Search

Dissertação de mestrado em Matemática e Computação (especialização em Computação), O alicerce de qualquer indústria é o chão de fábrica. O chão de fábrica é um pátio ou um arma zém onde estão concentradas as linhas de produção compostas pelos funcionários e as máquinas necessárias para produção. É onde a força laboral é combinada com a tecnologia das máquinas para produzir os itens que consumimos e utilizamos no dia a dia. Com a interdependência e variabilidade dos processos que ocorrem no chão de fábrica, surgem vários cenários e problemas, capazes de interromper todo o processamento de uma empresa. Assim, respeitar planos torna-se por vezes complicado, sendo que, quando o processamento de uma empresa é interrompido, é crucial uma resposta de gestão rápida e eficiente. Esta gestão do chão de fábrica, por norma, é feita por pessoas, tornando-a muito propensa ao erro humano, erro esse que é cada vez mais provável com o aumento do tamanho do espaço a ser vigiado (chão de fábrica). Com a Indústria 4.0 e o surgimento de novos algoritmos focados na deteção e reconhecimento de objetos, tornou-se possível a aplicação deste tipo de modelos e algoritmos nas áreas da logística para melhorar a eficiência do espaço fabril. Assim, nesta dissertação, foram estudados e avaliados modelos para estimar a pose de indivíduos no chão de fábrica, com o objetivo de detetar possíveis erros na produção. Começou por se definir o esqueleto que se queria prever, estipulando assim os keypoints dese jados (locais do corpo que se pretende detetar). Foram avaliados 6 modelos diferentes de deteção e comparados através de 4 métricas. Foram ainda observadas as confianças de previsão destes mo delos e o número de keypoints com uma certa confiança mínima. Os datasets utilizados foram criados de raiz e são compostos por imagens de colaboradores da empresa Neadvance a trabalhar na secretária e na montagem de peças numa porta. Os resultados obtidos mostraram-se promissores, sendo possível determinar com alguma precisão a pose dos funcionários no chão de fábrica., The foundation of any industry is the factory floor. The factory floor is a yard or warehouse where the production lines, consisting of the workers and the machinery necessary for production, are con centrated. This is where the labour force is combined with the machinery to produce the things we consume and use every day. Due to the interdependence and variability of processes, there are multiple scenarios and potential problems that can bring all of a company’s processes to a halt. As a result, adherence to plans occasionally becomes complicated and, in these cases, a quick and efficient management response is critical. Normally, this management is carried out by humans, which makes it highly susceptible to human error, which becomes more and more likely as the size of the space to be guarded increases. With Industry 4.0 and the emergence of new algorithms focused on object detection and recogni tion, it became possible to apply this type of models and algorithms in the fields of logistics to improve the efficiency of the factory space. Thus, in this work, models were studied and evaluated to estimate the pose of people in the factory floor. First, the skeleton to be predicted was defined by determining the desired keypoints. Six different models were evaluated and compared using four metrics. The pre diction confidence of these models and the number of keypoints with a certain minimum confidence were also taken into account. The datasets used were created from scratch and consist of images of Neadvance employees working at desks and assembling parts in a door. The results obtained were promising, since it was possible to determine with some accuracy the pose of the workers in the factory floor.

A monitorização da qualidade da água das redes de abastecimento públicas é efetuada periodicamente por entidades gestoras por método tradicionais de laboratório, exigindo a recolha de amostras de diversos locais da rede para este efeito. Este trabalho insere-se num projeto (WDS – Water Data Solutions), cujo objetivo é a otimização dos procedimentos operacionais envolvidos na gestão das redes de abastecimento de água num conceito de baixos custos. Assim, pretende-se construir um sistema que faça um controlo dos parâmetros necessários para assegurar a qualidade da água para consumo, que será instalado nos vários pontos de interesse de uma rede de abastecimento e que envie informações relativas a estes parâmetros regularmente, e com mínima necessidade de manutenção. Neste trabalho, foram testados sensores com elétrodos impressos (Phase zero sensors) na determinação da concentração de três metais pesados em água (Mercúrio, Cádmio e Chumbo) por voltametria cíclica. Em todos os metais foi possível obter uma reta de calibração para as concentrações testadas, com limiares de concentração de 1.2 × 10⁻⁶ mol.dm⁻³ (Hg),1.1 × 10⁻⁵ mol.dm⁻³ (Cd) e de 8.1 × 10⁻⁶ mol.dm-3 (Pb). Embora estes limites de deteção ainda se encontrem algo afastados dos limites máximos legais, a prova de conceito está definida. Os mesmos sensores foram utilizados na deteção do pH, funcionalizando o elétrodo de trabalho com PANI. O processo de deteção deste parâmetro consistiu na medição do potencial de circuito aberto (OCP) em águas com diferentes valores de pH, tendo sido obtida uma reta de calibração ideal e que segue os modelos teóricos (equação de Nernst). Paralelamente, foi desenvolvido um sistema de “língua eletrónica” (e-tongue) constituído por sensores simples resistivos que, numa análise preliminar, servirá como alarmística para alterações inesperadas no padrão de qualidade da água. A análise de dados foi feita por Redes Neuronais Artificiais. Os sensores são constituídos por pistas interdigitadas impressas de carbono com um filme ativo de PEDOT:PSS que, embora com limitações, apresentou a melhor avaliação de informação. Foi possível criar uma Rede Neuronal simples, que permitiu distinguir corretamente, por três conjuntos de sensores águas, entre água desionizada, água da torneira ou água de garrafa. The monitoring of water quality in public supply networks is done regularly by management bodies through traditional methods in laboratory, which requires manual sampling in the various regions of interest within the networks. This work is inserted in a project (WDS – Water Data Solutions), which objective lies in the optimization of the operating procedures related with the management of water public supply networks on a low-cost basis. Therefore, it is intended to build a system that controls the necessary parameters to assure the water quality for consumption, which will be installed in the various points of interest of a given supply network and is able to send the information relative to these parameters regularly, with minimal maintenance. In this work, sensors with printed electrodes were tested (Phase zero sensors) in the determination of the concentration of three heavy metals in water (Mercury, Cadmium and Lead) by cyclic voltammetry. In all the metals, a calibration curve was achieved for the tested concentrations, with detection limits for concentrations of 1.2 × 10⁻⁶ mol.dm⁻³ (Hg),1.1 × 10⁻⁵ mol.dm⁻³ (Cd) e de 8.1 × 10⁻⁶ mol.dm-3 (Pb) (Cd) and 8.1 × 10-6 mol.dm-3 (Pb). Although these detection limits are still somewhat far from the upper limits defined by law, the proof of concept is well defined. These same sensors were used in pH detection, by functionalizing the working electrode with PANI. The calibration process for this parameter consisted in the measurement of the open circuit potential (OCP) in waters with different pH values, and an ideal calibration curve, following the theoretical models (Nernst equation), was obtained. Furthermore, an electronic tongue (e-tongue) system composed of simple resistive sensors was developed which, in a preliminary basis, will serve an alarmistic purpose for unexpected changes to the water quality standards. The data analysis will be done by Artificial Neural Networks. The sensors are built with printed carbon interdigitated strips with a PEDOT:PSS active film which, although with some limitations, presented the best information evaluation. A simple Neural Network was created, which allowed to correctly classify water between deionized water, tap water and bottled water using three sensor arrays. Mestrado em Engenharia Física

O objetivo da presente dissertação, é desenvolver e aplicar metodologias que permitem a análise automática da oscilografia dos sinais das tensões e das correntes associados a defeitos causados por curto-circuitos em linhas de transmissão de energia elétrica. Para o efeito foram simulados diferentes tipos de defeitos (curto-circuitos Fase - Terra (FT), Fase - Fase - Terra (FFT) e Fase - Fase - Fase - Terra (FFFT) ) no laboratório do R&D Nester utilizando o modelo disponibilizado da Rede Nacional de Transporte (RNT) portuguesa. Para cada um dos defeitos simulados foi desenvolvido e aplicado um método baseado na transformada de wavelet, que permite identificar nos sinais de defeito, os instantes de início do defeito, de abertura dos disjuntores e de restabelecimento do circuito, fazendo-se a partir desses instantes, a segmentação dos sinais. Posteriormente, a partir da informação fornecida pela segmentação dos sinais, foi desenvolvido um método, tendo por base Redes Neuronais Artificiais, capaz de classificar os defeitos, ou seja, permite distinguir se os defeitos são entre a fase A e a terra, entre a fase B e a terra, etc. A aplicação dos métodos de segmentação e classificação indicados anteriormente apresentaram uma taxa de sucesso na ordem dos 98,5% para diferentes cenários topológicos e operacionais da rede. The aim of this dissertation is to develop and apply methodologies which allow for the automatic analysis of waveforms from voltage and current signals associated with faults caused by short circuits. For this purpose, different types of faults (Phase - Ground, Phase - Phase - Ground and Phase - Phase - Phase - Ground short circuits) were simulated in R&D Nester laboratory using the existing Portuguese transmission grid model. For each of the faults simulated, a method based on wavelet transform was developed and applied, which allowed the identification of the time instants of fault initiation, circuit breakers opening and circuit re-establishment in the fault signals and by the use of this instants make the segmentation of the signal. From the information provided by the segmentation of the signals, a method was developed based on Artificial Neural Networks, capable of classifying whether a fault was between phase A and ground, or between phase B and ground, etc. The application of the segmentation and classification methods indicated above, presented a success of 98,5% for different topological and operational network scenarios.

