University of Pernambuco - Engineering School/ Editorial System Journals
Not a member yet
37197 research outputs found
Sort by
Sistema Híbrido de Previsão de Séries Temporais baseado na Previsão Média Ponderada dos Modelos ARIMA e ETS, e na Previsão Residual por modelo de Machine Learning
No full textO uso de aprendizado de máquina, do inglês machine learning (ML), tem se intensificado nas mais variadas tarefas, como processamento de texto, visão computacional, carros autônomos etc. Consequentemente, aplicações de ML para previsão de séries temporais têm aumentado, com pesquisadores buscando replicar os resultados obtidos nos demais campos. Não obstante os resultados nas áreas citadas, em previsão de séries históricas há alguma desconfiança quanto a possibilidade dos modelos de ML em generalizar dados em séries (Makridakis et al. 2018), especialmente modelos usados individualmente. Pesquisas apontam que o uso de combinações proporcionam maior acurácia dos testes (Makridakis et al., 2022). De modo individual, modelos de ML, por exemplo, podem sofrer com estimação de parâmetros sobre-ajustados ou sub-ajustados. Já modelos estatísticos, que pressupõem linearidade nos dados, não conseguem capturar todos os padrões numa série temporal. Uma forma de combinação de modelos, que une os dois mundos e visa a sobrepujar as limitações citadas, é a metodologia de Zhang (2003). O autor postula que uma série temporal é composta por duas partes: linear e não-linear. Usando modelos lineares, o autor estima a parte linear e calcula os resíduos da série (valores reais da séries menos os valores previstos), esses representam a parte não-linear, e utiliza um modelo de ML, que são não-lineares, para estimar. Ao final ambas as previsões são somadas. Objetivo do trabalho: Este trabalho visa à construção de um sistema híbrido – baseado na proposta de Zhang (2003) – de modelos estatísticos e de ML por meio da média ponderada das previsões dos modelos estatísticos, autoregressive integrated moving average (ARIMA) e Error, Trend and Seasonality (ETS) somada às previsões residuais dos métodos de machine learning (serão testados multilayer perceptron (MLP), Support Vector Regression (SVR), Transformer ) testando três tipos de modelos de ML. O modelo é representado pela expressão: mean(ARIMA,ETS)+ML, no qual a primeira parte representa a média ponderada das previsões dos métodos estatísticos somada às previsões do método de ML. Metodologia: Usando séries temporais de benchmarking (Passageiros da Airlines, Nível do Lago Erie, Demanda de Gasolina de Ontário, Venda de Carros de Quebec e Produção Elétrica dos EUA ), com divisão em três conjuntos: treino, validação e teste, nas proporções de 70% dos dados ao conjunto de treino e 15% para o de validação e teste, serão passados os conjuntos de treino e validação aos modelos ARIMA e ETS. Esses treinarão e farão predições para ambos os conjuntos, as predições de treino e validação são combinadas por meio da média ponderada – os pesos da média serão estimados por meio de regressão linear (Kuncheva, 2014), a qual fornecerá seus parâmetros – com as predições com variáveis independentes e os valores de target como variável dependente – dando a devida relevância a cada modelo. Os resíduos (valores reais da série menos os valores preditos pela média ponderada do ARIMA e do ETS) dos conjuntos de treino e validação são usados para treinar e validar os modelos de ML (serão testados MLP, SVR e Transformer para cada configuração do sistema). Os métodos de aprendizagem de máquina serão treinados e terão seus hiperparâmetros selecionados mediante busca em grade (grid search). Com todos os modelos treinados, a fase de teste inicia-se. O sistema receberá o conjunto de teste passando primeiramente pelos modelos estatísticos, realizando a média ponderada de suas previsões. Os resíduos do conjunto de teste são calculados e entregues aos métodos de ML que estimarão os valores. Ao final, todas as previsões, média ponderada dos modelos ARIMA e ETS e previsões residuais dos modelos de ML, serão somadas criando a previsão final do sistema proposto. Para avaliar a acurácia do sistema, serão utilizadas as métricas MAPE (Mean Absolute Percentage Error) e RMSE (Root Mean Squared Error). Resultados obtidos: os resultados preliminares obtidos, ainda utilizando média aritmética no sistema, mostraram resultados interessantes, superando os modelos individuais e combinações residuais. Utilizando o gráfico de distância crítica (Demsar, 2006) avaliando com ambas métricas, MAPE e RMSE, o sistema ficou à frente dos modelos individuais MLP, SVR e Transformer, ficou a frente também de combinações residuais híbridas mais simples como a soma das previsões do ARIMA com as previsões residuais dos modelos de aprendizagem de máquina MLP, SVR e Transformer. O sistema obteve resultados acima de todos os outros na métrica MAPE para a série Passageiros Airlines com o valor de 0.021013 e em RMSE para Produção Elétrica dos EUA com valor de 7006.562571. No entanto, o sistema obteve uma acurácia inferior, de modo geral, em relação à combinação da soma das previsões do ETS às previsões residuais dos modelos de ML. Conclusão: Como fora identificado nos experimentos preliminares, o sistema usando a média aritmética dos dois métodos estatísticos, ARIMA e ETS, ficou acima de sistemas híbridos que só usam o ARIMA e abaixo de sistemas que usam o ETS, dando evidências de que a importância do ARIMA está elevada – na média aritméticas os pesos são iguais – reduzindo a acurácia do sistema como um todo O uso da média ponderada pode corrigir as importâncias das partes para o sistema. Caso confirmado que o sistema com o uso de média ponderada no lugar da média aritmética obtém resultados mais acurados que os modelos individuais e alguns sistemas da literatura especializada, serão escritos um artigo, uma dissertação de mestrado com a possibilidade de novas pesquisas que melhorem a acurácia do sistema. Além das pesquisas, é possível a utilização do sistema proposto em aplicações reais como previsão de velocidade de ventos e irradiação solar.
