selection”em redes baseadas em ondas milimétricas. O uso de Deep Learning tem se intensificado em diferentes áreas, sendo possível obter performance igual ou superior à humana, desta forma seu uso mostra-se promissor também em cenários de comunicação sem fio. Neste trabalho foram usados dados de diferentes naturezas o que se mostrou conveniente ao passo que é possível ajustar o modelo de acordo com a qualidade/disponibilidade destes dados. Após execução dos experimentos, e obtencão dos resultados, foi observado que é possível obter significativa performance em diferentes métricas, mesmo com dados mais simples como Imagem e Coordenada.
Acesso aberto (Open Access)
Classificação de eletroencefalogramas epiléticos em estado de repouso com aplicação de classificadores lineares e um atributo derivado da densidade espectral de potência
(Universidade Federal do Pará, 2019-12-04) FIEL, José de Santana; PEREIRA JÚNIOR, Antonio; http://lattes.cnpq.br/3239362677711162
Milhões de brasileiros são afetados pela epilepsia e o acesso ao diagnóstico precoce é crucial para o seu tratamento adequado. No entanto, o diagnóstico de epilepsia depende da avaliação de registros eletroencefalográficos (EEG) de longa duração realizados por profissionais treinados, transformando-o em um processo oneroso que não está imediatamente disponível para muitos pacientes no Brasil. Assim, o presente trabalho propõe uma metodologia para a classificação automática do EEG de indivíduos epiléticos, que utiliza registros de EEG de curta duração obtidos com o paciente em repouso. O sistema é baseado em algoritmos de aprendizado de máquina que usam um atributo extraído da densidade espectral de potência dos sinais de EEG. Esse atributo é uma estimativa da conectividade funcional entre os pares de canais de EEG e é chamado debiased weighted phase-lag index (dWPLI). Os algoritmos de classificação foram análise discriminante linear (LDA) e máquinas de vetores de suporte (SVM). Os sinais de EEG foram adquiridos durante o estado interictal, isto é, entre convulsões e não tinham atividade epileptiforme. Registros EEG 11 pacientes epiléticos e 7 indivíduos saudáveis foram utilizados para avaliar o desempenho do método proposto. Ambos os algoritmos atingiram seu desempenho máximo de classificação, 100 % de precisão e área sob a curva de característica de operação do receptor (AUROC), quando um vetor de característica com 190 atributos foi usado como entrada. Os resultados mostram a eficácia do sistema proposto, dado seu alto desempenho de classificação.
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)
Conversão grafema-fone para um sistema de reconhecimento de voz com suporte a grandes vocabulários para o português brasileiro
(Universidade Federal do Pará, 2006-06-12) HOSN, Chadia Nadim Aboul; KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha; http://lattes.cnpq.br/1596629769697284
O processamento de voz tornou-se uma tecnologia cada vez mais baseada na modelagem automática de vasta quantidade de dados. Desta forma, o sucesso das pesquisas nesta área está diretamente ligado a existência de corpora de domínio público e outros recursos específicos, tal como um dicionário fonético. No Brasil, ao contrário do que acontece para a língua inglesa, por exemplo, não existe atualmente em domínio público um sistema de Reconhecimento Automático de Voz (RAV) para o Português Brasileiro com suporte a grandes vocabulários. Frente a este cenário, o trabalho tem como principal objetivo discutir esforços dentro da iniciativa FalaBrasil [1], criada pelo Laboratório de Processamento de Sinais (LaPS) da UFPA, apresentando pesquisas e softwares na área de RAV para o Português do Brasil. Mais especificamente, o presente trabalho discute a implementação de um sistema de reconhecimento de voz com suporte a grandes vocabulários para o Português do Brasil, utilizando a ferramenta HTK baseada em modelo oculto de Markov (HMM) e a criação de um módulo de conversão grafema-fone, utilizando técnicas de aprendizado de máquina.
