Search

Water supply systems are indispensable infrastructures in any modern society, considering that a modern house is expected to have running water all the time. Water supply systems must pump water to meet their clients demands and face large cost-efficiency problems related to pumping operations. This work presents and analyses a possible solution to this problem using machine learning to both forecast water demands and simulate the consequent behaviour of the network which enables the optimisation of the energy cost. The study was conducted using data from real water demands from the central region of Portugal and previously modelled networks such as Richmond’s network. The results indicate that Artificial Neural Networks (ANNs) and Recurrent Neural Networks (RNNs) with Gated Recurrent Units (GRUs) are capable of achieving good performance in forecasting water demands, and that it is possible to create a model that mimics the behaviour of a water supply network of reasonable size using ANNs. published

Artificial Intelligence (AI) has grown in the last years and it has many applications. Natural Language Processing is one of the AI tasks, which has the objective to endow the machines the capability of understanding human language. This is an important process due to the amount of information stored in textual form. There is a growing need for automatic extraction of knowledge, and NLP comes in this direction helping in tasks such as information extraction and information retrieval. Word sense disambiguation is an important NLP subtask, which is responsible for assigning the proper concept to an ambiguous word or term. In this paper, we present results obtained from applying supervised machine learning algorithms with local features, and word embeddings as global features extracted from Wikipedia and PubMed knowledge sources. These results indicate that word embeddings features are informative and may improve the biomedical word disambiguation accuracy. published

Water supply systems are indispensable infrastructures in any modern civilisation. Any modern house has running water at all time. People are so dependent on this essential good that today it is unthinkable for any social environment to live without water supply. Supply systems are responsible for maintaining the constant supply of water to homes, hospitals, industries, etc., and, consequently, are also responsible for maintaining the functioning of society. Since these systems are so indispensable in daily life, the costs associated with their operation are not taken into account. These systems have to pump water to meet their customers’ demands and face major energy cost-efficiency issues related to pumping operations. This work presents and analyses a possible solution to this problem using a decision support system that takes advantage of variations in the energy tariff throughout the day to optimise energy costs. It uses machine learning methods to predict future water demands and simulate the consequent behaviour of the networks, thus allowing the scheduling of pumping operations to coincide with the period when the tariff is cheaper. The results indicate that Artificial Neural Networks, Extreme Learning Machines and Recurrent Neural Networks with Gated Recurrent Units are capable of achieving a good performance forecasting water demands. It was also possible to create a model that accurately reproduces the behaviour of a water supply network of reasonable size using Artificial Neural Networks. Os sistemas de abastecimento de água são infraestruturas indispensáveis em qualquer civilização moderna. Qualquer casa moderna tem sempre água corrente. As pessoas estão de tal maneira dependentes deste bem essencial que hoje em dia é impensável qualquer meio social viver sem abastecimento de água. Os sistemas de abastecimento são responsáveis por manter o constante fornecimento de água a casas, hospitais, indústrias, etc., e, consequentemente, também são responsáveis por manter o funcionamento da sociedade. Como são sistemas indispensáveis no quotidiano não se tem tanto em consideração os custos associados com o seu funcionamento. Estes sistemas têm de bombear água para satisfazer os consumos dos seus clientes e enfrentam grandes problemas de custos energéticos relacionados com as operações de bombeamento. Este trabalho apresenta e analisa uma possível solução para este problema utilizando um sistema de apoio à decisão que tira partido da variação da tarifa energética ao longo do dia para fazer a otimização dos custos energéticos. A solução apresentada utiliza métodos de aprendizagem automática para prever consumos de água e simular o consequente comportamento das redes possibilitando assim o agendamento das operações de bombeamento para que coincidam com o período em que a tarifa é mais barata. Os resultados indicam que Redes Neuronais, Máquinas de Aprendizagem Extrema e Redes Neuronais Recurrentes com Gated Recurrent Units são capazes de alcançar um bom desempenho na previsão de consumos de água. Também foi possível criar um modelo que reproduz com precisão o comportamento de uma rede de abastecimento de água de médio tamanho usando Redes Neuronais. Mestrado em Engenharia Informática

Submitted by Marisa Figueiredo (marisa@ua.pt) on 2020-10-30T14:57:01Z No. of bitstreams: 1 Documento_Pedro_Matos.pdf: 3394533 bytes, checksum: 79e65a30cac00c78a759ca4dd392168e (MD5) Made available in DSpace on 2020-10-30T14:57:01Z (GMT). No. of bitstreams: 1 Documento_Pedro_Matos.pdf: 3394533 bytes, checksum: 79e65a30cac00c78a759ca4dd392168e (MD5) Previous issue date: 2019-07 Mestrado em Engenharia Informática

Mestrado em Engenharia de Computadores e Telemática Nowadays, in which the world is highly developed technologically, is possible to perform several tasks in certain areas that aim to help the world’s population. One of the areas where it has invested more in technological resources is in bioinformatics area. The growth in this area is a signal of improvement in quality of life of population, and this improvement may pass through an analysis of genetic code, alerting her of possible genetic changes or even the appearing of the diseases. This dissertation aims to perform an analysis to genetic code in order to know if an change may be pathogenic or not. In a first step, are performed tests with classical classifiers, to know their behaviour. Then, are performed new tests but this time using different models based on convolutional neural networks to get a better prediction and results of the same. Lastly, is done a comparison between each adopted classifier in order to be applied in the future the respective models in bioinformatics area. Nos dias de hoje,no qual o mundo está muito desenvolvido tecnologicamente, é possível efectuar várias tarefas em determinadas áreas que visam a ajudar a população mundial. Uma das áreas onde se tem investido mais em recursos tecnológicos é na área da bio informática. O crescimento desta área é sinal de melhoria na qualidadede vida da população, e essa melhoria pode passar por uma análise ao código genético, alertando-a de possíveis alterações genéticas ou até mesmo o aparecimento de doenças. Esta dissertação tem como objectivo efectuar uma análise ao código genético a fim de saber se uma alteração pode ser patogénica ou não. Numa primeira fase, são efectuados testes com classificadores clássicos, para saber qual o seu comportamento. De seguida, são efectuados novos testes mas desta vez usando modelos diferentes baseados em redes neuronais convolucionais para obter uma melhor previsão e resultados da mesma. Por fim, é feita a comparação entre cada um dos modelos adoptados para no futuro serem aplicados os respectivos modelos na área da bioinformática.