Palavras-chave: Séries Temporais; Sistemas Híbridos; Machine Learning; Forecasting.
Referências
DEMSAR, J. Statistical comparisons of classifiers over multiple data sets. J. Mach. Learn. Res., JMLR.org, v. 7, p. 1–30, ISSN 1532-4435, 2006.
KUNCHEVA, L. Combining pattern classifiers: methods and algorithms. John Wiley & Sons, 2014.
MAKRIDAKIS, S., SPILIOTIS, E., ASSIMAKOPOULOS, V.: Statistical and machine learning
forecasting methods: Concerns and ways forward. PloS one 13(3), e0194889, 2018
MAKRIDAKIS, S., SPILIOTIS, E., ASSIMAKOPOULOS, V., SEMENOGLOU, A. A., MULDER, G., and NIKOLOPOULOS, K. Statistical, machine learning and deep learning forecasting methods: Comparisons and ways forward. Journal of the Operational Research Society, 74(3), 840–859. 2022
ZHANG, G.: Time series forecasting using a hybrid arima and neural network model. Neurocomputing 50, 159–175, 2003.
 
Retrofit Lumínico de Ambientes Escolares Padronizados utilizando a abordagem do Design Thinking
No full textO consumo de energia no mundo vem crescendo nos últimos anos devido ao uso excessivo de equipamentos eletrônicos e as mudanças climáticas. Devido às características bioclimáticas e os baixos índices pluviométricos da região nordeste do Brasil, o uso de energia elétrica é influenciado para adequar e manter condições de conforto no interior das edificações. Uma maneira de reduzir esse cenário é realizar otimização dos sistemas instalados nas edificações por meio de adequações ou reformas, os chamados retrofits. Assim, edificações que fazem bom uso desse recurso evitam desperdícios sem comprometer os serviços e a produtividade dos ocupantes (SILVA, 2015; LIMA, 2018; SILVA et al, 2019; MENELLI, 2021; DA SILVA JUNIOR, 2023). Essa mudança exige uma combinação de ações, políticas e cooperação entre as partes interessadas (governos, iniciativa privada e sociedade). Dentro deste cenário das edificações o sistema de iluminação pode ser um ponto de partida para ações de eficiência energética, pois os benefícios com possíveis adequações podem resultar na diminuição do consumo de energia, utilização de tecnologias não nocivas ao meio ambiente, redução de custos de manutenção e um melhor controle da gestão do sistema (SALVIA, 2016; SILVA, 2023; TRAJANO, 2023). Neste contexto, o presente projeto de extensão tem como objetivo propor ações de retrofit lumínico em ambientes escolares padronizados, projetados e/ou construídos na região metropolitana de Recife. O trabalho focou nos ganhos significativos tanto na redução do consumo de energia (kWh/ano) quanto na diminuição dos gastos dos recursos públicos com energia elétrica. A metodologia a ser aplicada está sendo realizada em várias etapas. Inicialmente, os integrantes realizaram um levantamento bibliográfico sobre o tema da eficiência energética em edificações, aplicado aos sistemas de iluminação em ambientes escolares. Em seguida, foi realizada uma capacitação sobre o Design Thinking (DT) (FILATRO e CAVALCANTI, 2018). Esse método, além de proporcionar flexibilidade, está dividido em quatro etapas: compreender o problema, projetar soluções, prototipagem e implementar a melhor opção. Na etapa “compreender o problema”, os integrantes analisam o contexto do ambiente escolar por meio da obtenção de documentação técnica, conversas com especialistas e entrevistas com diretores, funcionários e alunos. Em seguida, os dados coletados são compartilhados e analisados pela equipe para refinar o problema alvo. Na etapa “projetar soluções”, os discentes participam de sessões de brainstorming, onde uma grande quantidade de ideias é compartilhada e categorizada para selecionar as melhores soluções com potencial de prototipação. Na etapa “prototipagem”, os design thinkers realizam simulações no software gratuito DIALux EVO, criando protótipos que representam visualmente as soluções para uma possível adequação (retrofit) de acordo com as normas vigentes. A elaboração de protótipos rápidos viabiliza o teste das soluções criadas, permitindo que sejam aprimoradas e