Desconhecido
Custo de oportunidade (trade-off) para diferentes estratégias de manutenção de trilhos ferroviários na Amazônia
(Universidade Federal do Pará, 2022-12-22) CURCINO, Gabrielle dos Anjos; BRAGA, Eduardo de Magalhães; http://lattes.cnpq.br/4783553888547500
A manutenção emergencial dos ativos ferroviários na Amazônia brasileira tem gerado perdas de receita e custos de oportunidade. O objetivo geral deste estudo foi identificar a importância do custo de oportunidade na tomada de decisão para estratégias de manutenção corretiva e preventiva. A metodologia propôs a modelagem das variáveis referentes aos dados econômicos e operacionais da manutenção ferroviária nos últimos dez anos, por aprendizado de máquina não paramétrico Gradient Boosting Regression Tree, e hibridizando-o com a análise do custo de oportunidade para o trade-off decisão de uma ferrovia de minério na Amazônia brasileira. Os resultados mostraram que o GBDT foi eficiente em ajustar os dados de treinamento com r2 igual a um. Da mesma forma, os dados do teste apresentaram valores de r2 satisfatórios, próximos a um, onde se obteve o grau de importância das variáveis independentes na predição das variáveis dependentes. O método de Pearson foi utilizado para construir a matriz de correlação para cada par de variáveis. A partir do modelo gerado, foram criados oito grupos de previsão para o ano de 2022. Em seguida, foram estabelecidos níveis de conflito, sugeridos pela literatura econômica, entre os cenários de previsão, onde o custo de oportunidade foi identificado entre as alternativas com melhor benefício às estratégias de manutenção. Dessa forma, o custo de oportunidade aliado ao aprendizado de máquina serve como um instrumento para auxiliar as empresas na busca por melhores decisões de manutenção, o que contribui para o aprimoramento da gestão dos ativos ferroviários. O estudo do custo de oportunidade a partir de uma análise trade off baseada em predições do custo das estratégias de manutenção através da modelagem por Machine Learning - Gradient Boosting Regression é um objetivo inédito na literatura.
Desconhecido
Desenvolvimento de sistema de diagnóstico de falhas em roletes de transportadores de correia
(Universidade Federal do Pará, 2024-03-28) SOARES, João Lucas Lobato; MESQUITA, Alexandre Luiz Amarante; http://lattes.cnpq.br/3605920981600245; https://orcid.org/0000-0001-5605-8381
Os transportadores de correia são equipamentos essenciais na indústria de mineração e requerem monitoramento constante para manter uma boa confiabilidade. Com o objetivo de suportar a correia e o material transportado, os roletes são componentes que, constantemente, falham durante a operação, nos quais apresentam defeitos nos rolamentos e desgaste superficial na concha como modos de falha mais comuns. Assim, o monitoramento baseado em manutenção preditiva é essencial, e técnicas de aprendizado de máquina podem ser utilizadas como alternativa para detecção de falhas em equipamentos. Em diagnósticos utilizando aprendizado de máquina, a etapa de seleção de features é importante para evitar a perda de precisão na classificação da condição do equipamento. O presente estudo analisa o desempenho do algoritmo de árvore de decisão e Análise de Variância (ANOVA) como métodos alternativos para redução de dimensionalidade. Inicialmente, os sinais de vibração foram coletados nos roletes de uma bancada de transportador de correia e a Wavelet Packet Decomposition (WPD) foi aplicada aos sinais para obtenção das faixas de energia, que foram utilizadas como features para classificação. Após a determinação das melhores features, duas abordagens foram analisadas para seleção de características: uma com a aplicação do método sem redução de dimensionalidade e outra com a aplicação da árvore de decisão. Adicionalmente, foram empregados diferentes algoritmos de classificação: Máquina de Vetores de Suporte (SVM), k-ésimo Vizinho mais Próximo (kNN) e Rede Neural Artificial (ANN). Como resultados, constatou-se um desempenho superior de acurácia diagnóstica em todas as técnicas com redução de dimensionalidade das características selecionadas pela árvore de decisão. Além disso, SVM, kNN e ANN apresentaram aumentos de acuracidade dentre os modelos de diagnóstico de falha abordados.