Dissertação de Mestrado em Engenharia Eletrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia As futuras comunidades de energia transativa dependem de mecanismos de económicos e de controlo para a gestão do consumo e da geração através da comercialização de energia entre edificios. Para otimizar as comunidades de energia são cruciais os sistemas para a previsão do consumo de energia líquida. Tais sistemas de previsão por norma usam dados históricos da energia líquida, mas podem ser melhorados ao incluir também informações privadas dos edifícios. Os sistemas de automação em edifícios permitem a recolha de dados em grandes quantidades que podem serem usados pelos sistemas de previsão, mas estes dados são maioritariamente classificados como privados. Nesse contexto, o \textit{\acrfull{FL}}, tem sido abordado em diversas áreas com o objetivo principal de proteger os dados privados dos utilizadores. Nas comunidades de energia pode ser aplicado um sistema de \gls{FL} para implementação de sistemas de previsão, para aproveitar os dados privados associados a cada edifício para melhorar a capacidade de aprendizagem. O \gls{FL} também permite que não se perca a colaboração entre os utilizadores finais, que podem beneficiar do treino ocorrido noutro utilizador sem terem que abdicar da privacidade. Nesta dissertação é proposta uma nova abordagem para a previsão da energia líquida em comunidades de energia com base num sistema de \gls{FL}. A estrutura implementada prevê a integração de entidades terceiras como fornecedores de dados, e dois sistemas de previsão (um para o consumo e outro para a geração), ambos geridos pelo mesmo servidor, que irão permitir que se faça a previsão do consumo líquido de energia elétrica. Foram usados dois cenários para testar a estrutura proposta. O primeiro cenário é de um campus universitário em Portugal, o Pólo 2 da Universidade de Coimbra, e foram utilizados 6 edifícios para a recolha de dados. Este cenário serviu como primeiro teste à estrutura implementada, onde estava a apenas implementado o sistema de previsão do consumo, e utilizou-se os dados de geração para se determinar o consumo líquido de energia. O segundo cenário utilizou um conjunto de dados fornecidos pelo \textit{National Renewable Energy Laboratory}, onde foi selecionado o estado da Califórnia, EUA. Este conjunto de dados possuí edifícios com e sem sistemas de geração fotovoltaica, sendo que as que possuem tais sistemas têm os dados da geração e do consumo separados. Esta separação de dados torna assim possível o teste completo da estrutura proposta. Dos resultados obtidos foi possível observar que os sistemas de previsão atingiram um bom nível de precisão e de adaptabilidade, por exemplo a variações sazonais. A estrutura implementada permite ainda ser introduzida em diferentes tipos de comunidades, como mostrado com o teste que mostra a sua capacidade de generalização e adaptação. De notar ainda que no segundo cenário, ainda foi mostrado o uso da estrutura numa comunidade onde estavam integrados edifícios que poderiam possuir ou não um sistema de geração. The future Transactive Energy (TE) ccommunities rely on economic and control mechanisms for managing consumption and generation through enabling end-use energy trading. The optimization of such communities needs strategies where the prediction of the net energy demand is the main key to achieving better performance levels of the control systems. Such prediction usually relies on net-demand information, but each building can have additional private information, since the actual building automation systems have the capability of collecting large amounts of data, which has a critical role in the prediction systems. Data generated through building automation systems are mainly considered private. In such a context, Federated Learning (FL), in recent years, has been used in many different areas where the main purpose is data protection. A FL strategy can be used for the prediction systems in TE communities, in order to use their private data and improve the forecast models. This strategy also enables a collaborative community where all participants can ensure benefits from the participation of other's participants, without issues in terms of sharing private data.A novel approach for predicting net-demand in TE communities based on FL is proposed in this dissertation. The developed framework allows the integration of third-party data providers, and the coordination by a server of two distinct forecast systems (one for generation and the other for demand). It ensures the forecast of net-demand in an indirect way by using the forecasted demand and generation, and collaborative learning among the buildings without sharing private data. The proposed approach was tested using two different scenarios. The first scenario is in Portugal and uses data collected from several buildings on a campus of the University of Coimbra. This dataset was used to test the first stage of the developed framework that has only the forecast of demand and uses local data of generation to evaluate the net-demand. The second scenario uses a dataset provided by the National Renewable Energy Laboratory (NREL) for buildings in California, United States of America. Such a dataset has buildings with and without a photovoltaic (PV) system, and the buildings that have such a system have the data of the power demand separated from the data relative to the generation, as needed to test the developed framework.The results present a high level of accuracy and adaptability to different situations, for instance, seasonal variations. The framework developed has a generalization associated that allows being introduced in different community types (a university campus and a residential community was tested), and also different types of buildings (with or without a PV system integrated). FCT

Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia Nesta tese, abordamos o problema da identificação de grafos de sistemas dinâmicos lineares estocásticos em rede, a partir de dados de séries temporais que refletem a evolução do estado de um subconjunto de nós observados no sistema - portanto, um subconjunto complementar de nós permanece não observado ou latente. Dadas essas séries temporais ao nível do nó, o objetivo é recuperar consistentemente o grafo subjacente relativo às dependências entre os nós no sistema. Assumimos observabilidade parcial, isto é, apenas estão disponíveis um subconjunto das séries temporais dos nós que compõem a rede. Propomos um novo vetor de features calculadas a partir das séries temporais observadas, que agem como um descritor estatístico do acoplamento entre nós. Provamos formalmente que essas features são linearmente separáveis, ou seja, existe um hiperplano (no espaço de features) que separa o conjunto de features associadas a pares de nós conectados daquelas associados a pares de nós desconectados. Essa propriedade de separabilidade permite usar essas features para treinar um grande número de classificadores e efetuar a identificação da estrutura do grafo subjacente. Em particular, optamos por treinar Redes Neuronais Convolucionais (CNNs) sobre essas features resultando num modelo de aprendizagem que exibe uma performance, em geral, supeior a outros algoritmos state-of-the-art. Esta performance referece à complexidade amostral, isto é, número de amostras da série temporal necessárias para atingir um certo nível de precisão na recuperação do grafo. Enquanto as CNNs são treinadas em um grafo sintético específico, elas generalizam bem em sistemas de rede com padrões de conectividade distintos (densa ou esparsa), incluindo grafos do mundo real e regimes distintos de nível de ruído. Esta é uma propriedade importante, pois, em geral, podemos não ter informações sobre esses atributos estruturais. Por fim, o método proposto aprende consistentemente o grafo de maneira par-a-par, ou seja, inferindo se um determinado par de nós está conectado ou não a partir de suas séries temporais (ignorando as séries temporais de outros nós). Isso é particularmente adequado para sistemas de grande escala, onde a observação de todos os nós da rede é inviável. In this thesis, we address the problem of graph identification of linear stochastic networked dynamical systems from the time series data that reflect the state evolution of a subset of observed nodes in the system -- hence, a complementary subset of nodes lies unobserved or latent. Given these node-level time series data, the goal is to consistently recover the underlying graph of dependencies among the nodes in the networked system. We assume partial observability, i.e., the time series data of only a subset of nodes comprising the network is available. We propose a novel feature vector computed from the observed time series as a statistical descriptor for the coupling between nodes. We formally prove that these features are linearly separable, that is, there exists a hyperplane (in feature space) that partitions the set of features associated with connected pairs of nodes from those associated with disconnected pairs of nodes. This separability property allows to use these features to train a multitude of classifiers in order to perform graph structure identification. In particular, we choose to train Convolutional Neural Networks (CNNs) over these features with a resulting graph learning algorithm that outperforms state-of-the-art counterparts w.r.t. sample-complexity, i.e., number of samples required to reach a certain level of accuracy in the recovery of the graph. While the CNNs are trained over a particular synthetic network, they generalize well over networked systems with distinct connectivity patterns (dense or sparse) including real-world networks, and distinct noise-level regimes. This is an important property as, in general, we might have no information about these structural attributes. Finally, the proposed method consistently learns the graph in a pairwise manner, that is, via inferring whether a particular pair of nodes is connected or not from their time series (ignoring the time series from other nodes). This is particularly tailored to large scale systems where observation of all nodes in the network is unfeasible. FCT

Due to climate change, the hydrological drought is assuming a structural character with a tendency to worsen in many countries. In fact, the frequency and intensity of droughts is predicted to increase, particularly in the Mediterranean region and Southern Africa. Since a fraction of the fresh water that is consumed is used to irrigate urban fabric green spaces, which are typically made up of gardens, lanes and roundabouts, it is urgent to implement water waste prevention policies. Reference evapotranspiration (ETo) is a measurement that can be used to estimate the amount of water being taken up or used by plants, allowing a better management of the watering volumes but, the exact computation of the evapotranspiration is not possible without using complex and expensive sensor systems. As an alternative to the devoted sensor solutions, weather parameters can be used to estimate ETo. However that also raises some problems, such as the fact that it requires the use of a dedicated weather station or of data available on the internet. In both contexts, solar radiation (SR) is not commonly available, and since evapotranspiration is dependent on solar radiation, the need to develop ETo prediction models that do not require it as an input parameter arises. This thesis presents some high accuracy reference evapotranspiration and solar radiation prediction models, both having as input a set of limited meteorological features, namely, temperature, humidity and wind, which exclude the need for solar radiation as a parameter. Two approaches were explored for deriving such models: (i) the use of machine learning algorithms like linear regression (OLS, Ridge, Lasso), k-Nearest Neighbors (kNN), Support Vector Machine (SVM), Decision Tree and Random Forest, and (ii) the use of neural networks such as Artificial Neural Networks (ANN), Long Short Term Memory Networks (LSTM), Gated Recurrent Unit Networks (GRU), Recursive Neural Networks (RNN), and the development of hybrid neural network models such as LSTM-ANN, RNN-ANN, and GRU-ANN. Using experimental data collected from a weather station located in Vale do Lobo, south Portugal, and using the machine learning approach mentioned in the previous paragraph, (i), the best performing ETo model gave a coefficient of determination (R2) of 0.975, and the best SR model gave an R2 of 0.831, over the test dataset. When using the neural networks approach, (ii), the best performing ETo model gave an R2 of 0.977, and the best SR model gave an R2 of 0.833. As a final notice, the limited meteorological input parameters were carefully selected so that they are compatible with online freely available weather forecast services. Devido às mudanças climáticas, a seca hidrológica está a assumir um carácter estrutural com tendência a se agravar em muitos países. Prevê-se que a frequência e a intensidade das secas aumentem, particularmente na região do Mediterrâneo e na África Austral. Uma vez que uma fração da água doce consumida é utilizada para regar os espaços verdes do tecido urbano, que são tipicamente jardins, arruamentos e rotundas, urge implementar políticas de prevenção do desperdício de água. A evapotranspiração de referência (ETo) é uma medida que pode ser utilizada para estimar a quantidade de água absorvida ou utilizada pelas plantas, permitindo uma melhor gestão dos volumes de irrigação, mas o cálculo exato da evapotranspiração não é possível sem o uso de sistemas de sensores complexos e caros. Como alternativa à utilização de sensores dedicados, também se pode utilizar parâmetros meteorológicos para estimar a ETo, no entanto, tal levanta alguns problemas, como a necessidade de uma estação meteorológica dedicada ou a utilização de dados disponíveis na Internet. Neste contexto, a radiação solar geralmente não está disponível, e como a evapotranspiração depende da radiação solar (SR), surge a necessidade de desenvolvimento de modelos de previsão de ETo que não a requeiram como parâmetro de entrada. Esta tese estuda vários modelos de previsão de evapotranspiração de referência e radiação solar, ambos tendo como entrada apenas três parâmetros meteorológicos, a saber temperatura, humidade e vento, o que exclui a necessidade da radiação solar como elemento de entrada. Duas abordagens foram exploradas para derivar tais modelos: (i) o uso de algoritmos de aprendizagem de máquina: regressão linear (OLS, Ridge, Lasso), k-Nearest Neighbors (kNN), Support Vector Machine (SVM), Decision Tree e Random Forest, e (ii) o uso de redes neuronais: Artificial Neural Networks (ANN), Long Short Term Memory Networks (LSTM), Gated Recurrent Unit Networks (GRU), Recursive Neural Networks (RNN), e o desenvolvimento de modelos de redes neuronais híbridas: LSTM-ANN, RNN-ANN, e GRU-ANN. Utilizando dados experimentais recolhidos de uma estação meteorológica localizada em Vale do Lobo, sul de Portugal, e seguindo os métodos de aprendizagem de máquina, referidos no parágrafo anterior, o modelo de ETo com o melhor desempenho obteve um coeficiente de determinação (R2) de 0,975, e o melhor modelo de SR obteve um R2 de 0,831, sobre o conjunto de dados de teste. Ao utilizar as abordagens suportadas em redes neurais, os modelos de ETo e SR com melhor desempenho obtiveram um (R2) de 0,977 e 0,833, respectivamente. Por fim, é de notar que os parâmetros meteorológicos limitados de entrada foram cuidadosamente selecionados para que sejam compatíveis com os serviços de previsão meteorológica disponíveis online de forma gratuita.

