Navegando por Assunto "Neural network"

Agora exibindo 1 - 7 de 7

Acesso aberto (Open Access)
Avaliação da distorção harmônica total de tensão no ponto de acoplamento comum industrial usando o processo KDD baseado em medição
(Universidade Federal do Pará, 2018-03-27) OLIVEIRA, Edson Farias de; TOSTES, Maria Emília de Lima; http://lattes.cnpq.br/4197618044519148
Nas últimas décadas, a indústria de transformação, tem proporcionado a introdução de produtos cada vez mais rápidos e energeticamente mais eficientes para utilização residencial, comercial e industrial, no entanto essas cargas devido à sua não linearidade têm contribuído significativamente para o aumento dos níveis de distorção harmônica de tensão em decorrência da corrente conforme indicadores de Qualidade de Energia Elétrica do sistema brasileiro de distribuição de energia elétrico. O constante aumento dos níveis das distorções, principalmente no ponto de acoplamento comum, tem gerado nos dias atuais muita preocupação nas concessionárias e nos consumidores de energia elétrica, devido aos problemas que causam como perdas da qualidade de energia elétrica no fornecimento e nas instalações dos consumidores e isso têm proporcionado diversos estudos sobre o assunto. Com o intuito de contribuir com o assunto, a presente tese propõe um procedimento com base no processo Knowledge Discovery in Database - KDD para identificação das cargas impactantes das distorções harmônicas de tensão no ponto de acoplamento comum. A metodologia proposta utiliza técnicas de Inteligência computacional e mineração de dados para análise dos dados coletados por medidores de qualidade de energia instalados nas cargas principais e no ponto de acoplamento comum do consumidor e consequentemente estabelecer a correlação entre as correntes harmônicas das cargas não lineares com a distorção harmônica no ponto de acoplamento comum. O processo proposto consiste na análise das cargas e do layout do local onde a metodologia será aplicada, na escolha e na instalação dos medidores de QEE e na aplicação do processo KDD completo, incluindo os procedimentos de coleta, seleção, limpeza, integração, transformação e redução, mineração, interpretação, e avaliação dos dados. Com o propósito de contribuição foram aplicadas as técnicas de mineração de dados Árvore de Decisão e Naïve Bayes e foram testados diversos algoritmos em busca do algoritmo com resultados mais significativos para esse tipo de análise conforme apresentado nos resultados. Os resultados obtidos evidenciaram que o processo KDD possui aplicabilidade na análise da Distorção Harmônica Total de Tensão no Ponto de Acoplamento Comum e deixa como contribuição a descrição completa de cada etapa desse processo, e para isso foram comparados com diferentes índices de balanceamento de dados, treinamento e teste e diferentes cenários em diferentes turnos de análise e apresentaram bom desempenho possibilitando sua aplicação em outros tipos de consumidores e empresas de distribuição de energia. Evidencia também, na aplicação escolhida e utilizando diferentes cenários, que a carga mais impactante foi a sétima harmônica de corrente das centrais de ar condicionado para o conjunto de dados coletados.
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 regiões de desmatamento via imagens do satélite landsat no nordeste do Pará
(Universidade Federal do Pará, 2023-12-18) CANAVIEIRA, Luena Ossana; COSTA, João Crisóstomo Weyl Albuquerque; http://lattes.cnpq.br/9622051867672434
Acesso aberto (Open Access)
Identificacao de larvas de mosquitos do genero aedes utilizando redes neurais convolucionais
(Universidade Federal do Pará, 2023-09-29) SILVA, Romário da Costa; FERREIRA JÚNIOR, José Jailton Henrique; http://lattes.cnpq.br/9031636126268760; FRANCÊS, Carlos Renato Lisboa
As arboviroses transmitidas pelos mosquitos do gênero Aedes constituem uma séria ameaça à saúde pública. A detecção e o controle desses vetores são fundamentais para prevenir surtos de doenças, incluindo Dengue, Chikungunya, Zika e Febre Amarela. As técnicas de visão computacional e aprendizagem profunda tem sido cada vez mais utilizadas no controle epidemiológico, principalmente, no que tange à classificação e detecção destes mosquitos. Nesse sentido, propõe-se três modelos voltados para classificação, detecção e segmentação de larvas dos mosquitos baseado na utilização de redes neurais convolucionais (CNN) e algoritmos de detecção de objetos (YOLO). Para tanto, foi criado um conjunto de dados (dataset) próprio para treinamento. O dataset é composto por imagens de larvas, sendo categorizadas entre as classes Aedes e Não Aedes. Os resultados obtidos indicam que os modelos propostos se apresentam como estratégias promissoras e alcançaram valores de acurácia de 86,71%, mAP (Mean Average Precision) de 88,3% e 95,7% para as tarefas de classificação, detecção e segmentação, respectivamente.