refinadas. Na última etapa, “implementar a melhor opção”, são realizadas análises de inovação, praticabilidade e viabilidade econômica. Por fim, pilotos são propostos como projeto luminotécnico. Atualmente, os extensionistas estão na etapa de 'compreender o problema'. A edificação selecionada neste projeto de extensão foi o Ginásio Pernambucano, escola pública localizada na Rua da Aurora, no bairro de Santo Amaro, Recife, Pernambuco. A escolha desse local ocorreu devido a seu contexto histórico, receptividade da gestão quanto ao projeto e à localização estratégica, facilitando o deslocamento dos extensionistas nas visitas técnicas. Foram disponibilizadas documentações técnicas nas primeiras visitas. Foi realizado o levantamento dos parâmetros físicos da biblioteca (dimensões do local, posicionamento dos objetos e luminárias, tipos de lâmpadas, etc.) para a modelagem no DIALux EVO na etapa de prototipação. Como a escola possui mais de 50 espaços construídos, a equipe extensionista está elaborando uma abordagem sistemática para a obtenção das medições nos ambientes de maneira otimizada. As etapas seguintes serão iniciadas nos próximos meses visando a finalização da coleta dos dados para elaboração dos protótipos computacionais (3D). Convém destacar que este projeto vem estimulando os discentes a uma formação técnica e científica ativa por meio da solução de problemas reais sobre consumo energético de edificações (em kWh). Também fornece informações credíveis aos gestores públicos sobre o desempenho lumínico (em lx) de uma edificação histórica, contribuindo para redução de gastos públicos, melhoria no conforto ambiental (lumínico) e promover ações com foco no desenvolvimento sustentável (ODS 11 e ODS 13)
Segurança Cibernética: Uma Breve Introdução
No full text‘Segurança Cibernética: Uma Breve Introdução’ é o Trabalho de Conclusão de Curso (TCC) elaborado por Luciano José da Silva Junior, sob orientação do Professor Dr. Ruben Carlo Benante, como requisito parcial para obtenção do grau de Engenheiro de Controle e Automação pela Escola Politécnica de Pernambuco (POLI/UPE). Este trabalho tem como objetivo principal conscientizar os leitores sobre a importância da segurança cibernética diante de um cenário em que o acesso facilitado a dispositivos digitais, aliado à falta de preparo técnico, torna os usuários vulneráveis a ataques cibernéticos (KESSLER, 2012). Tais ataques já resultaram em prejuízos financeiros expressivos, estimados em US$ 3,5 bilhões apenas em 2019, de acordo com a Central de Reclamações de Crimes na Internet do FBI (CHNG et al., 2022). Diante disso, o estudo visa desenvolver competências técnicas e preventivas no leitor, apresentando estratégias para identificar e mitigar ameaças virtuais. A metodologia utilizada consistiu em uma revisão teórica de conceitos essenciais e práticas consolidadas da área. Inicialmente, foram discutidas as mudanças nas regulamentações brasileiras sobre o uso da internet e os perfis de hackers — éticos, mal-intencionados e extremistas — bem como os profissionais especializados em segurança da informação. Em seguida, foram examinadas as principais ameaças digitais, como malwares (ex.: ransomware, spyware, trojans), técnicas de engenharia social e ataques cibernéticos diversos, incluindo DDoS, zero-day, sniffing, backdoor e injeção SQL. Posteriormente, o trabalho destacou medidas de proteção, como rotinas de backup, atualizações frequentes de software, uso de criptografia, firewalls, senhas fortes, gerenciadores de senhas e ferramentas de segurança como antivírus, VPN’s e sistemas de detecção. Por fim, abordou-se o conceito de desenvolvimento seguro, enfatizando práticas de programação que previnam vulnerabilidades desde as fases iniciais dos projetos. Os resultados evidenciam que a aplicação dessas práticas contribui significativamente para a redução dos riscos cibernéticos. Conclui-se que a educação digital é um pilar fundamental para consolidar uma cultura de segurança da informação na sociedade contemporânea.