Made available in DSpace on 2022-01-14T17:06:40Z (GMT). No. of bitstreams: 2 8564_18438.pdf: 2704361 bytes, checksum: 840eaf78027238bd160649368e4e6187 (MD5) 8564_18717.pdf: 2707376 bytes, checksum: 0d6e7d538f08bd773728627727104211 (MD5) Previous issue date: 2021-12-06

Resumo A aplicação de métodos automáticos para classificação de texto não estruturadas são extremamente valiosas para a indústria de Oil&Gas. A perfuração é uma operação que acarreta custos elevados que são proporcionais à duração das atividades. A classificação das diversas operações durante a perfuração é muito importante para gerar premissas de duração para o projeto de novos poços. Para este artigo, dois procedimentos independentes foram realizados para identificar o melhor modelo de NPT (Non-Productive Time) e PT (Productive Time). As conclusões apontam o modelo Multi-layer Perceptron (MLP) como o melhor modelo. O sistema de classificação pode ser utilizado para produzir um relatório preciso e detalhado sobre as atividades realizadas durante a perfuração de um poço. Através desse trabalho é possível concluir que os relatórios diários de perfuração atualmente disponíveis representam uma fonte rica de informação e podem ser utilizados para melhorar o processo de construção de poços de petróleo.

Dissertação de mestrado integrado em Engenharia Informática, A Inteligência Artificial (IA) e a Ciência de Dados estão cada vez mais presentes no nosso quotidiano e os benefícios que trouxeram para a sociedade nos últimos anos são notáveis. O sucesso da IA foi impulsionado pela capacidade adaptativa que as máquinas adquiriram e está estreitamente relacionada com a sua habilidade para aprender. Os sistemas conexionistas, apresentados na forma de Redes Neurais Artificiais (RNAs), que se inspiram no sistema nervoso humano, são um dos mais importantes modelos que permitem a aprendizagem. Estes são utilizados em diversas áreas, como em problemas de previsão ou classificação, apresentando resultados cada vez mais satisfatórios. Uma das áreas em que esta tecnologia se tem destacado é a Visão Computacional (Computer Vision (CV)), permitindo, por exemplo, a localização de objetos em imagens e a sua correta identificação. A Deteção de Anomalias (Anomaly Detection (AD)) é outro campo onde as RNAs vêm surgindo como uma das tecnologias para a resolução de problemas. Em cada área são utilizadas diferentes arquiteturas de acordo com o tipo de dados e o problema a resolver. Combinando o processamento de imagens e a deteção de anomalias, verifica-se uma convergência de metodologias que utilizam módulos convolucionais em arquiteturas dedicadas a AD. O objetivo principal desta dissertação é estudar as técnicas existentes nestes domínios, desenvolvendo diferentes arquiteturas e modelos, aplicando-as a casos práticos de forma a comparar os resultados obtidos em cada abordagem. O caso prático principal consiste na monitorização de pavimentos rodoviários por meio de imagens para a identificação automática de áreas degradadas. Para isso, dois protótipos de software são propostos para recolher e visualizar os dados adquiridos. O estudo de arquiteturas de RNAs para o diagnóstico da condição do asfalto por meio de imagens é o foco central no processo científico apresentado. Os métodos de Machine Learning (ML) utilizados incluem classificadores binários, Autoencoders (AEs) e Variational Autoencoders (VAEs). Para os dois últimos modelos, práticas supervisionadas e não supervisionadas são também comparadas, comprovando a sua utilidade em cenários onde não há dados rotulados disponíveis. Usando o modelo VAE num ambiente supervisionado, este apresenta uma excelente distinção entre áreas de pavimentação em boas condições e degradadas. Quando não existem dados rotulados disponíveis, a melhor opção é utilizar o modelo AE, utilizando a distribuição de semelhanças das reconstruções para calcular o threshold de separação, atingindo accuracy e precision superiores a 94%). O processo completo de desenvolvimento mostra que é possível construir uma solução alternativa para diminuir os custos de operação em relação aos sistemas comerciais existentes e melhorar a usabilidade quando comparada às soluções tradicionais. Adicionalmente, dois estudos demonstram a versatilidade dos sistemas conexionistas na resolução de problemas, nomeadamente no projeto de estruturas mecânicas, possibilitando a modelação de campos de deslocamento e pressão em placas reforçadas; e na utilização de AD para identificar locais de aglomeração de pessoas através de técnicas de crowdsensing., Artificial Intelligence (AI) and Data Science (DS) have become increasingly present in our daily lives, and the benefits it has brought to society in recent years are remarkable. The success of AI was driven by the adaptive capacity that machines gained, and it is closely related to their ability to learn. Connectionist systems, presented in the form of Artificial Neural Networks (ANNs), which are inspired by the human nervous system, are one of the principal models that allows learning. These models are used in several areas, like forecasting or classification problems, presenting increasingly satisfactory results. One area in which this technology has excelled is Com puter Vision (CV), allowing, for example, the location of objects in images and their correct identification. Anomaly Detection (AD) is another field where ANNs have been emerging as one technology for problem solving. In each area, different architectures are used according to the type of data and the problem to be solved. Combining im age processing and the finding of anomalies in this type of data, there is a convergence of methodologies using convolutional modules in architectures dedicated to AD. The main objective of this dissertation is to study the existent techniques in these domains, developing different model architectures, and applying them to practical case studies in order to compare the results obtained in each approach. The major practical use case consists of monitoring road pavements using images to automatically identify degraded areas. For that, two software prototypes are proposed to gather and visualise the acquired data. Moreover, the study of ANN architectures to diagnose the asphalt condition through images is the central focus of this work. The experimented methods for AD in images include a binary classifier network as a baseline, Autoencoders (AEs) and Variational Autoen coders (VAEs). Supervised and unsupervised practises are also compared, proving their utility also in scenarios where there is no labelled data available. Using the VAE model in a supervised setting, it presents a excellent distinction between good and bad pavement areas. When labelled data is not available, using the AE and the distribution of similarities of good pavement reconstructions to calculate the threshold is the best option with both accuracy and precision above 94%. The full development process shows it is possible to build an alternative solution to decrease the operation costs relatively to expensive commercial systems and improve usability when compared with traditional solutions. Additionally, two case studies demonstrate the versatility of connectionist systems to solve problems, namely in Mechanical Structural Design enabling the modelling of displacement and pressure fields in reinforced plates; and using AD to identify crowded places through crowd-sensing techniques.

Com o desenvolvimento do mercado liberalizado de eletricidade, os intervenientes neste mercado sentem cada vez mais a necessidade de definir estratégias de compra e venda de eletricidade. Tendo em conta as várias opções de compra e venda, as previsões de preços de eletricidade tornaram se uma importante ferramenta para todos os intervenientes deste mercado, desde os produtores aos consumidores, para determinar os contratos de compra/venda com os melhores preços. Esta dissertação visa contribuir para a melhoria do processo de tomada de decisão de compra de eletricidade. O objetivo é desenvolver um modelo de previsão de preços spot de eletricidade com base nos preços de eletricidade definidos nos mercados a prazo (preços futuros). Composto por redes neuronais artificiais treinadas com o algoritmo Extreme Learning Machine, o modelo utiliza o histórico de preços spot e preços futuros mensais e trimestrais para determinar a média mensal do preço spot dos próximos 6 meses. O modelo desenvolvido foi aplicado em dois cenários, pré-pandemia e pandemia, e avaliado com base na raiz quadrática do erro quadrático médio. Em ambos os cenários, os resultados obtidos mostram que a raiz quadrática do erro quadrático médio é frequentemente inferior ao módulo da diferença entre preços futuros e preços spot para o mesmo período de entrega, mostrando que a sua aplicação pode contribuir para a melhoria do processo de tomada de decisão de compra nos mercados de futuros mensais do Mercado Ibérico de Eletricidade e, consequentemente, para a redução da fatura energética. With the development of the deregulated electricity market, the participants in this market increasingly feel the need to define electricity trading strategies. Considering all trading options, electricity price forecasts became an important tool for every market participant, from producers to consumers, which aims to determine the buy/sell contracts with the best price. This dissertation aims to contribute to the improvement of the decision-making process for the purchase of electricity. The purpose is to develop an electricity spot price forecast model based on the prices established on the future markets (future prices). Composed by artificial neural networks trained with the Extreme Learning Machine algorithm, this model uses historical data of the spot prices and monthly and quarter future prices since 2016 to determine the monthly average spot price for the next six months. The model developed was applied in two scenarios, pre-pandemic and pandemic, and evaluated through the Root Mean Square Error. In both scenarios, the results prove that the Root Mean Square Error is usually lower than the module of the difference between future prices and spot prices for the same delivery period, showing that its application can contribute to the improvement of the decision making process for the purchase of electricity in the monthly futures of the Iberian Electricity Market and, consequently, to reduce energy bills.

CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior FAPEMIG - Fundação de Amparo a Pesquisa do Estado de Minas Gerais Métodos de detecção de falhas são utilizados para detectar operações anormais em processos químicos provocadas por perturbações, degradação de equipamentos, defeitos nos sensores e nos equipamentos. Esses métodos podem ser baseados em: análise de resíduos, redundância analítica ou redundância física. Os métodos com redundância analítica estão entre os mais utilizados industrialmente. A redundância analítica pode ser obtida de três formas: através do modelo matemático analítico, do modelo de identificação ou inteligência artificial por aprendizado de máquina. Os métodos de detecção de falhas utilizando inteligência artificial têm sido cada vez mais presentes na literatura na última década. Os métodos que utilizam redes neuronais, lógica difusa e máquinas de vetores de suporte, são técnicas de detecção de falhas com larga utilidade e confiabilidade. O procedimento de detecção é feito em três etapas: treinamento do modelo de detecção, com a utilização de dados históricos do processo, normais e anormais; validação do modelo; e detecção de padrões de falhas. Atualmente, a extração automática de características relevantes ao procedimento de detecção e classificação de padrões de operações anormais ao processo tem se mostrado uma tendência dentro do âmbito da detecção de falhas. O presente trabalho consiste no estudo e análise dos métodos de detecção de falhas baseados em aprendizagem de máquina (redes neuronais, lógica difusa e máquinas de vetores de suporte) e a síntese de novos métodos de detecção de falhas baseado em aprendizado profundo. Aprendizado profundo (deep learning) compreende abordagem inovadora em aprendizado de máquina no sentido de dispensar parte do pré-processamento necessário aos métodos clássicos de detecção de falhas. Isto ocorre ao gerar de forma automática propriedades invariantes nas suas camadas de representação hierárquicas. Estes métodos têm apresentado resultados promissores em diferentes aplicações tais como o reconhecimento de voz e processamento de linguagem natural. Os algoritmos de aprendizado profundo podem solucionar problemas encontrados em metodologias de detecção de falhas, principalmente, na extração de propriedades e pré-processamento de dados. Os resultados obtidos pela metodologia proposta de redes neuronais linguísticas apontam que métodos de detecção de falhas com aprendizado podem ser facilmente aplicados nos mais diferentes processos, somente com a utilização de dados históricos e/ou modelos do processo, resultando em detecções compatíveis com os outros métodos estudados. Fault detection methods are used to detect abnormal operations in processes caused by disturbances, equipment degradation, defects in sensors and equipment. These methods can be based on residue analysis, analytical redundancy, or physical redundancy. The methods with analytical redundancy are among the most industrially used approaches. The analytical redundancy in processes can be obtained through analytical mathematical models of the process through the identification of models or artificial intelligence through machine learning. Failure detection methods through artificial intelligence have been increasingly studied in the literature in the last decade. The methods that use neural networks, fuzzy logic and support vector machines are fault detection techniques with high usability and reliability. The detection procedure is done in three steps: model training for detection, using normal and abnormal process data; validation of the model; and fault pattern detection. Currently, one of the paradigms in the area of fault detection is the extraction of important characteristics to the procedure of detection and patterns classification of process abnormal operations. The present work investigates these methods of fault detection based on machine learning and proposes a new method based on deep learning. Deep learning is an innovative approach to machine learning in order to dispense part of the necessary preprocessing of classic machine learning methods by automatically generating invariant properties in its hierarchical representation layers. These methods have presented promissing results in different applications such as speech recognition and natural language processing. Deep-learning algorithms can solve problems found in fault-detection methodologies, especially in the extraction of properties and preprocessing of data. The results obtained by the proposed technique linguistics neural network show that learning failure detection methods can be easily applied in different processes, only with the use of historical data and/or process models, resulting compatible detections with other studied methodologies. Tese (Doutorado)

