Search

O acelerador de partículas, conhecido como large hadron collider entrou em operação em 2008 e, desde então, vem passando por um processo de constantes atualizações, em que parâmetros como a energia das colisões e a quantidade de partículas por bunch são aumentadas. Esses aumentos vêm afetando todos os detectores, dentre eles, o detector do experimento ATLAS. Nesse experimento, o sistema de trigger é onde os efeitos podem ser sentidos de forma mais contundente, pois há um aumento de ocorrência de colisões adjacentes, produzindo o efeito conhecido como pile-up (sobreposição de sinais), que dificulta o processo de seleção de eventos de interesse. Por isso, métodos de deconvolução on-line estão sendo propostos para lidar com esse problema. A maioria desses métodos são baseados em filtros finite impulse response, por já possuírem uma estrutura que permite a implementação on-line. Em contrapartida, o large hadron collider opera com trens de bunches, onde são intercaladas uma sequência temporal com colisões e outra sequência temporal sem colisões. Tal característica pode ser interpretada como janelas de aquisição de tamanho fixo, que permitem o uso de métodos iterativos (não causais) de deconvolução. Tais métodos tendem a apresentar resultados melhores que os baseados em filtros finite impulse response usados atualmente, por ser possível o uso de conhecimento especialista e algoritmos não causais. Para isso, neste trabalho, são propostos métodos iterativos de deconvolução baseados em teorias modernas de representação esparsa de dados e o seu desempenho é comparado com o desempenho dos métodos baseados em filtros finite impulse response. Dentre os métodos analisados destaca-se o separable surrogate functionals, com proposta de sua implementação em field programmable gate array, cujos resultados apontam a possibilidade da execução de várias instâncias desse método em paralelo, em uma única field programmable gate array, permitindo então o processamento on-line requerido no primeiro nível de trigger do ATLAS. The particle accelerator, known as the large hadron collider went into operation in 2008 and, since then, has been undergoing a process of constant updating, where parameters such as collision energy and the amount of particles per bunch are increased. These increasing have affected all detectors, including the detectors in the ATLAS experiment. In this experiment, the trigger system is where the effects can be felt most forcefully, because there is an increasing in the occurrence of adjacent collisions, producing the effect known as pile-up (signals overlapping), that make the process difficult to selecting events of interest. Therefore, deconvolution on-line methods are being proposed to deal with this problem. Most of these methods are based on finite impulse response filter, because they already have a structure that allows the on-line implementation. In contrast, large hadron collider operates with train of bunches, where a time sequence with collision and another collision-less time sequence are interleaved. This feature can be interpreted as a fixed size acquisition windows, allowing the usage of iterative deconvolution methods. Such methods tend to present better results than the methods currently in use, based on finite impulse response filter, because it is possible to use calorimetry specific knowledge and non-causal algorithms. For this purpose, this work proposes iterative methods of deconvolution, based on modern theories of sparse data representation, and their performance is compared with the performance of methods based on finite impulse response filter. Among the analyzed methods, the Separable Surrogate Functionals stands out, being thus proposed a form of implementation of this method in field programmable gate array, whose results indicate the possibility of implementation of several instances of this method in parallel, in a single field programmable gate array, allowing then the on-line processing required in the first level trigger of ATLAS.