Mestrado em Engenharia de Computadores e Telemática Submitted by Patrícia Correia (patriciacorreia@ua.pt) on 2018-06-12T11:58:05Z No. of bitstreams: 1 tese.pdf: 3157810 bytes, checksum: 3a261e03881ad4f1f09098759c04fd40 (MD5) Made available in DSpace on 2018-06-12T11:58:05Z (GMT). No. of bitstreams: 1 tese.pdf: 3157810 bytes, checksum: 3a261e03881ad4f1f09098759c04fd40 (MD5) Previous issue date: 2017

Doutoramento conjunto MAPi em Ciências da Computação Motivation: Medicine and health sciences are changing from the classical symptom-based to a more personalized and genetics-based paradigm, with an invaluable impact in health-care. While advancements in genetics were already contributing significantly to the knowledge of the human organism, the breakthrough achieved by several recent initiatives provided a comprehensive characterization of the human genetic differences, paving the way for a new era of medical diagnosis and personalized medicine. Data generated from these and posterior experiments are now becoming available, but its volume is now well over the humanly feasible to explore. It is then the responsibility of computer scientists to create the means for extracting the information and knowledge contained in that data. Within the available data, genetic structures contain significant amounts of encoded information that has been uncovered in the past decades. Finding, reading and interpreting that information are necessary steps for building computational models of genetic entities, organisms and diseases; a goal that in due course leads to human benefits. Aims: Numerous patterns can be found within the human variome and exome. Exploring these patterns enables the computational analysis and manipulation of digital genomic data, but requires specialized algorithmic approaches. In this work we sought to create and explore efficient methodologies to computationally calculate and combine known biological patterns for various purposes, such as the in silico optimization of genetic structures, analysis of human genes, and prediction of pathogenicity from human genetic variants. Results: We devised several computational strategies to evaluate genes, explore genomes, manipulate sequences, and analyze patients’ variomes. By resorting to combinatorial and optimization techniques we were able to create and combine sequence redesign algorithms to control genetic structures; by combining the access to several web-services and external resources we created tools to explore and analyze available genetic data and patient data; and by using machine learning we developed a workflow for analyzing human mutations and predicting their pathogenicity. Motivação: A medicina e as ciências da saúde estão atualmente num processo de alteração que muda o paradigma clássico baseado em sintomas para um personalizado e baseado na genética. O valor do impacto desta mudança nos cuidados da saúde é inestimável. Não obstante as contribuições dos avanços na genética para o conhecimento do organismo humano até agora, as descobertas realizadas recentemente por algumas iniciativas forneceram uma caracterização detalhada das diferenças genéticas humanas, abrindo o caminho a uma nova era de diagnóstico médico e medicina personalizada. Os dados gerados por estas e outras iniciativas estão disponíveis mas o seu volume está muito para lá do humanamente explorável, e é portanto da responsabilidade dos cientistas informáticos criar os meios para extrair a informação e conhecimento contidos nesses dados. Dentro dos dados disponíveis estão estruturas genéticas que contêm uma quantidade significativa de informação codificada que tem vindo a ser descoberta nas últimas décadas. Encontrar, ler e interpretar essa informação são passos necessários para construir modelos computacionais de entidades genéticas, organismos e doenças; uma meta que, em devido tempo, leva a benefícios humanos. Objetivos: É possível encontrar vários padrões no varioma e exoma humano. Explorar estes padrões permite a análise e manipulação computacional de dados genéticos digitais, mas requer algoritmos especializados. Neste trabalho procurámos criar e explorar metodologias eficientes para o cálculo e combinação de padrões biológicos conhecidos, com a intenção de realizar otimizações in silico de estruturas genéticas, análises de genes humanos, e previsão da patogenicidade a partir de diferenças genéticas humanas. Resultados: Concebemos várias estratégias computacionais para avaliar genes, explorar genomas, manipular sequências, e analisar o varioma de pacientes. Recorrendo a técnicas combinatórias e de otimização criámos e conjugámos algoritmos de redesenho de sequências para controlar estruturas genéticas; através da combinação do acesso a vários web-services e recursos externos criámos ferramentas para explorar e analisar dados genéticos, incluindo dados de pacientes; e através da aprendizagem automática desenvolvemos um procedimento para analisar mutações humanas e prever a sua patogenicidade.

Doutoramento conjunto MAPi em Ciências da Computação Submitted by Daisy Tavares (daisytavares@ua.pt) on 2015-04-28T11:20:51Z No. of bitstreams: 1 Tese.pdf: 5809132 bytes, checksum: 2034485a6ba0189983a262e54e94950f (MD5) Made available in DSpace on 2015-04-28T11:20:51Z (GMT). No. of bitstreams: 1 Tese.pdf: 5809132 bytes, checksum: 2034485a6ba0189983a262e54e94950f (MD5) Previous issue date: 2014