Acesso aberto (Open Access)
Detecção e rastreamento de componentes de vagões ferroviários utilizando redes neurais convolucionais e restricões geométricas
(Universidade Federal do Pará, 2020-04-27) GONÇALVES, Camilo Lélis Assis; BARROS, Fabrício José Brito; http://lattes.cnpq.br/9758585938727609
A inspeção de componentes de trem que podem causar descarrilamento possui um papel importante na manutenção ferroviária. A fim de aumentar a produtividade e a segurança, empresas prestadoras de serviços procuram por soluções de inspeção automáticas e confiáveis. Apesar da inspeção automática baseada em visão computacional ser um conceito consolidado, tais aplicações desafiam a comunidade de desenvolvimento em razão de fatores ambientais e logísticos a serem considerados. Este trabalho propõe uma técnica de detecção e estimativa das posições das regiões de dreno presentes em vagões de trem. Nosso detector/rastreador consiste em uma rede neural convolucional e um conjunto de restrições geométricas, que levam em conta a trajetória ideal dos componentes de interesse dos vagões e as distâncias entre eles. Detalhamos os procedimentos de treinamento e validação, juntamente com as métricas utilizadas para aferir a performance do sistema proposto. Os resultados apresentados são comparados com outras duas técnicas, e exibem um bom custo‑benefício entre confiança e complexidade computacional para a detecção dos componentes de interesse.
Acesso aberto (Open Access)
Development of machine learning-based frameworks to predict permeability of peptides through cell membrane and blood-brain barrier
(Universidade Federal do Pará, 2024-03-27) OLIVEIRA, Ewerton Cristhian Lima de; LIMA, Anderson Henrique Lima e; http://lattes.cnpq.br/2589872959709848; https://orcid.org/0000-0002-8451-9912; SALES JUNIOR, Claudomiro de Souza de; http://lattes.cnpq.br/4742268936279649
Peptídeos compreendem uma classe versátil de biomoléculas com diversas propriedades físicoquímicas e estruturais, além de inúmeras aplicações farmacológicas e biotecnológicas. Alguns grupos de peptídeos podem cruzar membranas biológicas, como a membrana celular e a barreira hematoencefálica humana. Pesquisadores tem explorado esta propriedade ao longo dos anos como uma alternativa ao desenvolvimento de novos medicamentos mais poderosos, tendo em vista que alguns peptídeos são carreadores de fármacos. Embora existam ferramentas baseadas em aprendizado de máquina desenvolvidas para prever cell-penetrating peptides (CPPs) e blood-brain barrier penetrating peptides (B3PPs), alguns pontos ainda não foram explorados dentro deste tema. Estes pontos abrangem o uso de técnicas de redução de dimensionalidade (RD) na etapa de pré-processamento, de descritores moleculares relacionados à biodisponibilidade de drogas, e de estrutura de dados que codificam peptídeos com modificações químicas. Portanto, a proposta principal desta tese é desenvolver e testar dois frameworks baseados em RD, o primeiro para prever CPPs e o segundo para prever B3PPs, avaliando também os descritores moleculares e estrutura de dados de interesse. Os resultados desta tese mostram que para a predição de penetração na membrana celular, o framework proposto atingiu 92% de acurácia no melhor desempenho em um teste independente, superando outras ferramentas criadas para o mesmo propósito, além de evidenciar a contribuição entre a junção de descritores baseado em sequência de aminoácidos e os relacionados a biodisponibilidade e citados na regra dos cinco de Lipinski. Além do mais, a predição de B3PPs pelo framework proposto revela que o melhor modelo que utiliza descritores moleculares estruturais, elétricos e associados a biodisponibilidade de compostos alcançou valores que superam 93% de acurácia média no 10-fold cross-validation e acurácia entre 75% e 90% no teste independente para todos as simulações, superando outras ferramentas de machine learning (ML) desenvolvidas para predizer B3PPs. Estes resultados mostram que os frameworks propostos podem ser usado como ferramenta adicional na predição de penetração de peptídeos através dessas duas biomembranas e estão disponíves como web servers gratuitos para uso.