Submitted by Flávia Sousa (flaviabs@ufba.br) on 2019-04-09T19:07:33Z No. of bitstreams: 1 Marton Sandes dos Santos.pdf: 10326813 bytes, checksum: 32468e1d80ad7d44cfd7d13721b6d69d (MD5) Approved for entry into archive by Flávia Sousa (flaviabs@ufba.br) on 2019-04-09T19:08:23Z (GMT) No. of bitstreams: 1 Marton Sandes dos Santos.pdf: 10326813 bytes, checksum: 32468e1d80ad7d44cfd7d13721b6d69d (MD5) Made available in DSpace on 2019-04-09T19:08:23Z (GMT). No. of bitstreams: 1 Marton Sandes dos Santos.pdf: 10326813 bytes, checksum: 32468e1d80ad7d44cfd7d13721b6d69d (MD5) O ATLAS é o maior detector do Large Hadron Collider (LHC), maior acelerador de partículas já construído e está em operação desde 2008. Sua estrutura é altamente segmentada, sendo composta por 100.000.000 de sensores dispostos num formato cilíndrico para captar os sinais provenientes das colisões próton-próton do LHC. Entre os principais objetivos dos experimentos de física de partículas pode-se mencionar a validação de modelos teóricos e a proposição de novas teorias relacionadas aos componentes fundamentais da matéria, e suas formas de interação. Devido à sua estrutura finamente segmentada, e à natureza dos fenômenos estudados, é produzido um volume de informação considerável durante as colisões, que ocorrem a uma taxa de 40 MHz produzindo no ATLAS até 68 TB/s de informação. Assim, torna-se proibitivo o armazenamento de toda a informação produzida, para posterior processamento. Dessa forma, é necessário um sistema de seleção online (Trigger), que realize a separação dos eventos que contenham informação a respeito da física de interesse do ruído de fundo (eventos não relevantes) produzido. Neste contexto, o discriminador online Neural Ringer utiliza redes neurais do tipo perceptron de múltiplas camadas (MLP) para a separação da informação de interesse (prováveis assinaturas de elétrons) do ruído de fundo (composto em sua maioria por jatos hadrônicos). Como entradas para as redes classificadoras, o Neural Ringer utiliza a informação do perfil de deposição de energia do evento registrado pelo detector. Entretanto, para a obtenção do conjunto de redes neurais que compõem o Neural Ringer, é necessário realizar um número elevado de inicializações do processo de treinamento, o que demanda muito tempo de processamento. Neste trabalho são investigadas modificações no sistema de detecção online de elétrons do ATLAS (Neural Ringer) visando diminuir o tempo de treinamento de redes neurais artificiais e mantendo a eficiência de discriminação da física de interesse. Para isso serão utilizadas técnicas computacionalmente eficientes para treinamento dos classificadores, como as Máquinas de Aprendizado Extremo (Extreme Learning Machine - ELM) e a as Redes com estados de Eco (Echo State Network - ESN). Utilizando duas bases de dados e duas técnicas de reamostragem utilizadas pela Colaboração ATLAS os classificadores foram treinados e avaliados por meio da curva ROC e índice SP na determinação da rede mais eficiente para posterior análise do tempo de treinamento. Ainda foi realizada uma análise estatística para comparação das técnicas propostas em relação ao discriminador padrão. Os resultados mostraram que as técnicas propostas produzem desempenho de classificação equivalente ao classificador em uso, e em tempo de treinamento inferior, sugerindo que as técnicas podem vir a ser utilizadas como alternativas ao classificador utilizado no detector ATLAS. The ATLAS is the largest detector of the Large Hadron Collider (LHC), the largest particle accelerator ever built and in operation since 2008. Its structure is highly segmented, having 100,000,000 sensors arranged in a cylindrical shape to capture proton-proton collisions occurring in the LHC. Among the main objectives of the experiments in particle physics are the validation of theoretical models and the proposition of new theories related to the fundamental components of matter and their forms of interaction. Due to its finely segmented structure and the nature of the studied phenomena, a considerable amount of information is produced during the collisions, occurring at a rate of 40 MHz producing in the ATLAS up to 68 TB/s of information. Thus, it becomes prohibitive the storage of all the information produced, for further processing. Therefore, an online selection system (Trigger) is required, which performs the separation of events that contain information about the background physics (non-relevant events) produced. In this context, the online discriminator Neural Ringer uses multilayer perceptron neural networks (MLP) to separate information of interest (likely electron signatures) from background noise (composed mainly of hadronic jets). As inputs to the classifier networks, the Neural Ringer uses the event energy deposition profile information recorded by the detector. However, to obtain the set of neural networks that make up the Neural Ringer, it is necessary to perform a large number of initializations of the training process, which requires processing time. In this work, modifications will be investigated in the ATLAS (Neural Ringer) electron detection system in order to reduce the training time of artificial neural networks and to maintain the discriminant efficiency of the physics of interest. To do this, we will use computationally efficient techniques to train classifiers, such as Extreme Learning Machines (ELM) and Echo State Networks (ESN). Using two databases and two resampling techniques used by the ATLAS Collaboration, the classifiers were trained and evaluated through the ROC curve and SP index in determining the most efficient network for later analysis of training time. A statistical analysis was also performed to compare the proposed techniques in relation to the standard discriminator. The results showed that the proposed techniques produce classification performance equivalent to the classifier in use, and at lower training time, suggesting that the techniques can be used as alternatives to the classifier used in the ATLAS detector.