A aplicação de métodos automáticos para classificação de texto não estruturadas são extremamente valiosas para a indústria de Oil&Gas. A perfuração é uma operação que acarreta custos elevados que são proporcionais à duração das atividades. A classificação das diversas operações durante a perfuração é muito importante para gerar premissas de duração para o projeto de novos poços. Para este artigo, dois procedimentos independentes foram realizados para identificar o melhor modelo de NPT (Non-Productive Time) e PT (Productive Time ). As conclusões apontam o modelo Multi-layer Perceptron (MLP) como o melhor modelo. O sistema de classificação pode ser utilizado para produzir um relatório preciso e detalhado sobre as atividades realizadas durante a perfuração de um poço. Através desse trabalho é possível concluir que os relatórios diários de perfuração atualmente disponíveis representam uma fonte rica de informação e podem ser utilizados para melhorar o processo de construção de poços de petróleo. info:eu-repo/semantics/publishedVersion

[Resumo] Na produción madereira almacénanse grandes cargas de madeira formadas por táboas de distintos tamaños, polo que a hora de traballar con este material, é necesario calcular a cantidade real de madeira da forma máis precisa posible. Este proceso, actualmente estase a levar a cabo manualmente, sen ter en conta as imprecisións que se xerán durante o cálculo debido aos espazos que se poden crear entre as táboas apiladas. A automatización deste proceso, traballando directamente coas imaxes das propias cargas, facilitará o traballo dos empleados. Esto permitirá acelerar parte do seu traballo, que é en certo modo rutinario, permitindo mellorar tanto a velocidade do cálculo como a precisión deste, para así poder fixar un prezo máis xusto acorde á carga de madeira. Neste proxecto, enfocado no ámbito da Visión Artificial, investigarase o uso de diferentes técnicas de procesado de imaxe para proporcionar posibles solucións ao problema descrito. Entre estas propostas, empregaranse técnicas baseadas en filtros e técnicas de Intelixencia Artificial, concretamente as redes neuronais artificiais. Ademais, desenvolverase unha aplicación que presente unha interface gráfica, para permitir ao usuario utilizar o sistema creado. [Abstract] In timber production, large loads of wood are stored. formed by boards of different sizes, so when working with this material, it is necessary to calculate the real amount of wood as accurately as possible. This process is currently carried out manually, without taking into account the inaccuracies that are generated during the calculation due to the spaces that can be created between the stacked boards. The automation of this process, working directly with the images of the loads themselves, will facilitate the work of the employees. This will speed up part of their work, which is somewhat routine, allowing them to improve both the speed of the calculation and its accuracy, so that they can set a fairer price according to the load of timber. In this project, focused on the field of Artificial Vision, the use of different image processing techniques will be investigated to provide possible solutions to the problem described. Among these proposals, we will use techniques based on filters and Artificial Intelligence techniques, specifically artificial neural networks. In addition, an application with a graphical interface will be developed to allow the user to use the created system. Traballo fin de grao. Enxeñaría Informática. Curso 2021/2022

Tese de Mestrado Integrado em Engenharia da Energia e do Ambiente, 2021, Universidade de Lisboa, Faculdade de Ciências RESUMO: De acordo com as metas estabelecidas para 2050 cerca de 32% da energia elétrica produzida e consumida, a nível europeu, terá de provir de fontes de energias renováveis. Nesse sentido é expectável que no futuro a penetração de fontes de energia renovável nos sistemas electroprodutores aumente. Para permitir que essa crescente penetração renovável ocorra sem prejuízos para a manutenção da qualidade de serviço e robustez do sistema electroprodutor é necessário desenvolver ferramentas e instrumentos que permitam essa mesma integração e que auxiliem a gestão de todo o sistema. Esta dissertação debruça-se sobre uma das fontes renováveis com maior expressividade no mix energético português, a energia eólica. Atualmente para auxiliar na gestão do sistema electroprodutor ferramentas de previsão de produção desempenham um papel preponderante. O valor destas ferramentas será ainda mais relevante no futuro onde é esperada uma elevada penetração eólica nos sistemas elétricos tendencialmente 100% baseados em energias renováveis. Assim sendo a presente dissertação tem como foco a aplicação e estudo da fiabilidade de metodologias de previsão de produção eólica de curto horizonte temporal (6 horas) para Portugal continental. Foram desenvolvidas, implementadas e analisadas duas metodologias de previsão de produção eólica distintas: o algoritmo dos k-vizinhos mais próximos e as redes neuronais artificiais. Foi também estudada a otimização de alguns dos parâmetros mais relevantes de cada uma das metodologias e o impacto dessa otimização na eficácia das previsões de produção eólica. Estas metodologias foram comparadas a uma abordagem de persistência que é utilizada neste trabalho como referência (benchmark) Para auxiliar neste processo de otimização procedeu-se a análise do erro médio quadrático, viés e correlação e implementou-se uma medida para análise da capacidade de sobre ou sub estimação das variações da produção em seis horas. Verificou-se que, das metodologias de previsão de produção eólica em estudo, a que apresenta melhor desempenho nas métricas analisadas foi a metodologia baseada em redes neuronais artificiais. Esta destaca-se pelo facto de conseguir identificar relações não lineares nos dados, característica que não está presente nas restantes metodologias de previsão implementadas. Face à metodologia de referência, as previsões obtidas através da metodologia das redes neuronais artificiais permitiram uma diminuição do erro médio quadrático em 15,27%. Já no caso da configuração mais adequada da metodologia dos k-vizinhos mais próximos a diminuição foi de 10.8%. A otimização das metodologias de previsão implementadas provou ser complexa, contudo demonstrou ser um passo extremamente relevante para identificar melhorias significativas na eficácia das previsões. ABSTRACT: According to the established goals to the horizon of 2050, about 32% of the total electric energy produced and consumed, in the European Union, should be provided from renewable energy sources. It is therefore expected that in the future, these technologies will play an increasing role in the energy production sector. Hence it is important to develop tools that allow the increasing renewable energy sources penetration and, at the same time, guarantee the safety, robustness, quality, and management of each power system. This dissertation delves in wind production, one of the most expressive renewable energy sources in the Portuguese energetic mix. To help the present and future scenario of high wind penetration forecasting systems will play a crucial role in the management of the energy production system. Thus, the present dissertation focuses on studying the effectiveness of wind power production forecasting methodologies to a short time horizon (6 hours) using the (continental) Portuguese national aggregated time series. Two distinct methodologies were implemented and analyzed: k-nearest neighbors’ and artificial neural network. This dissertation focused, as well, in the optimization of key parameters for each of the methodologies and the impact in the forecast effectiveness resulted from the optimization. The focused methodologies were then compared against a benchmark forecasting methodology: the persistence. For the optimization and effectiveness of forecasting different error metrics were studied: bias, error, root mean squared error and an attempt to interpret the ability, of each methodology, to under or overestimate the forecasts. It was found that, the one who generates more effective forecasts is the artificial neural network methodology. This one stands out mainly due to its non-linear nature and enabling to identify and solve non-linear connections in the data, which is not possible to achieve with the other methodologies implemented in this dissertation. Compared to the benchmark forecasting methodology, the forecasts obtained with the artificial neural networks were able to decrease the root mean squared error in 15,27%. In the case of the most effective configuration of the k-nearest neighbor methodology, a decrease, of the same error metric, of 10.8% was identified. The optimization of the forecasting methodologies has proven to be a difficult process, but nonetheless very relevant and important step to achieve better wind power forecasts. N/A

Este trabalho apresenta uma metodologia para a detecção de falhas de curtos-circuitos entre as espiras de motores de indução trifásicos, utilizando uma bobina exploratória externa, que é uma técnica não invasiva e pode ser utilizada durante a operação do motor. O fluxo magnético de dispersão do motor, operando em condições de curto-circuito, induz uma tensão na bobina exploratória que difere de um padrão de referência, que é correspondente ao motor operando de forma saudável. Os dados experimentais foram obtidos numa bancada de teste, composta por um motor de indução trifásico com rotor gaiola de esquilo de 0,75kW. O enrolamento do estator desse motor é modificado para permitir a introdução de curto-circuitos. Este trabalho considerou os curto-circuitos em uma fase, com 1%, 3%, 5% e 10% das espiras, com o motor operando com carga variável. O diagnóstico de curto-circuitos são obtidos através da análise de diferentes topologias de redes neuronais artificiais perceptron multicamadas, com os dados experimentais utilizados em três abordagens diferentes. A primeira abordagem consiste em utilizar os dados no domínio do tempo, na segunda abordagem é realizado a transformada de Fourier dos dados e é coletado a energia numa banda de frequências e na terceira abordagem, também é realizado a transforma de Fourier dos dados, sendo utilizadas as amplitudes dos harmónicos. Os resultados obtidos demonstram que a metodologia proposta apresenta dificuldades em identificar falhas em estágios incipientes, mais precisamente os curto-circuitos de 1%, entretanto para os de curto-circuito de 10%, a taxa de exatidão das redes neuronais foi de 100%. Dentre as 3 abordagens testadas na utilização dos dados, a abordagem que utiliza as amplitudes dos harmónicas foi a que apresentou a melhor eficácia no diagnóstico de curto-circuito no enrolamento do estator. Concretamente, com a melhor topologia obtiveram-se exatidões de 87% e 95% para os casos da utilização e sem utilização, respetivamente, das amostras com curto-circuito de 1%. This work presents a methodology for detecting inter-turns short-circuit fault of three-phase induction motors, using an external search coil, which is a non-invasive technique and can be used during the operation of the motor. The dispersion magnetic flux of the motor operating in short-circuit conditions induces a voltage in the search coil that differs from a reference pattern, which corresponds to the motor operating healthily. The experimental data were obtained in a test bench, using a 0.75 kW three-phase squirrel-cage induction motor with the stator winding modified to allow the introduction of short circuits. This work considered the short-circuits in one phase, with 1%, 3%, 5% and 10% of the turns, with the motor operating with variable load The diagnosis of short circuits is obtained through the analysis of different topologies of multilayer perceptron artificial neuronal networks, with the experimental data used in three different approaches. The first approach consists of using the data in the time domain, in the second approach the Fourier transform of the data is performed and energy is collected in a frequency band and in the third approach, the Fourier transform of the data is also performed, being used the amplitudes of the harmonics. The results obtained demonstrate that the proposed methodology presents difficulties in identifying flaws in incipient stages, more precisely short circuits of 1%, however for short circuits of 10%, the accuracy rate of neural networks was 100%. Among the three approaches tested in the use of data, the approach that uses the amplitudes of the harmonics was the one that showed the best efficiency in the diagnosis of a short circuit in the stator winding. Specifically, with the best topology, accuracy of 87% and 95% was obtained for the cases of use and without use, respectively, of the samples with a short circuit of 1%.