Acesso aberto (Open Access)
Identificação de sistemas multiforças a partir de dados de vibração e técnicas de aprendizado de máquinas
(Universidade Federal do Pará, 2024-11-07) PINHEIRO, Giovanni de Souza; NUNES, Marcus Vinícius Alves; http://lattes.cnpq.br/9533143193581447
O surgimento de defeitos em componentes dinâmicos, tende a produzir alterações nas forças geradas e podem ser detectadas por meio do espectro de resposta à vibração do equipamento. Compreender as forças que atuam sobre uma estrutura é extremamente importante, especialmente nos casos em que os pontos de medição são limitados ou inacessíveis, pois permite avaliar, entre outros fatores, se a vida útil dos componentes está comprometida pela condição atual da máquina. Nesses casos, um problema inverso precisa ser resolvido. As técnicas de Aprendizado de Máquinas vêm se destacando como uma poderosa ferramenta de predição dentre as soluções desenvolvidas para esse tipo de problema, sendo cada vez mais aplicadas na solução de problemas de engenharia. Portanto, este trabalho tem como objetivo avaliar diferentes modelos de aprendizado de máquina para a identificação de forças atuando em um sistema composto por uma placa suspensa, com base em dados de vibração medidos. Nesse sentido, um modelo computacional foi gerado e calibrado usando respostas de vibração medidas em laboratório. Um banco de dados robusto foi criado utilizando a Metodologia de Superfície de Resposta (Response Surface Methodology- SRM) em conjunto com o Delineamento de Experimentos (Design of Experiment - DOE) e, em seguida, utilizado para avaliar a capacidade dos modelos de aprendizado de máquina em prever a localização, frequência de excitação, magnitude e número de forças que atuam na estrutura. Entre os seis modelos de aprendizado de máquina avaliados, o modelo k-NN foi capaz de prever os parâmetros das forças com um erro de 0,013%, e o modelo de floresta aleatória, com um erro máximo de 0,2%. Por fim, um banco de dados, contendo uma linha de dados experimentais, foi utilizada para avaliar os modelos k-NN e Floresta Aleatória, obtendo um score de 0,96 e 0,93, respectivamente. A inovação do estudo está na aplicação do método proposto para identificação de parâmetros em sistemas multiforças.
Acesso aberto (Open Access)
Implementação de modelos computacionais na predição temporal e espaço-temporal de parâmetros de qualidade de água
(Universidade Federal do Pará, 2021-12-14) ALMEIDA, Anderson Francisco de Sousa; MERLIN, Bruno; http://lattes.cnpq.br/7336467549495208; HTTPS://ORCID.ORG/0000-0001-7327-9960; GONZÁLEZ, Marcos Tulio Amaris; http://lattes.cnpq.br/9970287865377659
A qualidade da água esta diretamente relacionada com o nível de poluição causada pelas acoes antrópicas e industrias, destacando-se como consequência a redução da disponibilidade de uma água de qualidade. Por isso, são realizados os monitoramentos limnológicos dos parâmetros básicos da qualidade da água como forma de obtenção de dados que norteiam as tomadas de decisão dos órgãos de recursos hídricos. Neste contexto, o presente estudo tem a implementação de algoritmos de aprendizado de maquina para predizer de modo temporal e espaço-temporal os dados dos parâmetros da qualidade da água. As técnicas de aprendizado de maquina usadas foram regressão linear, ramdom forest, redes neurais MLP e L STM. Foram usados dois pontos de coletas de uma Unidade Gerenciamento de Recursos Hídricos em São Paulo, Brasil. Os modelos são avaliados atraves de métricas MAPE ( Erro percentual médio absoluto) e RMSE( Erro raiz quadrada média). Portanto, na predição temporal a técnica LSTM apresentou o melhor desempenho em relação as demais técnicas, pois tem menor resultado de RMSE médio, com 2,47. Porem, na predição espaço-temporal, o MLP tem os melhores desempenhos tanto em relação as demais técnicas quanto aos dados utilizados, pois tem menores resultados médios de MAPE e RMPE, respectivamente, 5,94% e 1,34. Desse modo, estes desempenhos neurais podem ser justificados pela não linearidade dos dados parâmetros. Além disso, os resultados dos experimentos visam contribuir com os processos de monitoramento da qualidade da água e auxiliar o planejamento da gestão hídrica de modo que atenda as legislações vigentes e possibilite a indicação de politicas publicas atraves de modelos de aprendizado de maquina na predição dos parâmetros de qualidade de água.