Palavras-chave: Segurança Cibernética; Hackers; Ataques Cibernéticos; Educação Digital.
Referências
KESSLER, G. C. Information Security: New Threats or Familiar Problems? Computer, v. 45, n. 2, p. 59-65, 2012. ISSN 0018-9162. Disponível em: https://ieeexplore.ieee.org/document/6201309. Acesso em: 24 fev. 2023.
CHNG, S.; LU, H. Y.; KUMAR, A.; YAU, D. Hacker types, motivations and strategies: A comprehensive framework. Computers in Human Behavior Reports, v. 5, 100167, 2022. ISSN 2451-9588. DOI: https://doi.org/10.1016/j.chbr.2022.100167. Acesso em: 24 fev. 2023
Diagnóstico de vazamentos visíveis e estimativa de perdas em edifícios do Tribunal de Contas do Estado de Pernambuco
No full textO consumo excessivo de água potável em edificações públicas está frequentemente associado à ocorrência de vazamentos e ao uso inadequado dos aparelhos hidrossanitários. A ausência de práticas sistemáticas de inspeção e manutenção preventiva nesses sistemas pode gerar perdas consideráveis, tanto do ponto de vista ambiental quanto econômico. Considerando o perfil de uso contínuo das edificações administrativas, como é o caso dos prédios pertencentes ao Tribunal de Contas do Estado de Pernambuco (TCE-PE), se faz necessária a adoção de estratégias eficazes de monitoramento e controle para garantir o uso eficiente da água. Nesse contexto, o uso de indicadores de perdas devido a manifestações patológicas, como os índices de perda e de vazamento, tem se mostrado uma ferramenta útil para quantificar o desperdício e apoiar ações corretivas e preventivas (Silva et al., 2018). O objetivo deste trabalho foi apresentar uma análise preliminar dos indicadores de perdas e vazamentos nos prédios da sede do TCE-PE e da Escola de Contas Públicas, com base em três meses iniciais de monitoramento, realizados por meio de vistorias em campo e inspeções nos aparelhos e instalações hidrossanitárias. A metodologia adotada neste estudo consistiu em três etapas principais: o cadastro dos equipamentos hidrossanitários existentes, a vistoria in loco da ocorrência de vazamentos visíveis e o cálculo dos indicadores de perdas de água. Inicialmente, foi realizado o levantamento cadastral em quatro edificações pertencentes ao TCE-PE, sendo três prédios da sede (Edifício Nilo Coelho, Edifício Dom Hélder e Edifício Rui Lins) e um da Escola de Contas Públicas Professor Barreto Guimarães, todos localizados no Recife. O cadastro contou com a identificação e quantificação dos pontos de consumo de água presentes em cada edificação, tais como torneiras, bacias sanitárias, chuveiros, mictórios e duchas. Em seguida, foram conduzidas vistorias mensais em cada edifício entre os meses de abril e junho de 2025, visando registrar, por meio de observação direta, as manifestações patológicas visíveis nos aparelhos hidrossanitários previamente cadastrados. As ocorrências foram registradas em fichas específicas desenvolvidas com base em Araújo (2004), ANA, FIESP e SINDUSCON (2005) e Gonçalves et al. (2005), com detalhamento do tipo e da intensidade do vazamento observado. A classificação do gotejamento em torneiras e chuveiros seguiu o método proposto por Oliveira (2002), por meio da contagem da frequência de gotas por minuto. A partir dessas informações, foram calculados dois indicadores: o Índice de Vazamento (IV), definido como a razão percentual entre o número de equipamentos com vazamento visível e o número total de equipamentos existentes, também separado por tipo de equipamento; e o Índice de Perdas Estimadas (IP), definido como o volume estimado de perda de água por dia associados a cada tipo de vazamento identificados nos edifícios analisados. As perdas estimadas de água foram obtidas com base em valores nominais diários atribuídos a cada tipo de vazamento, conforme literatura técnica especializada (Oliveira, 2002; Gonçalves et al., 2005; ANA; FIESP; SINDUSCON, 2005). O presente resumo apresenta os resultados parciais do estudo, que seguirá em andamento até dezembro de 2025, com previsão de novas vistorias e atualização dos indicadores ao longo do segundo semestre. Após a etapa de cadastro, com o levantamento das instalações hidrossanitárias dos prédios em estudo, constatou-se que a sede do TCE-PE possui um total de 381 equipamentos distribuídos em seus três prédios e áreas de jardim (122 no Nilo Coelho, 211 no Dom Hélder e 48 no Rui Lins e áreas externas), enquanto a Escola de Contas Públicas conta com apenas 42 equipamentos dessa natureza. Durante as