Mestrado em Econometria Aplicada e Previsão Na sociedade atual a inovação surge como um papel cada vez mais preponderante nas empresas. O presente relatório surge no âmbito de um estágio curricular desenvolvido numa empresa líder a nível mundial no comércio grossista de azeites, com o principal objetivo de encontrar um modelo capaz de prever os preços das suas mercadorias. Para tal, foram analisadas várias metodologias, fazendo uma junção entre modelos tradicionais e mais inovadores e recentes. Sendo por isso, analisados os modelos ARIMA; ARIMAX; VAR como modelos mais tradicionais, em contradição às redes neuronais artificiais do tipo MLP; GMDH. Para o estudo de caso foram utilizados os dados dos três azeites de mais interesse para a empresa, distribuídos por dois conjuntos temporais diferentes, permitindo assim a análise do impacto da dimensão da amostra nas previsões. Estudou-se o impacto de variáveis independentes (nomeadamente meteorológicas, macroeconómicas, entre outras que afetam a produção da azeitona), têm nos preços de compra do azeite. Os resultados apontam para um melhor desempenho do modelo VAR em todos os grupos de dados em análise, obtendo assim as melhores previsões dentro do conjunto de modelos. Destaca-se ainda, a preferência de modelos mais tradicionais quando a série tem um menor comprimento temporal, e uma melhor eficácia das redes neuronais em conjuntos de dados mais elevados, destacando ainda a preferência da rede do tipo GMDH face à rede MLP. Conclui-se ainda, que dentro do vasto conjunto de variáveis em análise, é uma variável binária que influencia a produção (safra), a que possuí maior impacto nas previsões. In today's society, innovation appears as an increasingly prevalent role in companies. This report comes as a part of a curricular internship developed at a world leader in the wholesale of olive oil with the main objective of finding a model capable of predicting the prices of its goods. To this end, several methodologies were analyzed, making a junction between traditional and more innovative and recent models. Therefore, the ARIMA models were analyzed; ARIMAX; VAR as more traditional models, in contradiction to artificial neural networks of the MLP type; GMDH. For the case study, data from the three olive oils of most interest to the company was used, distributed over two different time sets. Thus, allowing the analysis of the impact of the sample size on the forecasts. The impact of independent variables (namely meteorological, macroeconomic, among others that affect olive production) was studied on the purchase prices of olive oil. The results point to a better performance of the VAR model in all groups of data under analysis, thus obtaining the best forecasts within the set of models. Also, noteworthy is the preference for more traditional models when the series has a shorter time length, and a better efficiency of neural networks in higher data sets, also highlighting the preference of the GMDH type network over the MLP network. It is also concluded that, within the vast set of variables under analysis, it is a binary variable that influences production (safra), which has the greatest impact on forecasts. info:eu-repo/semantics/publishedVersion

As grandes descobertas de petróleo em águas ultra-profundas são um grande incentivo à produção petrolífera e têm representado grandes investimentos na Galp. No entanto, explorar estes valiosos recursos em altas profundidades requer a utilização de ferramentas e metodologias que permitam prever como vai ser o comportamento dos poços durante a perfuração. A equipa de perfuração é responsável por estimar os custos e duração das operações em novos poços e simular a perfuração, estimando um resultado que culmina com um plano de perfuração. A perfuração é uma operação que acarreta custos elevados que são proporcionais à duração das atividades. Em poços exploratórios, caso não sejam encontrados hidrocarbonetos, não haverá retorno do investimento. Por esta razão, a classificação das operações durante a perfuração é muito importante para gerar premissas de duração para o projeto de novos poços. Para este estudo, três procedimentos independentes foram propostos. O primeiro consiste na classificação das operações de perfuração nos atributos: (i)Tipo de operação, (ii) causa de tempo não produtivo e (iii) fase de operação, usando as redes Multi-Layer Perceptron (MLP). O segundo procedimento diz respeito à classificação usando redes Long Short-Term Memory (LSTM) para os mesmos atributos, O terceiro e último, diz respeito à comparação dos resultados dos dois modelos propostos com o objetivo de identificar aquele que apresentou o melhor resultado. Através desse trabalho é possível concluir que os dados de perfuração atualmente disponíveis representam uma fonte rica de informação e podem ser utilizados para otimizar o processo de construção de poços de petróleo. The large Ultra-Deepwater oil discoveries are a major incentive for oil production and have been a major investment in Galp, but the exploration of these valuable natural resources at high depths requires the use of tools and methodologies that are capable to predict how It will be the behaviour while drilling. The drilling team is responsible for estimating the costs and duration of operations in new simulated wells and estimating a result that culminates with a drilling plan. Drilling is an operation that carries high costs that are proportional to the duration of activities. For exploration wells, if no hydrocarbons are found, there will be no return on investment. For this reason, the classification of the various operations during drilling is key to generate duration assumptions for the design of new wells. For this study, three independent procedures have been proposed. The first consists of the classification of drilling operations in the attributes: (i)Type of operation, (ii) cause of non-productive time and (iii) phase of operation, using Multi-Layer Perceptron (MLP) networks. The second procedure concerns the classification of the same attributes using Long Short-Term Memory (LSTM) networks. The third and last one concerns the comparison of the results of the two models proposed with the objective of identifying the model that presented the best result. Through this work it is possible to conclude that the available drilling data represent a potential source of information and can be used to optimize the petroleum well construction.

Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia A escolha de uma boa taxa de aprendizagem é fulcral para o bom treino e performance de Redes Neuronais. Atualmente, existem imensos métodos automáticos que facilitam a busca por uma boa taxa de aprendizagem. Apesar de estas técnicas serem eficazes e produzirem bons resultados ao longo do anos, são soluções generalistas i.e. não tem em conta as caracteristica de uma rede especifica. Dado isto, os possivéis beneficios de optimizar a taxa de aprendizagem para uma topologia de rede especifica permanece inexplorados. Como redes neuronais são sistemas complexos com muitos componentes inderdependentes, não é possivel para um humano inferir como é que um optimizador pode ser especializado para uma certa topologia. Apesar disso, técnicas de optimização heuristica como Algoritmos Evolucionários podem ser utilizados para procurar optimizadores personalizados que funcionem bem para uma arquitetura de rede neuronal especifica.Neste trabalho propomos o AutoLR, um sistema que utiliza Evolução Gramatical Estruturada para evoluir optimizadores de taxas de aprendizagem. Duas versões deste sistema são implementadas para dois tipos de optimizadores. O AutoLR Dinâmico é utilizado para evoluir optimizadores estáticos e dinâmicos. O melhor optimizador dinâmico evoluido tem melhor performance que o optimizador de controlo estabelecido e utiliza algumas técnicas encontradas na literatura. Apesar do LRD atingir bons resultados, os optimizadores evoluidos por este sistema só tem em consideração a taxa de aprendizagem anterior e a época de treino atual. De modo a superar estas limitações desenvolvemos um novo método chamado AutoLR Adaptativo. Esta versão do sistema evolui optimizadores adaptativos que tem acesso a mais informação sobre o treino. Estes optimizadores são capazes de afinar a taxa de aprendizagem para cada peso da rede individualmente, o que os faz geralmente mais eficazes. O optimizador adaptativo evoluido mais notável é capaz de competir com os melhores métodos do estado da arte, conseguindo até superá-los em alguns casos. Por último, o sistema foi capaz de descobrir um novo optimizador, ADES. Tanto quanto sabemos não existem optimizadores adaptativos na literatura que sejam semelhantes ao ADES. The choice of a proper learning rate is paramount for good Artificial Neural Network training and performance. Currently, a plethora of state of the art automatic methods exist that make the search for a good learning rate easier, called Learning Rate Optimizers. While these techniques are effective and have yielded good results over the years, they are general solution i.e. they do not take into account the characteristics of a specific network. As a result, the possible benefits of the optimization of learning rate for specific network topologies remains largely unexplored. Since neural networks are complex systems with many interdependent components it is not possible for humans to infer how an optimizer can be specialized for a certain network topology. Nevertheless, heuristic optimization techniques such as Evolutionary Algorithms can be used to search for custom optimizers that work well for specific network architectures.In this work we propose AutoLR, a framework that uses Structured Grammatical Evolution to evolve learning rate optimizers. Two versions of this system are implemented for different types of optimizers. Dynamic AutoLR is used to evolve static and dynamic learning rate optimizers. The best evolved dynamic optimizer outperforms the established baseline and utilizes some techniques found in the literature. Even though DLR achieved good results the optimizers evolved by this system only take into account the previous learning rate and current training epoch. In order to overcome these limitations we devised a new method called Adaptive AutoLR. This version of the system evolves adaptive optimizers that have access to more information about training. These optimizers are able to fine tune a different learning rate for each network weight which makes them generally more effective. The most notable evolved adaptive optimizer is able to perform on par with the best state of the art methods, even outperforming them in some scenarios. Furthermore, the system was able to automatically discover a novel optimizer, ADES. To the best of our knowledge, no adaptive optimizers present in the literature are similar to ADES.

Resumen La planeación de cursos de un centro educativo o universidad está compuesta por múltiples problemas complejos como lo es la asignación de horarios para los alumnos, salones y profesores para cada asignatura. Uno de los problemas iniciales es determinar la cantidad de asignaturas que se ofertarán; este problema parece sencillo a simple vista ya que una vez que se tenga la información de la cantidad de alumnos aprobados para cada asignatura, se puede calcular fácilmente la siguiente demanda de asignaturas. Sin embargo, existen ocasiones en los que la planeación de cursos del siguiente período inicia antes de tener la información relativa a la aprobación de los alumnos. Lo cual nos lleva al problema del pronóstico de los porcentajes de aprobación para calcular la demanda de asignaturas de los alumnos. En este trabajo se compara el desempeño de modelos causales contra modelos estadísticos para el pronóstico de los porcentajes de aprobación y reprobación de los alumnos. Los resultados finales muestran una ventaja importante de los métodos causales sobre los métodos estadísticos para los casos de prueba. Consideramos que esta ventaja ocurre debido a que el modelo causal aprende los patrones de comportamiento de los datos de entrenamiento de forma independiente en vez de generalizar porcentajes de acreditación. Además de lo anterior, el método estadístico puede presentar problemas importantes al tratar de pronosticar porcentajes de acreditación para situaciones que no se encuentren en los datos de entrenamiento, mientras que el modelo causal utilizará la información aprendida para pronosticar dichas situaciones. Abstract Course planning of an educative center or university is composed of multiple complex problems like the design of the schedule for the students, classrooms, and professors for each signature. One of the problems is the forecasting of the number of subjects to make available for the students; this problem seems easy at first glance because once we have the number of approved and failed students for each subject, we can easily calculate the following demand for each subject. However, there are occasions where the course planning for the following period starts before having the information related to the number of accredited students; which lead us to the problem of forecasting the accreditation ratio for the calculation of the subject demand from the students. In this paper, the performance of a causal model compares to the performance of a statistical model for the forecasting of the approve and fail ratio of the students. The final results show that the causal model outperforms the statistical model for the given instances. We consider that this advantage occurs because the causal model learns the behavior patterns of the training data independently, instead of generalizing the accreditation ratio. Additionally, the statistical method can present significant problems when trying to forecast accreditation ratios for situations that are not found in the training data, while the causal model will use the information learned to predict such situations. Resumo O planejamento de cursos de um centro educativo ou universidade está composto por múltiplos problemas complexos como é a distribuição de horários para os alunos, salões e professores para cada disciplina. Um dos problemas iniciais é determinar a quantidade de disciplinas que se ofertarão; este problema parece simples à primeira vista já que uma vez que se tenha a informação da quantidade de alunos aprovados para cada disciplina, pode-se calcular facilmente a seguinte demanda de disciplinas. Porém, existem ocasiões nas quais o planejamento de cursos do seguinte período inicia antes de ter a informação relativa à aprovação dos alunos. O que nos leva ao problema do prognóstico das porcentagens de aprovação para calcular a demanda de disciplinas dos alunos. Neste trabalho compara-se o desempenho de modelos causais contra modelos estatísticos para o prognóstico das porcentagens de aprovação e reprovação dos alunos. Os resultados finais mostram uma vantagem importante dos métodos causais sobre os métodos estatísticos para os casos de prova. Consideramos que esta vantagem ocorre devido a que o modelo causal aprende os padrões de comportamento dos dados de treinamento de forma independente em vez de generalizar porcentagens de acreditação. Além disso, o método estatístico pode apresentar problemas importantes ao tratar de prognosticar porcentagens de acreditação para situações que não se encontrem nos dados de treinamento, enquanto que o modelo causal utilizará a informação aprendida para prognosticar tais situações.