Acesso aberto (Open Access)
Modelo de inteligência artificial para estimativa do desmatamento considerando a rede de transporte rodoviário do estado do Pará
(Universidade Federal do Pará, 2022-01-10) NEVES, Patrícia Bittencourt Tavares das; BLANCO, Claudio José Cavalcante; http://lattes.cnpq.br/8319326553139808; https://orcid.org/0000-0001-8022-2647; DUARTE, André Augusto Azevedo Montenegro; http://lattes.cnpq.br/1135221873341973; https://orcid.org/0000-0003-4586-1587
Desde a década de 1950 a matriz de transporte amazônica, assim como de todo o Brasil, priorizou o modal rodoviário sem considerar a potencialidade hidroviária da Amazônia. Estudos anteriores indicam que o sistema rodoviário, formado pela rede viária regulamentada integrada a uma vasta rede clandestina, tem forte relação espacial com o desmatamento da floresta. Assim, o objetivo do trabalho é realizar uma análise quantitativa das variáveis relacionadas ao processo de desmatamento da floresta Amazônica, no período de 1988 a 2018. A área de estudo é o território do estado do Pará, localizado na Amazônia Oriental, segundo maior estado do Brasil em extensão territorial e o mais desmatado. O recurso matemático utilizado foi inteligência artificial com aplicação da técnica de aprendizado de máquinas (machine learning). Utilizaram-se variáveis quantitativas relacionadas à infraestrutura de transportes, variáveis sociais e econômicas, e como variável ambiental, a área desmatada. Foram testados três modelos e o algoritmo Random Forest apresentou o melhor desempenho. Com a função gerada, foi estimada a área desmatada para os anos de 2020, 2030, 2040 e 2050. Utilizou-se análise de sensibilidade para estimar a área desmatada com a implantação da BR-163 e BR-210, na região Norte do Pará. Os resultados demonstram que, mantendo-se o cenário atual, o desmatamento ainda será intenso nas próximas três décadas, com 25,77% de crescimento em relação à área atual, embora com taxas decenais decrescentes e a estimativa de área desmatada promovida pela implantação das rodovias federais é de 4.703,43 km2 a 6.567,48 km2 .
Acesso aberto (Open Access)
Output-only methods for damage identification in structural health monitoring
(Universidade Federal do Pará, 2017-04-27) SANTOS, Adam Dreyton Ferreira dos; FIGUEIREDO, Elói João Faria; http://lattes.cnpq.br/2315380423001185; COSTA, João Crisóstomo Weyl Albuquerque; http://lattes.cnpq.br/9622051867672434
No campo da monitorização de integridade estrutural (SHM), a identificação de dano baseada em vibração tem se tornado uma área de pesquisa crucial devido a sua potencial aplicação em estruturas de engenharia do mundo real. Assumindo que os sinais de vibração podem ser medidos pelo emprego de diferentes tipos de sistemas de monitorização, quando aplica-se o tratamento de dados adequado, as características sensíveis a dano podem ser extraídas e usadas para avaliar dano estrutural incipiente ou progressivo. Entretanto, as estruturas do mundo real estão sujeitas às mudanças regulares nas condições operacionais e ambientais (e.g., temperatura, umidade relativa, massa de tráfego e outros), as quais impõem dificuldades na identificação do dano estrutural uma vez que essas mudanças influenciam diferentes características de forma distinta. Nesta tese por agregação de artigos, a fim de superar essa limitação, novos métodos output-only são propostos para detectar e quantificar dano em estruturas sob influências operacionais e ambientais não medidas. Os métodos são baseados nos campos de aprendizagem de máquina e inteligência artificial e podem ser classificados como técnicas baseadas em kernel e clusterização. Quando os novos métodos são comparados àqueles do estado da arte, os resultados demonstraram que os primeiros possuem melhor performance de detecção de dano em termos de indicações de dano falso-positivas (variando entre 3,6Ű5,4%) e falso-negativas (variando entre 0Ű2,6%), sugerindo potencial aplicabilidade em soluções práticas de SHM. Se os métodos propostos são comparados entre si, aqueles baseados em clusterização, nomeadamente as abordagens de expectância-maximização global via algoritmos meméticos, provaram ser as melhores técnicas para aprender a condição estrutural normal, sem perda de informação ou sensibilidade aos parâmetros iniciais, e para detectar dano (erros totais iguais a 4,4%).