vistorias realizadas entre abril e junho, os índices de vazamento apresentaram tendência de aumento na sede do TCE-PE, correspondendo a 2,4% em abril, 3,9% em maio e 5,0% em junho dos aparelhos com vazamentos. Esses índices variaram entre os prédios da sede ao longo do período. No Nilo Coelho, o IV reduziu de 4,9% em abril para 4,1% em maio e 0,8% em junho. Enquanto isso, o prédio Dom Hélder apresentou aumento progressivo, passando de 0,9% em abril para 4,7% em maio e 6,2% em junho. No prédio Rui Lins e nas áreas externas, o IV variou de 2,4% em abril para 0% em maio, voltando a subir em junho, quando atingiu 10,4%, valor que corresponde ao dobro do índice geral da sede nesse mês (IV = 5,0%). Na Escola de Contas Públicas, não foram detectados vazamentos em abril, e em maio e junho foram registradas apenas uma ocorrência em cada mês, resultando em IV de 2,4% em cada. Para todos os prédios analisados, esses valores podem ser considerados baixos, o que é reflexo da manutenção preventiva realizada pela equipe do TCE-PE e da agilidade nas correções, viabilizadas por um sistema interno de comunicação de anomalias. Em relação aos índices por tipo de equipamento, os vazamentos ocorreram com maior frequência nas bacias sanitárias da sede do TCE-PE em abril (IV = 4,5%), geralmente do tipo filete visível, e nas duchas, nos meses de maio (IV = 6,6%) e junho (IV = 16,4%), com ocorrências variando de gotejamento a vazamentos na mangueira flexível e na alimentação de água. Na Escola de Contas, as manifestações patológicas pontuais foram vistas em uma ducha higiênica com vazamento no flexível em maio (IV = 8,3%) e uma bacia sanitária com filete visível em junho (IV = 8,3%). As perdas estimadas foram calculadas com base nos métodos da literatura para cada tipo de vazamento identificado. Em abril, as manifestações patológicas identificadas nos prédios da sede do TCE-PE representaram uma perda estimada de 644,72 L/dia, valor bastante considerável. Em maio, esse volume aumentou para cerca de 720 L/dia, em função da maior ocorrência e dos tipos de vazamento identificados. Apesar do crescimento no número de vazamentos em junho, a perda de água estimada para o mês foi de 209,32 L/dia, o que se justifica pelos tipos de anomalias identificadas nos aparelhos. Entre os tipos de vazamento observados, destacam-se os filetes em torneiras (144 a 333 L/dia) e os filetes visíveis em bacias e mictórios (144 L/dia), segundo estimativas usadas por Silva et al. (2018). Essa diferença torna-se ainda mais evidente na análise da Escola de Contas Públicas. Embora tenha sido identificado um vazamento em maio e outro em junho nas instalações da escola, o primeiro correspondeu a uma perda de apenas 0,86 L/dia (vazamento no flexível da ducha), enquanto o segundo gerou uma perda estimada de 144 L/dia devido ao filete visível na bacia sanitária. Em conclusão, os resultados até o momento apontam para um crescimento progressivo dos vazamentos nos prédios analisados, com variações nas perdas estimadas associadas ao tipo de ocorrência observada. A análise de padrões, como a maior incidência em duchas higiênicas, contribuirá para o direcionamento de estratégias de manutenção preventiva e para o planejamento de campanhas de conscientização junto aos usuários
Desenvolvimento e implementação do sistema de controle para um gerador de pulsos de corrente para ensaios com Dispositivos de Proteção contra Surtos
No full textSegundo a ABNT NBR 5410 (ABNT, 2004), os Dispositivos de Proteção contra Surtos (DPS) são componentes essenciais para a proteção de instalações elétricas e equipamentos contra sobretensões transitórias, como as provocadas por descargas atmosféricas. Com o objetivo de avaliar a eficácia desses dispositivos, a Universidade de Pernambuco (UPE), em parceria com a empresa CLAMPER S.A., vem desenvolvendo diversos projetos voltados à realização de ensaios em equipamentos eletroeletrônicos submetidos a surtos de alta tensão. Entre os equipamentos avaliados destacam-se modems ópticos, lâmpadas LED, geladeiras, televisores, disjuntores e inversores solares. Os resultados indicam que a utilização de DPS pode aumentar significativamente a vida útil desses dispositivos quando expostos a descargas. Para a realização desses testes, é necessário o uso de um gerador de surtos capaz de simular descargas atmosféricas conforme os parâmetros estabelecidos pela norma IEC 61643-11 (2021), que define, por exemplo, as formas de onda de corrente típicas (como 8/20 