Submitted by Pessoa (pfep@ubi.pt) on 2021-03-30T16:01:13Z No. of bitstreams: 1 tesefinal_entregue_definitiva2.pdf: 9672671 bytes, checksum: 10fa38f4325c99222ceed7dc0d98bff6 (MD5) Approved for entry into archive by Pessoa (pfep@ubi.pt) on 2021-03-30T16:01:38Z (GMT) No. of bitstreams: 1 tesefinal_entregue_definitiva2.pdf: 9672671 bytes, checksum: 10fa38f4325c99222ceed7dc0d98bff6 (MD5) Made available in DSpace on 2021-03-30T16:01:38Z (GMT). No. of bitstreams: 1 tesefinal_entregue_definitiva2.pdf: 9672671 bytes, checksum: 10fa38f4325c99222ceed7dc0d98bff6 (MD5) Previous issue date: 2020-02-03

The rum aging process shows volume losses, called wastage. The numerical operation variables: product, boardwalk, horizontal and vertical positions, date, volume, alcoholic degree, temperature, humidity and aging time, recorded in databases, contain valuable information to study the process. MATLAB 2017 software was used to estimate volume losses. In the modeling of the rum aging process, the multilayer perceptron neuronal network with one and two hidden layers was used, varying the number of neurons in these between 4 and 10. The Levenberg-Marquadt (LM) and Bayesian training algorithms were compared (Bay) The increase in 6 consecutive iterations of the validation error and 1,000 as the maximum number of training cycles were the criteria used to stop the training. The input variables to the network were: numerical month, volume, temperature, humidity, initial alcoholic degree and aging time, while the output variable was wastage. 546 pairs of input/output data were processed. The statistical Friedman and Wilcoxon tests were performed to select the best neural architecture according to the mean square error (MSE) criteria. The selected topology has a 6-4-4-1 structure, with an MSE of 2.1∙10-3 and a correlation factor (R) with experimental data of 0.9898. The neural network obtained was used to simulate thirteen initial aging conditions that were not used for training and validation, detecting a coefficient of determination (R2) of 0.9961. Resumen El proceso de añejamiento de ron experimenta pérdidas de volumen, denominadas mermas. Las variables numéricas de operación: producto, rambla, posiciones horizontal y vertical, fecha, volumen, grado alcohólico, temperatura, humedad y tiempo de añejamiento, registradas en bases de datos, contienen información valiosa para estudiar el proceso. Se utilizó el software MATLAB 2017 para estimar las pérdidas en volumen. En la modelación del proceso de añejamiento de ron se utilizó la red neuronal perceptrón multicapa con una y dos capas ocultas, variándose el número de neuronas en estas entre 4 y 10. Se compararon los algoritmos de entrenamiento Levenberg-Marquadt (L-M) y Bayesiano (Bay). El incremento en 6 iteraciones consecutivas del error de validación y 1 000 como número máximo de ciclo de entrenamiento fueron los criterios utilizados para detener el entrenamiento. Las variables de entrada a la red fueron: mes numérico, volumen, temperatura, humedad, grado alcohólico inicial y tiempo de añejamiento, mientras que la variable de salida fue mermas. Se procesaron 546 pares de datos de entrada/salida. Se realizaron las pruebas estadísticas de Friedman y Wilcoxon para la selección de la arquitectura neuronal de mejor comportamiento de acuerdo al criterio del error cuadrático medio (MSE). La topología seleccionada presenta la estructura 6-4-4-1, con un MSE de 2.1∙10-3 y un factor de correlación (R) con los datos experimentales de 0.9981. La red neuronal obtenida se empleó para la simulación de trece condiciones iniciales de añejamiento que no fueron empleadas para el entrenamiento y la validación, detectándose un coeficiente de determinación (R2) de 0.9961. Resumo O processo de envelhecimento de rum experimenta perdas de volume, denominadas mermas. As variáveis numéricas de operação: produto, rambla, posições horizontal e vertical, data, volume, grau alcoólico, temperatura, humidade e tempo de envelhecimento, registradas em bases de dados, contêm informação valiosa para estudar o processo. Utilizou-se o software MATLAB 2017 para estimar as perdas em volume. Na modelação do processo de envelhecimento de rum utilizou-se a rede neuronal perceptron multicamada com uma e duas camadas ocultas, variando-se o número de neurônios nestas entre 4 e 10. Compararam-se os algoritmos de treinamento Levenberg-Marquadt (L-M) e Bayesiano (Bay). O incremento em 6 iterações consecutivas do erro de validação e 1 000 como número máximo de ciclo de treinamento foram os critérios utilizados para deter o treinamento. As variáveis de entrada à rede foram: mês numérico, volume, temperatura, humidade, grau alcoólico inicial e tempo de envelhecimento, enquanto que a variável de saída foi mermas. Processaram-se 546 pares de dados de entrada/saída. Realizaram-se as provas estatísticas de Friedman e Wilcoxon para a seleção da arquitetura neuronal de melhor comportamento de acordo ao critério do erro quadrático médio (ECM). A topologia selecionada apresenta a estrutura 6-4-4-1, com um ECM de 2.1∙10-3 e um fator de correlação (R) com os dados experimentais de 0.9981. A rede neuronal obtida empregou-se para a simulação de treze condições iniciais de envelhecimento que não foram empregadas para o treinamento e a validação, detectando-se um coeficiente de determinação (R2) de 0.9961.

Este trabalho foi apoiado por fundos FEDER e fundos Nacionais através da FCT no âmbito dos projetos ESGRIDS (POCI-01-0145-FEDER-016434) e MAnAGER (POCI-01- 0145-FEDER- 028040). Este trabalho foi apoiado por fundos FEDER e fundos Nacionais através da FCT no âmbito dos projetos ESGRIDS (POCI-01-0145-FEDER-016434) e MAnAGER (POCI-01-0145-FEDER- 028040). Trabalho desenvolvido no âmbito da Bolsa de Investigação UI0308-ML2Building.1/2019, promovida pelo INESC Coimbra – Instituto de Engenharia de Sistemas e Computadores de Coimbra, com a duração total de 12 meses. A previsão de consumos energéticos tem vindo a ganhar uma grande notoriedade nos últimos anos pelo seu papel na gestão e monitorização de consumos dos edifícios. Além disso, através da análise do padrão de consumos energéticos, é possível estudar algumas potenciais medidas de poupança de consumos, bem como detetar algumas falhas operacionais, seja de consumos excessivos ou inferiores ao esperado. Com o aumento da tecnologia que tem sido desenvolvida e o número de sensores que têm sido instalados nos edifícios, a quantidade e qualidade da informação associada aos edifícios tem melhorado, o que permite uma melhor performance dos modelos associados ao machine learning. Com base nisso, foram desenvolvidos nesta dissertação modelos de previsão baseados em diferentes técnicas de machine learning para prever as necessidades de aquecimento e arrefecimento para o dia seguinte de um edifício de escritórios localizado no Parque das Nações, Lisboa. Os modelos selecionados para este fim foram as redes neuronais artificiais e os modelos baseados em máquinas de vetores de suporte. Além disso, foi ainda estudada uma variação dos modelos SVM aplicando o simulated annealing como meta-heurística para otimizar os parâmetros destes modelos. Os históricos de potência e algumas variáveis exógenas (tais como a temperatura exterior, o perfil de ocupação, a humidade relativa, entre outras…) foram utilizados como variáveis de entrada para alimentar os modelos de forma a perceber a sua influência na previsão das necessidades de aquecimento e arrefecimento. As métricas de erro utilizadas para comparar os valores previstos pelos modelos com os valores utilizados como referência foram o erro médio absoluto e o erro médio quadrático. As variáveis mais influentes nas previsões das necessidades de aquecimento foram os históricos de potência, a temperatura exterior e a radiação solar direta. Já no período de arrefecimento, além dos históricos de potência e da temperatura exterior, também o perfil de ocupação e a humidade relativa permitiram aos modelos prever com precisão as necessidades de arrefecimento do edifício.

Dissertação de Mestrado Integrado em Engenharia Biomédica apresentada à Faculdade de Ciências e Tecnologia Ao longo dos anos, a percentagem de população com carta de condução tem crescido rapidamente e, consequentemente, também a taxa de acidentes de viação. Sonolência é uma das principais razões para acidentes rodoviários por provocar um decréscimo de perceção, concentração e controlo sobre o veículo. Por esta razão, novas técnicas para prevenção de acidentes causados devido ao cansaço do condutor têm sido exploradas como, por exemplo, a possibilidade de prever se o condutor está sonolento ou não.Este projeto tem como objetivo implementar algoritmos de processamento de sinal (séries de análise temporal) e técnicas de machine learning para identificação de diferentes estados mentais do condutor recorrendo ao uso de uma bandolete de fácil utilização e transporte, capaz de coletar ondas cerebrais. O estado mental do sujeito, neste caso de alerta ou sonolência, está diretamente interligado com a maior ou menor presença de certas frequências cerebrais, o que permite identificar em que condição o indivíduo se encontra. Para este fim, foram realizadas gravações da atividade cerebral em distintas situações. Posteriormente, diversos métodos de identificação e remoção de ruído (artefactos) e algoritmos de séries temporais foram aplicados para a construção de datasets que, mais tarde, seriam classificados por uma rede neuronal com o objetivo de diferenciar entre estados de vigília e cansaço.Em prol de estudar em detalhe o tema, a presente dissertação encontra-se dividida em diferentes capítulos. No primeiro capítulo uma breve descrição a cerca do tema e situação atual é mencionada. No capítulo 2, Interface Cérebro-Computador, eletroencefalografia e as várias ondas de frequência nas diferentes regiões do cérebro são descritas. No capítulo 3 é revista a pesquisa realizada até atualmente no campo de deteção de sonolência com dispositivos de ECG. No quarto capítulo, o hardware e software utilizado para gravação do sinal de ECG e posterior análise é descrito. No capítulo 5 são explicados os diversos métodos utilizados para remoção de ruído, análise de séries temporais e construção de datasets e do modelo da rede neuronal artificial. No capítulo 6, os resultados são apresentados e analisados. Por fim, no capítulo 7 são apresentadas as conclusões do projeto e sugestões para o trabalho futuro. Over the last years, the percentage of licensed drivers has increased rapidly and, as a consequence, so have car accidents. Drowsiness is one of the main reasons for car crashes due to a decrease of perception, concentration and control over the vehicle. For that reason, new techniques for prevention of accidents caused by somnolence have been explored. That includes, for example, prediction of non-alert states.This project aims at implementing time series analysis and machine learning techniques for the identification of different mental states of the driver, with the use of a wearable and lightweight headband, capable of collecting brain signals. The mental state of the subject, in this case of alertness or somnolence, is directly interconnected with a higher or lower presence of certain brain frequencies that will enable to identify in which condition the individual is in. For that purpose, recordings of brain response to different scenarios, both in alert and drowsiness situations, were made. Different methods were applied to detect and reject noise (namely so called artifacts) and different time series algorithms were applied for the construction of datasets that were after be fed to an artificial neural network with the goal of differentiate between states of vigilance and drowsiness. For a detailed analysis of the topic, the present dissertation is divided in different chapters. In Chapter 1, Introduction, a brief description of what will be explored in the project is described. In Chapter 2, Brain Computer Interfaces, electroencephalography and the various frequency waves from the different regions of the brain are reviewed. In Chapter 3, past research in the past in the field of drowsiness detection with EEG devices is explored. In the Chapter 4, the hardware and software used for the recording of the EEG signal and its analysis is described. In Chapter 5, the various methods used for artifacts removal, time series analysis and datasets and artificial neural network construction are explained. In Chapter 6, the obtained results are presented and examined. Finally, in Chapter 7 some conclusions and future work are highlighted.