Acesso aberto (Open Access)
Redes neurais diretas e recorrentes na previsão do preço de energia elétrica de curto prazo no mercado brasileiro
(Universidade Federal do Pará, 2016-11-11) PEREIRA JUNIOR, Flaviano Ramos; OLIVEIRA, Roberto Célio Limão de; http://lattes.cnpq.br/4497607460894318
Nos estudos sobre o mercado de energia do brasil existem poucos trabalhos sobre predição do preço de energia elétrica em curto prazo. Os que existem utilizam modelos preditores do tipo ARIMA e rede neural direta, entretanto com a rede neural sem método de seleção das variáveis de entrada ou dos atrasos das entradas. Além disso, não há trabalhos que utilizem redes neurais recorrentes no mercado brasileiro. O mercado de energia de curto prazo pode apresentar importantes oportunidades aos agentes atuantes, pois a comercialização nesse mercado é menos burocrática em relação ao mercado de longo prazo. Este trabalho apresenta o uso de redes neurais diretas e recorrentes (além da comparação com o modelo ARIMA) para a previsão do preço de energia elétrica de curto prazo brasileiro com uso da técnica de correlação para seleção das variáveis externas da rede e também para escolha dos atrasos nestas variáveis selecionadas. Mostra-se que, na previsão de um passo a frente, as redes neurais implementadas superam o desempenho do modelo ARIMA para esta série e, em geral, a rede direta apresenta melhor resultado que a recorrente. além disso, a seleção dos atrasos nas variáveis de entrada melhora o desempenho da rede neural direta.
Acesso aberto (Open Access)
Sistema web de suporte a mobilidade multimodal em smart campus usando algoritmos baseados em inteligência artificial e análise estatística
(Universidade Federal do Pará, 2023-08-16) SILVA, Edinho do Nascimento da; ARAÚJO, Jasmine Priscyla Leite de; http://lattes.cnpq.br/4001747699670004
A mobilidade urbana de uma grande cidade depende em grande parte do transporte público, que desempenha um papel vital ao facilitar o fluxo de cidadãos entre diferentes áreas onde uma variedade de bens e serviços, como saúde e atividades físicas, estão disponíveis. Segundo a ONU, espera-se que mais de 60% da população mundial resida em áreas urbanas até 2050, o que aumenta a necessidade de tornar todo o sistema de transporte mais sustentável e eficiente energeticamente. Para isso, a transição de modais movidos a combustíveis fósseis para opções alimentadas por energia elétrica é um divisor de águas que irá requerer a implantação de nova infraestrutura para provimento de energia elétrica aos futuros modais. Tal instalação de pontos de energia, denominados de pontos de recarga elétrica de modais elétricos é um desafio técnico, econômico e energético. Para discutir sobre esse tema atual e relevante, este trabalho apresenta os resultados obtidos a partir do Projeto de Sistema Inteligente Multimodal da Amazônia (SIMA), desenvolvido em parceria entre a empresa Norte Energia e a Universidade Federal do Pará (UFPA), com foco na implementação do Smart Campus da UFPA, em Belém do Pará. De posse da implantação da estrutura, essa ramificação do projeto, fez uso do projeto de infraestrutura para o desenvolvimento de uma solução baseada em software que sirva de suporte na tomada de decisões sobre a gestão da eficiência energética de um ambiente inteligente, isto é, um Smart Campus. Diante do exposto, este trabalho tem como foco principal projetar e desenvolver um sistema de gestão da eficiência energética que convertam os dados gerados por modais elétricos com o intuito de serem úteis na gestão da eficiência energética de todo o sistema multimodal. Para isso diversos algoritmos foram implementados no software, sendo eles: regressão linear, rede neural de regressão geral e média móvel. A partir deste trabalho é possível concluir que a ferramenta pode ser útil para auxiliar gestores dos modais a alcançarem reduções no consumo de energia, por consequência, reduzindo custos de operação e aumentando a longevidade de equipamentos, o que também impactará em custos de capital.
Acesso aberto (Open Access)
Stormsom: clusterização em tempo-real de fluxos de dados distribuídos no contexto de BigData
(Universidade Federal do Pará, 2015-08-28) LIMA, João Gabriel Rodrigues de Oliveira; CARDOSO, Diego Lisboa; http://lattes.cnpq.br/0507944343674734; SANTANA, Ádamo Lima de; http://lattes.cnpq.br/4073088744952858
Cresce cada vez mais a quantidade de cenários e aplicações que algoritmo necessitam de processamento e respostas em tempo real e que se utilizam de modelos estatísticos e de mineração de dados a fim de garantir um melhor suporte à tomada de decisão. As ferramentas disponíveis no mercado carecem de processos computacionais mais refinados que sejam capazes de extrair padrões de forma mais eficiente a partir de grandes volumes de dados. Além disso, há a grande necessidade, em diversos cenários, que o os resultados sejam providos em tempo real, tão logo inicie o processo, uma resposta imediata já deve estar sendo produzida. A partir dessas necessidades identificadas, neste trabalho propomos um processo autoral, chamado StormSOM, que consiste em um modelo de processamento, baseado em topologia distribuída, para a clusterização de grandes volumes de fluxos, contínuos e ilimitados, de dados, através do uso de redes neurais artificiais conhecidas como mapas auto-organizáveis, produzindo resultados em tempo real. Os experimentos foram realizados em um ambiente de computação em nuvem e os resultados comprovam a eficiência da proposta ao garantir que o modelo neural utilizado possa gerar respostas em tempo real para o processamento de Big Data.