μs e 10/350 μs), baseadas no tempo de subida e de decaimento do pulso. Neste contexto, o presente trabalho apresenta o desenvolvimento e a implementação de um sistema de controle para operação de um gerador de surtos, capaz de simular descargas atmosféricas, como parte de um projeto de Pesquisa e Desenvolvimento (P&D) realizado no Instituto de Inovação Tecnológica da UPE (IIT/UPE). Para reproduzir as ondas de corrente, o laboratório dispõe de um gerador de corrente composto por um transformador, que devido à indução eletromagnética gerada entre os enrolamentos do primário e secundário, a tensão AC aplicada na entrada produz uma tensão elevada na saída, proporcional ao número de espiras nos enrolamentos. A tensão no secundário do transformador passa por um diodo que retifica o sinal alternado em uma tensão contínua que, por sua vez, pode carregar dois bancos de capacitores que são responsáveis por armazenar a energia e definir qual forma de onda será usada no experimento (8/20 μs ou 10/350 μs). Em paralelo com os capacitores, existem duas semi esferas condutoras que, ao se aproximarem uma da outra, são capazes de simular uma descarga atmosférica, descarregando a tensão armazenada no banco de capacitores e rompendo a rigidez dielétrica do ar. O sistema de controle desenvolvido é responsável por controlar o carregamento dos bancos de capacitores, definir a polaridade dos pulsos, permitir ao usuário a escolha da forma de onda a ser aplicada, acionar válvulas pneumáticas e mecanismos de segurança, como um botão de emergência. O controle é realizado por uma plataforma de desenvolvimento de sistemas embarcados, microcontrolada, Arduino Mega, integrada a relés, transformador (220 V para 127 V), fontes de tensões contínuas, sensores, um autotransformador para controle da tensão AC no primário e contatores para acionamento da carga. O painel de controle inclui chaves seletoras, indicadores luminosos, voltímetros AC/DC e botões de operação, permitindo a escolha entre modo manual ou digital. No modo digital, o sistema se comunica com um computador via USB e é operado através de uma interface desenvolvida no Node-RED, que permite o monitoramento da tensão de carregamento dos capacitores de forma gráfica, utilizando divisores de tensão e sensores conectados ao Arduino. O sistema foi implementado com sucesso e calibrado conforme os requisitos da norma IEC. Atualmente o sistema de controle desenvolvido está sendo utilizado no comando do gerador de pulsos, em ensaios experimentais com DPS e outros dispositivos eletroeletrônicos, contribuindo tanto para a geração de conhecimento acadêmico por meio de artigos científicos com resultados inovadores, quanto para o desenvolvimento de soluções técnicas em parceria com empresas do setor, e desenvolvimento de novos produtos
Semana Carranca: Fortalecendo a Educação Prática em Engenharia e Robótica
No full textUm dos maiores desafios enfrentados pelas instituições de ensino superior no Brasil é a evasão. Segundo estudo do Mapa do Ensino Superior no Brasil 2024, o índice de evasão no ensino superior chega a 57,2%(GIUSTI, 2024). Dentre os estudantes de engenharia, um dos principais motivos citados para a desistência ainda no ciclo básico é a falta de integração entre os conhecimentos teóricos e práticos, causando desinteresse e frustração nos calouros(UFPE, 2020). Diante deste cenário, iniciativas como a Semana Carranca surgem com o objetivo de conectar os conhecimentos acadêmicos e as expectativas práticas, incentivando os estudantes a chegarem ao final dos cursos. Este artigo visa enfatizar a importância destas ações para o desenvolvimento técnico dos discentes, permanência acadêmica e motivação para o aprofundamento na área de formação. O presente artigo foi elaborado por meio de pesquisa qualitativa de natureza exploratória, combinada à análise de vivências práticas relacionadas ao tema. Para sua construção, foram utilizados dados estatísticos, pesquisas de satisfação e textos opinativos. Estudos baseados no Censo da Educação Superior do INEP, como o de Bernardo et al. (2017), indicam que a evasão tem maior incidência no primeiro ano (BERNARDO, 2017). Esta evasão envolve fatores acadêmicos, financeiros e institucionais, para a engenharia, podem ser destacados, desencanto com a profissão, dificuldades acadêmicas e desmotivação (LOBO, 2024). A análise dos dados dos últimos anos atesta um constante aumento de interesse e de inscritos nos cursos ofertados durante o evento