Project Work presented as the partial requirement for obtaining a Master's degree in Information Management, specialization in Knowledge Management and Business Intelligence O aumento do tamanho e da dimensionalidade dos repositórios de dados, obriga a que as empresas se adaptem às novas tecnologias e criem novas formas de análise de dados. O clustering é uma das formas mais importantes e provavelmente mais popular de análise de dados. Ao longo deste projeto o clustering será explorado recorrendo ao Self-Organizing Map. Este trabalho irá debruçar-se essencialmente na criação dos clusters dos clientes de uma empresa de logística e distribuição alimentar. O segundo objetivo deste trabalho projeto prende-se a com as conclusões que se podem tirar a partir dos clusters obtidos, isto é, baseado nos diferentes perfis de clientes criados, pretende-se analisar se, é possível melhorar a gestão de stocks, melhorar a estratégia de marketing, antever alguns imprevistos e melhorar a cadeia de supply chain onde a empresa se encontra inserida. Neste âmbito, foi possível concluir que o SOM, é uma ferramenta adequada, para a sua implementação na empresa, uma vez que foi possível diminuir a dimensionalidade e gerar os diferentes grupos de clientes. Com base nestes resultados, concluiu-se que seria possível melhorar a gestão de stocks da empresa e melhorar a estratégia de marketing. Relativamente a toda a cadeia de supply chain onde a empresa se encontra inserida, também esta, será influenciada, uma vez que ao melhorar a gestão de stocks, e aumentando as vendas recorrendo a estratégias de marketing mais eficientes, todos os elementos da cadeia de supply chain sairão beneficiados. Increasing the size and dimensionality of data repositories, forces companies to adapt to new technologies and create new ways of data analysis. Data clustering is one of the most important and probably most popular forms of data analysis. Throughout this project, data clustering will be explored using the Self-Organizing Maps. This project will focus essentially on the creation of client clusters of a food logistics and distribution company. The second objective is the conclusions that can be drawn from the clusters obtained based on the consumptions of the clients, we intend to analyse if it is possible to improve the stock management, to improve the strategy of marketing, anticipate some unexpected events and improve the supply chain where the company is inserted. In this context, it was possible to conclude that the SOM is an appropriate tool for its implementation in the company, since it was possible to decrease dimensionality and generate the groups of clients. Based on these results, it was concluded that it would be possible to improve the company's stock management and improve the marketing strategy. Regarding the entire chain of supply chain where the company is inserted, this will also be influenced, since by improving the management of stocks, and increasing sales using more efficient marketing strategies, all elements of the chain of supply chain will benefit.

O presente artigo tem como objetivo discutir estratégias alternativas para estimar danos sísmicos em edifícios tradicionais de alvenaria através da análise comparativa de resultados obtidos recorrendo a duas abordagens distintas: um método simplificado de avaliação da vulnerabilidade sísmica utilizado em inúmeros estudos de avaliação do risco sísmico à escala urbana, e uma abordagem inovadora baseada no uso de redes neuronais artificiais. Com recurso a um vasto conjunto de informação dano pós-evento recolhidos no rescaldo do terramoto que atingiu o arquipélago dos Açores no dia 9 de Julho de 1998, considerou-se uma amostra, composta por 90 edifícios da ilha do Faial, Açores. Esta amostra foi utilizada como input para a obtenção de resultados analíticos, recorrendo às duas abordagens supracitadas e para diferentes intensidades macrossísmicas, IEMS-98, resultados esses que foram então discutidos e comparados tendo em conta o seu nível de aproximação aos danos reais observados. The present paper aims to discuss alternative strategies to estimate earthquake damage inflicted to traditional masonry buildings through a comparative analysis of the results obtained resorting to two different approaches: a seismic vulnerability index scoring method widely used in the past in numerous large-scale earthquake risk assessment studies, and an innovative approach based on the use of Artificial Neural Networks. Resorting to post-earthquake damage data collected in the aftermath of the magnitude VII earthquake that struck the Azores archipelago (in Portugal) on July 9, 1998, a sample of 90 buildings of Faial Island was considered. was used to generate real damage data for a set of traditional masonry buildings located in the island of Faial. This sample was used as input data to derive the analytical results obtained resorting to the referred approaches for different macroseismic intensities, IEMS-98. These results were then discussed and compared to post-earthquake damage data. info:eu-repo/semantics/publishedVersion

Tese de mestrado, Matemática Financeira, Universidade de Lisboa, Faculdade de Ciências, 2019 Submitted by Cristina Manessiez (camanessiez@fc.ul.pt) on 2020-02-28T16:33:31Z No. of bitstreams: 1 ulfc125904_tm_Ana_Rita_Santos.pdf: 2750151 bytes, checksum: 61368a58f7fd4902149cbc1143fb798f (MD5) Made available in DSpace on 2020-02-28T16:33:41Z (GMT). No. of bitstreams: 1 ulfc125904_tm_Ana_Rita_Santos.pdf: 2750151 bytes, checksum: 61368a58f7fd4902149cbc1143fb798f (MD5) Previous issue date: 2019

Dissertação de Mestrado em Engenharia Biomédica apresentada à Universidade de Trás-os-Montes e Alto Douro

Submitted by Daniella Santos (daniella.santos@ufma.br) on 2018-04-04T12:20:22Z No. of bitstreams: 1 EvandroMartins.pdf: 5636744 bytes, checksum: 047311d3adc1903b652de8f68b9d81bb (MD5) Made available in DSpace on 2018-04-04T12:20:22Z (GMT). No. of bitstreams: 1 EvandroMartins.pdf: 5636744 bytes, checksum: 047311d3adc1903b652de8f68b9d81bb (MD5) Previous issue date: 2018-03-27 CAPES Many users with impaired mobility are unable to safely operate a motorized wheelchair without harming themselves and/or others due to parametric system variations, such as changing the center of mass of the system or changes in the physical road conditions in which it travels. In order to contribute to attenuate the problem of mobility, this dissertation has as main objective to present development of a methodology for the design of dynamic controllers for motorized wheelchairs. Specifically, two proposals are presented, which are based on proportional, integral and derivative (PID) controller tuning models, with optimality and adaptability properties. These properties are entered into the PID controllers through the machine learning, optimal and adaptive control approaches. The first proposal is related to the optimality property, the controller design is based on s-plane models that are customized to state-space form for linear quadratic regulator design (LQR) application, such models are exclusively developed for PID controllers tuning. Thus, the controller must deal not only with conventional performance metrics, but also must meet its operating costs. The second proposal associates the adaptive properties to the PID controller based on Artificial Neural Networks (ANN) theory, to solve problems related to the parametric system variations, since a conventional PID control algorithm does not respond well to the process disturbances. The tuning proposals are evaluated in mathematical wheelchair model in two situations. In the first, the reference signal adopted is a linear trajectory and the second case is a circular trajectory. The tests present satisfactory results. Muitos usuários que possuem a mobilidade prejudicada não conseguem operar uma cadeira de rodas motorizada com segurança, sem prejudicar a si mesmos e/ou outros por conta de variações no sistema, como por exemplo alteração do centro de massa do sistema ou alterações nas condições físicas da via a qual trafega. Tendo em vista contribuir para atenuar o problema de mobilidade, esta dissertação tem como principal objetivo apresentar o desenvolvimento de uma metodologia para projeto de controladores dinâmicos para cadeira de rodas motorizadas. Especificamente, duas propostas são apresentadas, que se baseiam em modelos para sintonia de controladores proporcional, integral e derivativo (PID), com propriedades de otimalidade e adaptabilidade. Estas propriedades são inseridas nos controladores PID por meio das abordagens de aprendizado de máquina, controles ótimo e adaptativo. A primeira proposta é relacionada com a propriedade de otimalidade, em que o projeto do controlador baseia-se em modelos no plano-s que são customizados para forma em espaço de estados para aplicação do projeto linear quadrático (LQR). Os referidos modelos são exclusivamente desenvolvidos para sintonia de controladores PID. Desta forma, o controlador deve lidar não só com as métricas convencionais de desempenho, mas também devem atender os seus custos operacionais. A segunda proposta associa as propriedades de adaptabilidade ao controlador PID baseado na teoria Redes Neuronais Artificiais (RNA), para resolver problemas vinculados às variações paramétricas do sistema, visto que um algoritmo de controle do tipo PID convencional não responde bem aos distúrbios do processo. As propostas de sintonia são avaliadas em modelo matemático da cadeira de rodas em duas situações. Na primeira, o sinal de referência adotado é uma trajetória linear e o segundo caso é uma trajetória circular, os testes apresentam resultados satisfatórios.

Trabalho de projeto de mestrado em Engenharia Geográfica, apresentada à Universidade de Lisboa, através da Faculdade de Ciências, em 2018 Submitted by Cristina Manessiez (camanessiez@fc.ul.pt) on 2019-01-11T18:55:18Z No. of bitstreams: 1 ulfc124635_tm_Ana_Catarina_Ricardo.pdf: 7878807 bytes, checksum: c0807ca833a513956011c092bd75e468 (MD5) Made available in DSpace on 2019-01-11T18:55:27Z (GMT). No. of bitstreams: 1 ulfc124635_tm_Ana_Catarina_Ricardo.pdf: 7878807 bytes, checksum: c0807ca833a513956011c092bd75e468 (MD5) Previous issue date: 2018

A previsão do número de dormidas mensais é um problema importante para a gestão dos alojamentos turísticos. Neste trabalho, analisa-se a série temporal do número de dormidas mensais na região Norte de Portugal entre janeiro de 2009 e junho de 2017, e obtêm-se previsões através da aplicação de redes neuronais e da análise espectral singular. published

O governo português, numa iniciativa conjunta com o governo espanhol, formou o Mercado Ibérico de Eletricidade ou MIBEL, que possibilita a qualquer consumidor do espaço ibérico, adquirir energia elétrica num regime de livre concorrência, a qualquer produtor ou comercializador de energia elétrica que atue em Portugal ou Espanha. Criou-se assim um mercado de energia muito competitivo, onde a energia elétrica é comprada e vendida ao preço do mercado. Como consequência, o risco assumido pelas empresas que produzem, vendem ou compram energia elétrica aumentou substancialmente, tornando-se difícil gerir uma empresa deste sector sem fazer qualquer tipo de análise estatística ou sem implementar técnicas e métodos de previsão. Daí a necessidade de estudar e desenvolver modelos de previsão para o consumo da energia elétrica. Numa perspetiva de otimização das ofertas de compra de energia, em mercados organizados, atendendo às previsões das necessidades dos clientes e volatilidade dos contratos, o processo de compra revela-se uma atividade crucial. O trabalho desenvolvido presente neste relatório vem no seguimento desta necessidade identificada durante o periodo de estágio na empresa do Grupo Rolear, no departamento Rolear Viva responsável pela comercialização de electricidade e gás natural no mercado livre. Depois de um período de estudo aprofundado do funcionamento do setor, foram utilizados modelos de redes neuronais de função de base radial (RBFNN), em que a sua estrutura foi otimizada através do algoritmo genético multi-objectivo (MOGA). Os modelos foram idealizados para um horizonte de previsão de 24 e 48 horas, assentes em abordagens de consumos energéticos sazonais e anual, bem como utilizando variáveis exógenas que reflitam os hábitos diários e contributos atmosféricos no consumo de energia.