Submitted by Marcio Filho (marcio.kleber@ufba.br) on 2017-06-02T12:54:45Z No. of bitstreams: 1 Dissertacao_Carlos_Eduardo_Tanajura_da_Silva.pdf: 4957398 bytes, checksum: 6c7b0143e1fa8db0895eb3ea9bd85d0b (MD5) Approved for entry into archive by Vanessa Reis (vanessa.jamile@ufba.br) on 2017-06-08T11:03:34Z (GMT) No. of bitstreams: 1 Dissertacao_Carlos_Eduardo_Tanajura_da_Silva.pdf: 4957398 bytes, checksum: 6c7b0143e1fa8db0895eb3ea9bd85d0b (MD5) Made available in DSpace on 2017-06-08T11:03:34Z (GMT). No. of bitstreams: 1 Dissertacao_Carlos_Eduardo_Tanajura_da_Silva.pdf: 4957398 bytes, checksum: 6c7b0143e1fa8db0895eb3ea9bd85d0b (MD5) O Brasil destaca-se entre os maiores exportadores de grãos do mundo, sendo assim, cada vez mais surgem novos produtos e derivados destas Commodity. Os métodos para classificação desses produtos muitas vezes são custosos e demorados, quase sempre se valendo de técnicas de química analítica e métodos matemáticos como PCA (Principal Component Analysis), PCR (Principal Components Regression) ou PLS (Properties of Partial Least Squares) e RNA (Redes Neurais Artificiais) para aumentar sua eficiência. Devido à grande variedade de produtos são necessários métodos mais eficientes para qualificar, caracterizar e classificar estas substâncias, uma vez que o preço final deve refletir a excelência do produto que chega ao consumidor. Este trabalho propõe uma solução para classificação de óleos vegetais: Canola, Girassol, Milho e Soja colocados no mercado por diferentes marcas e fabricantes. O método de análise empregado é a fluorescência induzida por LED de amostras de óleo diluídas em heptano, com diferentes concentrações, sendo que a classificação dos espectros de fluorescência foi feita por RNA. Foram produzidas e caracterizadas 640 amostras, sendo 480 para treinamento da rede neural e 160 para sua validação. Para a classificação das amostras de fluorescência, os dados foram organizados em dois estudos, o primeiro com referência ao tipo das amostras, o segundo a titulação, este por final contento três arranjos dos dados e RNAs distintas. Na classificação do tipo das amostras, a rede conseguiu identificar 115 amostras, tendo acertado aproximadamente 72% destas amostras de validação. A classificação por titulação, utilizou a metade das amostras de fluorescência, o universo de treinamento passou a ter 240 amostras, as de validação 80. Para esse segundo estudo houve 3 arranjos desses dados, o resultado do primeiro arranjo teve 33 amostras classificadas com sucesso de 80, o segundo 49 e o terceiro 31.

Submitted by LIVIA FREITAS (livia.freitas@ufba.br) on 2016-02-11T16:59:28Z No. of bitstreams: 1 Dissertação Mestrado PPGM Angelo Oliveira dos Santos.pdf: 2312063 bytes, checksum: 880385d9e55784f1b4dba0872fe4ff98 (MD5) Approved for entry into archive by Uillis de Assis Santos (uillis.assis@ufba.br) on 2016-02-15T21:21:39Z (GMT) No. of bitstreams: 1 Dissertação Mestrado PPGM Angelo Oliveira dos Santos.pdf: 2312063 bytes, checksum: 880385d9e55784f1b4dba0872fe4ff98 (MD5) Made available in DSpace on 2016-02-15T21:21:39Z (GMT). No. of bitstreams: 1 Dissertação Mestrado PPGM Angelo Oliveira dos Santos.pdf: 2312063 bytes, checksum: 880385d9e55784f1b4dba0872fe4ff98 (MD5) Os dutos de transporte de petróleo e seus derivados estão instalados por todo o mundo - na superfície da terra, enterrados ou submersos em rios e oceanos, estando sujeitos a desgastes externos e internos por ações físicas e reações químicas. No ano de 2008, a infraestrutura dutoviária do Brasil de petróleo, derivados, gás natural e outros produtos eram de 17.000 km de extensão. A ruptura dos dutos causa um grande impacto ambiental e prejuízos financeiros e de produção. Para evitar a corrosão direta e interna dos dutos, revestimentos são aplicados, isolando os líquidos e sólidos que passam pelos dutos. Monitorar o estado desses revestimentos representa o passo seguinte para garantia da eficiência dos mesmos. Este trabalho apresenta uma proposta de solução de instrumentação para detecção da qualidade de revestimento com traçabilidade ótica em dutos de transporte de água de produção e petróleo por uma rede de sensores sem fio utilizando módulos XBee, monitorada por uma aplicação desenvolvida em C#.