Acesso aberto (Open Access)
PredictmodelGUI: ferramenta para classificação de genes essenciais através de técnicas de aprendizado de máquina
(Universidade Federal do Pará, 2025-06-06) MOIA, Gislenne da Silva; SILVA, Cleison Daniel; http://lattes.cnpq.br/1445401605385329; HTTPS://ORCID.ORG/0000-0001-8280-2928; VERAS, Adonney Allan de Oliveira; http://lattes.cnpq.br/2201652617167877; https://orcid.org/0000-0002-7227-0590
As tecnologias de sequenciamento de DNA proporcionaram avanços significativos no conhecimento sobre o conteúdo gênico de inúmeros organismos, desde microrganismos até seres humanos. Dentre as análises realizadas pelas Ciências Ômicas, a Anotação se destaca como uma das mais importantes. Conceitualmente, esse processo consiste na inferência de informações biológicas a partir de sequências genômicas, o que permite aos Pesquisadores compreender a função de produtos genéticos, como os genes — Unidades Básicas da Hereditariedade responsáveis por características físicas e hereditárias de um organismo. Alguns genes desempenham funções vitais, pois codificam proteínas ou RNAs essenciais para processos como o Metabolismo Celular, que participam em vias cruciais como a Glicólise e o Ciclo do Ácido Tricarboxílico. As Plataformas de Sequenciamento passaram a gerar grandes volumes de dados, o que impulsionou avanços nas Áreas Ômicas e fomentou o desenvolvimento de métodos computacionais voltados às mais diversas análises. Mais recentemente, técnicas de Machine Learning e Inteligência Artificial têm sido aplicadas a esses dados, com estudos que demonstram a eficácia de abordagens inspiradas na Biologia. Esses modelos não exigem programação baseada em regras, embora sua criação ainda requeira habilidades avançadas em Programação e Computação. Com o objetivo de contribuir para a solução desse desafio, este estudo apresenta o PredictModelGUI, uma interface gráfica desenvolvida em Python que implementa nove modelos para classificar Genes Essenciais. A interface permite importar conjuntos de dados, re-treinar os modelos e ajustar parâmetros. As informações são armazenadas no banco de dados do software, o que assegura rastreabilidade e proporciona uma ferramenta simples e intuitiva para testar diferentes configurações.
Acesso aberto (Open Access)
Previsão da irradiação solar utilizando método ensemble para seleção de atributos e algoritmos de aprendizado de máquina
(Universidade Federal do Pará, 2023-06-20) MEJIA, Edna Sofia Solano; AFFONSO, Carolina de Mattos; http://lattes.cnpq.br/2228901515752720
A previsão precisa da irradiação solar é essencial para a gestão eficaz de sistemas de energia com geração fotovoltaica significativa. Algoritmos de aprendizado de máquina, que utilizam dados históricos e padrões para fazer previsões, desempenham um papel crucial nessa tarefa. Um aspecto chave é o uso de modelos ensemble, que combinam as previsões de vários algoritmos para melhorar a precisão e confiabilidade das previsões. Neste estudo, modelos ensemble são utilizados para aprimorar o desempenho das previsões, agregando as previsões de diferentes algoritmos. Além disso, o trabalho propõe um método de seleção de atributos ensemble, que envolve identificar os parâmetros de entrada mais relevantes e suas observações passadas relacionadas. Essa abordagem tem como objetivo otimizar os atributos de entrada utilizados pelos algoritmos de aprendizado de máquina, garantindo que apenas as informações mais pertinentes sejam consideradas para previsões precisas de irradiação solar. Ao aproveitar as habilidades de múltiplos algoritmos e selecionar os atributos mais informativos, a abordagem ensemble oferece uma estrutura robusta para melhorar a precisão das previsões de irradiação solar. O desempenho de vários algoritmos de aprendizado de máquina, incluindo modelos ensemble, é comparado para previsão de irradiação solar em dias com diferentes padrões climáticos, utilizando entradas endógenas e exógenas. Os algoritmos considerados são AdaBoost, SVR, RF, XGBT, CatBoost, VOA e VOWA. A seleção de atributos ensemble proposta depende dos algoritmos RF, IM e Relief. A precisão da previsão é avaliada com base em várias medidas usando um banco de dados real da cidade de Salvador, Brasil. Diferentes previsões climáticas são consideradas: 1 hora, 2 horas, 3 horas, 6 horas, 9 horas e 12 horas com antecedência. Os resultados numéricos mostram que a seleção de atributos ensemble proposta melhora a precisão da previsão e que o modelo VOWA selecionado com os algoritmos de melhor desempenho apresenta previsões com maior precisão do que os outros algoritmos em diferentes horizontes de previsão. Esta pesquisa demonstra a eficácia dos modelos ensemble e as técnicas de seleção de atributos na melhoria da previsão de irradiância solar, fornecendo insights valiosos para a gestão eficiente de sistemas de energia.