Semana Carranca. Em 2017.1, foram registrados 61 inscritos; em 2017.2, 31 inscritos; em 2019, 84 inscritos; e, no ano em curso (2025), 135 inscritos. “No geral fiquei muito satisfeito com os instrutores, foram muito prestativos! A Semana Carranca contribuiu bastante para o meu aprendizado e para despertar interesse em me aprofundar na área de eletrônica, tanto é que comecei a fazer um curso técnico de Eletrônica algumas semanas depois.”, afirmou um dos alunos da oficina de soldagem eletrônica. Relatos como esse atestam a importância de cursos que oferecem experiências práticas, tais como os cursos promovidos durante a Semana Carranca, que viabilizam a aprendizagem por meio de projetos que envolvem demandas reais dentro da engenharia. O artigo de Cirilo, Silva e Leão (2025) realça a necessidade de que futuros profissionais de engenharia sejam capacitados a elaborar e executar projetos práticos ao longo de sua formação acadêmica, aprimorando, assim, as competências técnicas e comportamentais para o exercício da profissão. A aprendizagem baseada em projetos promove não apenas a assimilação teórica, mas também o desenvolvimento de habilidades práticas e de resolução de problemas, elementos cruciais para a atuação profissional na área de engenharia. A partir do estudo das informações coletadas, compreende-se que atividades como a semana carranca contribuem positivamente tanto para redução da evasão dos cursos quanto para o incentivo de interesse dos discentes em novas técnicas e inovações. Os cursos ministrados por outros discentes da POLI permitem que os calouros não só adquiram autonomia técnica como relações interpessoais tão importantes para o futuro no mercado de trabalho. 
Um Modelo para Identificação de Estilos de Aprendizagem em Estudantes de Engenharia Usando Processamento de Linguagem Natural
No full textNas últimas décadas, nota-se um crescente aumento nas pesquisas sobre como os estudantes adquirem, aprendem e processam conhecimento. Pesquisadores buscaram entender como os Estilos de Aprendizagem (EA) podem se tornar adaptativos para cada estudante, levando em consideração suas características individuais, mas se adaptando para contemplar os variados meios de aprender (Schmitt; Domingues, 2016). Como existem muitos estilos, é uma tarefa desafiadora determinar e prever o EA de um estudante individualmente. Adotar um método pedagógico padrão não é apropriado para melhorar o aprendizado de todos os alunos. Portanto, é essencial elaborar e adotar diferentes pedagogias para diferentes tipos de alunos (Ramírez-Correa et al., 2021). Dentre os Modelos de Estilos de Aprendizagem encontrados na literatura, o Modelo proposto por Felder E Silverman (1988) se destaca, em função de apresentar simultaneamente múltiplas dimensões do aprendizado e, desta maneira, fornece uma visão detalhada das preferências dos estudantes. Diante da necessidade da personalização da aprendizagem, buscando a necessidade de utilizar novos métodos que aprimoram o processo de ensino e inclusão da diversidade dos perfis dos estudantes, a proposta desta pesquisa se molda utilizar técnicas de Processamento de Linguagem Natural (PLN) com o objetivo de automatizar e melhorar a identificação dos EA destes estudantes de engenharia e áreas afins. Buscar novos métodos de identificação de EA combinando questionários com Processamento de Linguagem Natural (PLN) pode apresentar uma alternativa automatizada e eficiente nesta identificação. Técnicas de PLN lidam com problemas relacionados à automação da interpretação e da geração da língua humana em aplicações como Tradução Automática, Sumarização Textos, Ferramentas de Auxílio à Escrita, Perguntas e Respostas, Categorização Textual, Recuperação e Extração de Informação, entre muitas outras (Santana; Magalhães, 2024). Ademais, existe uma lacuna na literatura, principalmente nas pesquisas sobre a identificação dos EA dos estudantes de engenharia e áreas afins que são escassas. Partindo desta premissa, surge a necessidade de investigar se a identificação e personalização dos EA dos estudantes de engenharia é melhorada através do uso de Processamento de Linguagem Natural. Nesse sentido, o objetivo principal desta pesquisa é propor um modelo de identificação de Estilos de Aprendizagem dos estudantes de engenharia através de técnicas de PLN alinhado ao modelo de Felder E Silverman (1988). Para alcançar este objetivo propõe-se uma metodologia estruturada em seis etapas: aplicação da RSL, que mostrará