As organizações do setor agroindustrial, atualmente têm apostado cada vez mais no desenvolvimento de sistemas tecnológicos, que permitem a informatização de todos os seus processos. Recentemente os métodos e técnicas de visão por computador têm sido muito utilizadas para monitorização e inspeção durante o período de produção e colheita, permitindo detetar problemas antecipadamente e com isto, melhorar a qualidade dos produtos. No setor da produção de cogumelos um dos aspetos mais importantes, e talvez mais preponderantes, é poder prever a sua produção. Com este propósito é proposto um Sistema Inteligente de Previsão de Colheita de Cogumelos (SIPCC), baseado em técnicas e métodos de visão por computador e Redes Neuronais Artificiais (RNA). Este trabalho expõe uma arquitetura de um SIPCC a nível funcional e técnica, complementada com a apresentação e análise de dados que demonstram a sua viabilidade. Organizations of the agro-industrial sector, are now increasingly investing in the development of technological systems that allow the computerization of all its processes. Recently the methods and techniques of computer vision have been widely used for monitoring and inspection during the production and harvesting, allowing detect problems early and thus, improve the quality of products. In the field of mushroom production one of the most important aspects, and perhaps most prevalent, is to be able to predict its production. To this end it is proposed an Intelligent System Mushroom Harvest Forecast (SIPCC), based on techniques and methods of computer vision and Artificial Neural Networks (ANN). This paper presents an architecture of a SIPCC functional and technical level, complemented with the analysis and presentation of data demonstrating its viability.

Resumen La presente investigación evalúa las trasformaciones en el paisaje ocurridas en el páramo de Paja Blanca, Nariño, Colombia, en el periodo 1984-2013; así mismo, a través de un análisis descriptivo y regresiones logísticas, se establecen los principales factores socioeconómicos y biofísicos que han sido determinantes en las transformaciones o cambios en el periodo mencionado. Mediante el enfoque de Redes Neuronales Artificiales (RNA) se hicieron simulaciones del paisaje para los próximos 30 años. Los resultados indican que las transformaciones más importantes están determinadas por el cambio de bosque natural fragmentado a mosaico de pastos y cultivos, con influencia de las variables distancia de vías, distancia a los ríos y también por el crecimiento poblacional; lográndose determinar una tasa de deforestación anual de 16 has/año. Las simulaciones futuras predicen un comportamiento similar, con pérdidas importantes de bosque natural fragmentado y también una reconversión de áreas de cultivos a bosques naturales. Abstract The present investigation evaluates the transformations in the landscape occurred in the paramo of Paja Blanca, Nariño, Colombia, in the period 1984-2013; Likewise, through a descriptive analysis and logistic regressions, we established the main socioeconomic and biophysical factors that have been determinant in the transformations or changes in the mentioned period. Through the Artificial Neural Networks (RNAs) approach, landscape simulations were also made for the next 30 years. The results indicate that the most important transformations are determined by the change from fragmented natural forest to mosaic of pastures and crops, influenced by the variables: distance of roads, distance to rivers and also by population growth; Achieving an annual deforestation rate of 16 ha/year. Future simulations predict similar behavior, with significant losses of fragmented natural forest, and also a reconversion of crop areas to natural forests. Resumo A presente pesquisa avalia as transformações na paisagem acontecidas no Páramo de Paja Blanca, Nariño, Colômbia, no período 1984-2013; do mesmo modo, através de uma análise descritiva e regressões logísticas, os principais fatores socioeconómicos e biofísicos que foram decisivos nas transformações ou mudanças no período mencionado são estabelecidos. Através da abordagem das Redes Neurais Artificiais (RNAs), simulações de paisagem foram realizadas para os próximos 30 anos. Os resultados amostram que as transformações mais importantes são determinadas pela mudança de bosque natural fragmentado ao mosaico de pastagens e lavouras, com influência das variáveis distância de vias, distancia aos rios e também pelo crescimento populacional; podendo determinar uma taxa de desmatamento anual de 16 ha/ano. As simulações futuras predizem um comportamento similar, com perdidas importantes de bosque natural fragmentado e também uma reconversão de áreas de lavouras para florestas naturais.

Dissertação para obtenção do grau de mestre em Engenharia Eletrotécnica na área de especialização de Energia Com o aumento da população tem-se verificado um aumento no consumo energético, como tal, atualmente um dos principais desafios do século prende-se com a procura de uma economia sustentável e mais “verde”. Para tal, e no sentido de encontrar uma solução que responda a estes desafios têm sido definidos e adotados vários planos de ação a nível mundial. Nos últimos anos os sistemas de distribuição de energia elétrica têm sofrido alterações, tendo-se verificado uma transição dos sistemas passivos tradicionais com fluxo de energia unidirecional da alta para a baixa tensão para redes de energia elétrica com fluxo de energia multidirecional. Nesta dissertação é analisado o papel dos intervenientes na rede elétrica, desde os produtores até aos consumidores. É analisado um novo interveniente, o prosumer, sendo este produtor e simultaneamente consumidor de energia elétrica. Realiza-se a previsão da produção de energia elétrica a partir de fontes renováveis com o recurso a redes neuronais artificiais. É apresentado e analisado um modelo de gestão de energia que permite a resolução do problema de despacho económico considerando a utilização de armazenamento de energia. São analisados diversos cenários diários e mensais, considerando a existência de sazonalidade. São apresentados os resultados obtidos, tendo-se concluído que a utilização de um sistema de armazenamento de energia com recurso a baterias permite uma redução da fatura energética. Quer seja através do armazenamento da energia proveniente de produção renovável ou adquirida à rede elétrica. With the increase in population there has been an increase in energy consumption, as such, one of the main challenges of the century is the search for a sustainable and greener economy. To find a solution to these challenges, several action plans have been defined and adopted worldwide. In recent years, electricity distribution systems have undergone changes, with a transition from traditional passive systems with unidirectional energy flow from high to low voltage to multidirectional energy flow networks. In this dissertation, the stakeholders role in the electrical system, from the producers to the consumers, is analysed. It is analysed a new actor, the prosumer, being this producer and simultaneously consumer of electric energy. The production of electric energy from renewable sources forecast is made using artificial neural networks. An energy management model is presented and analysed that allows the resolution of the problem of economic dispatch considering the use of energy storage. Several daily and monthly scenarios are analysed, considering the existence of seasonality. The results obtained are presented and it has been concluded that the use of a battery energy storage system allows a reduction of the energy bill. Whether it is through the storage of energy from renewable or acquired production to the grid. N/A

Dissertação para obtenção do grau de mestre em Engenharia Eletrotécnica – Ramo de Energia Esta tese incide sobre o desenvolvimento de um modelo para um controlador inteligente que permite a redução de custos associados ao consumo de energia elétrica numa habitação. São analisados perfis de funcionamento de equipamentos e elaborados os seus diagramas de cargas que possibilitam o estudo das medidas mais adequadas a implementar de forma a reduzir o consumo energético. É desenvolvido um controlador inteligente responsável pela gestão dos equipamentos e domótica da habitação. É desenvolvido um sistema de Lógica Fuzzy em conjunto com Redes Neuronais Artificiais para implementar os controladores e é analisada a sua influência redução da fatura energética da habitação. São também estudadas medidas que utilizam de fontes de energias renováveis em conjunto com um sistema de armazenamento de energia. This thesis focuses on a smart controller model development capable of reducing the costs associated to the electric energy consumption in a habitation Equipment load profiles are analyzed and load diagrams developed which will enable the study of the most appropriate measures to use in order to reduce the energy consumption. A controller based in intelligent systems is developed to perform equipment management and domotics. Fuzzy Logic and Artificial Neural Networks are used to implement the controllers and their influence on the bill reduction is analyzed. Renewable energy generation associated with an energy storage system is considered and analyzed. N/A

Made available in DSpace on 2019-12-16T16:26:12Z (GMT). No. of bitstreams: 1 5537_11259.pdf: 5268159 bytes, checksum: 530510780dbe22cfbeef967aa4c458c0 (MD5) Previous issue date: 2017-07-20

Trabalho apresentado na CISTI'2017 - 12ª Conferência Ibérica de Sistemas e Tecnologias de Informação, 21-24 de junho de 2017, Lisboa, Portugal A previsão da carga eléctrica é uma tarefa fundamental para planeamento, operação e exploração dos Sistemas de Energia Eléctrica. A importância da previsão tornou-se mais evidente com a reestruturação do sector energético nacional e com a criação de projectos ligados com as smart grids, nomeadamente em Portugal – o InovGrid. Este artigo descreve o modelo computacional de previsão do Diagrama de Carga Diária baseado no algoritmo Levenberg-Marquardt de Redes Neuronais Artificiais. Os dados a utilizar são as séries temporais de potência activa registados pelo Sistema de Telecontagem da EDP Distribuição e as séries temporais climáticas do Instituto Português do Mar e da Atmosfera, recolhidas na cidade de Évora, uma das primeiras cidades inteligentes (smart cities) em Portugal. O horizonte da previsão é de curto prazo: desde 24 horas até uma semana. Foram obtidos bons resultados observados pelos indicadores estatísticos de erros. N/A

Submitted by Isabel Gomes (itg@lisboa.ucp.pt) on 2017-11-29T10:58:45Z No. of bitstreams: 1 TFM_Pedro_Silva_Mestrado_Gestão_Católica_Porto.pdf: 3406279 bytes, checksum: 835950f0518dd1d0b3b8be9e541be317 (MD5) Approved for entry into archive by Isabel Gomes (itg@lisboa.ucp.pt) on 2017-11-29T10:59:26Z (GMT) No. of bitstreams: 1 TFM_Pedro_Silva_Mestrado_Gestão_Católica_Porto.pdf: 3406279 bytes, checksum: 835950f0518dd1d0b3b8be9e541be317 (MD5) Made available in DSpace on 2017-11-29T10:59:26Z (GMT). No. of bitstreams: 1 TFM_Pedro_Silva_Mestrado_Gestão_Católica_Porto.pdf: 3406279 bytes, checksum: 835950f0518dd1d0b3b8be9e541be317 (MD5) Previous issue date: 2017-07-17

O setor do Turismo é um dos mais importantes para a economia da região Norte de Portugal e tem crescido de ano para ano. Este trabalho considera dados recentes das dormidas mensais nos alojamentos turísticos da região, analisa-os e compara os resultados de previsões obtidas por meio da aplicação de redes neuronais artificiais e da análise espectral singular.