Acesso aberto (Open Access)
Previsão de séries temporais no sistema elétrico brasileiro utilizando preditores baseados em aprendizado de máquina: uma análise empírica
(Universidade Federal do Pará, 2024-04-05) CONTE, Thiago Nicolau Magalhães de Souza; OLIVEIRA, Roberto Célio Limão de; http://lattes.cnpq.br/4497607460894318; https://orcid.org/0000-0002-6640-3182
O panorama da energia elétrica no Brasil é influenciado por uma variedade de fatores complexos e relações não lineares, o que torna a previsão desafiadora. Com o aumento da demanda por energia e a crescente preocupação ambiental, é crucial buscar soluções baseadas em práticas de energia limpa e renovável, visando tornar o mercado de energia mais sustentável. Essas práticas visam reduzir o desperdício e otimizar a eficiência dos processos envolvidos na operação das tecnologias de distribuição e geração de energia elétrica. Uma abordagem promissora para viabilizar a energia sustentável é a aplicação de técnicas de previsão para diversas variáveis do mercado energético. Esta pesquisa propõe uma análise empírica do uso de regressores para realizar previsões nas bases de dados do Preço de Liquidação das Diferenças (PLD) do mercado brasileiro e da velocidade do vento em aerogeradores do Nordeste do Brasil. Busca-se contribuir com informações significativas sobre as técnicas de aprendizagem de máquina, que podem ser empregadas como ferramentas eficazes para a previsão de séries temporais no setor elétrico. Os resultados obtidos podem incentivar a implantação dessas técnicas para extrair conhecimento sobre o comportamento do sistema de energia brasileiro. Isso é particularmente relevante, dado que o preço da energia frequentemente exibe sazonalidade, alta volatilidade e picos, e a geração de energia eólica é amplamente influenciada pelas condições climáticas. Para modelar a previsão dessas duas séries temporais, utilizamos o banco de dados sobre o PLD, focando especialmente no preço médio da energia do Sistema Nacional Brasileiro. As variáveis mais relevantes estão relacionadas às condições hidrológicas, carga elétrica e preço dos combustíveis das unidades térmicas. Para a coleta das variáveis relacionadas à energia eólica, foram considerados dois locais distintos na região nordeste do Brasil: Macau e Petrolina. Para o estudo de previsão, utilizamos uma Rede Neural Perceptron Multicamadas (MLP), uma Long Short Term Memory (LSTM), o Auto-Regressive Integrado de Média Móveis (ARIMA) e a Máquina de Suporte de Vetores (SVM) para determinar as linhas bases nos resultados da predição. Para aprimorar os resultados destes regressores, utilizamos duas abordagens distintas de previsão. Uma das abordagens consistiu na combinação das técnicas de Redes Neurais Artificiais Profundas, baseada na Meta-Heurística do Algoritmo Genético Canônico (AG), para ajustar os hiperparâmetros dos regressores MLP e LSTM. Já a segunda estratégia focou em comitês de máquinas, os quais incluíam MLP, Árvore de Decisão, Regressão Linear e SVM em um comitê, e MLP, LSTM, SVM e ARIMA em outro. Essas abordagens consideraram dois tipos de votação, voting average (VO) e voting weighted average (VOWA), para avaliar o impacto no desempenho do comitê de máquinas.