o estado da arte atualmente e terá os resultados que poderão encaminhar a pesquisa; construção da base de dados, que será feita através das respostas descritivas de questionário adaptado de Felder e Silverman para a identificação dos EA dos alunos que responderam. Pré-processamento da base de dados, que se trata de realizar o tratamento das informações obtidas através dos questionários, utilizando técnicas de PLN, como Stopwors, Lematização e outras que forem necessárias; na parte do treinamento do modelo, serão utilizadas técnicas de PLN para categorizar e identificar os EA dos alunos através do texto respondido no questionário, a priori, serão utilizados modelos que tem melhores resultados com a avaliação de textos em português, como Neive Bayers, LSTM, Random Forest, CatBoost e outros a serem testados; a validação experimental será feita após a construção do modelo, onde a partir dos resultados serão aplicados conteúdos adaptados a cada EA dos alunos; e Resultados, que trarão a análise do modelo e da aplicação da validação em sala de aula. No momento da escrita deste resumo, esta pesquisa encontra-se em fase de andamento, na parte de construção do modelo para identificação dos EA. A base utilizada para os primeiros testes consta com 110 respostas, como objetivo de alcançar um número maior para o melhor balanceamento dos resultados do modelo proposto. No pré-processamento dos textos, foram utilizadas técnicas como “preprocess_text’(text)” para limpeza dos dados, que converte o texto para minúsculas, remove pontuações e elimina as "stop words" (palavras comuns que não agregam muito significado, como "e", "o", "a") em português. Após a limpeza inicial, os textos passam por “tokenização” (divididos em palavras) e um modelo Word2Vec pré-treinado. O objetivo é calcular o vetor médio para cada texto, representando-o numericamente com base nos vetores das suas palavras. Na função principal do modelo, os dados foram divididos em: 20% para teste e 80% para treinamento. Uma coluna 'label” foi criada através de função, para definir a classe de cada amostra, criando um rótulo binário. Esta classe é determinada pela comparação dos valores médios das colunas 'RAD' e 'RBD'. Inicialmente para os primeiros testes, o modelo fornece uma estrutura abrangente para comparar o desempenho de diferentes abordagens de classificação de texto utilizando o TfidfVectorizer para converter os dados de texto em características numéricas usando a técnica TF-IDF (Term Frequency-Inverse Document Frequency) versus Word2Vec, combinadas com distintos classificadores (Random Forest versus CatBoost) no seu conjunto de dados. Foram utilizadas as técnicas mais comuns para avaliação quantitativa do desempenho do modelo: acurácia, precisão, recall e F1-score. Os resultados iniciais da combinação dos modelos mostram que nos destes de TF-IDF + Random Forest, temos: Acurácia (0.682), Precisão (0.333), Revocação (0.167), F1-Score (0.222). Em TF-IDF + CatBoost: Acurácia (0.636), Precisão (0.250), Revocação (0.167), F1-Score (0.200). Na combinação de Word2Vec + RF: Acurácia (0.773), Precisão (0.667), Revocação (0.333), F1-Score (0.444). E por fim Word2Vec + CatBoost: Acurácia (0.773), Precisão (0.667), Revocação (0.333), F1-Score (0.444). Como podemos observar nos resultados iniciais, as combinações que obtiveram os melhores desempenhos nos resultados da acurácia foram Word2Vec + RF e Word2Vec + CatBoost, com o mesmo resultado. É importante salientar que fatores como tamanho da base, modelos para treino e teste e outras combinações de técnicas podem melhorar o desempenho dos resultados. Parcialmente, podemos analisar que os resultados precisam ser melhorados, mesmo contendo um bom desempenho, melhorias precisam ser realizadas e mais testes devem ser feitos. Espera-se que os resultados desta pesquisa possibilitem a validação do Processamento de Linguagem Natural (PLN) como ferramenta para personalização do ensino, permitindo a identificação automática dos estilos de aprendizagem dos alunos das Engenharias. A implementação do modelo proposto tem o potencial de melhorar o aprendizado por meio de um ensino adaptativo, possibilitando que os estudantes recebam materiais e metodologias de ensino alinhados às suas preferências cognitivas. Além disso, a abordagem desenvolvida pode ser expandida para outras áreas e cursos, garantindo maior flexibilidade na aplicação do modelo em diferentes contextos educacionais. A pesquisa também abre caminhos para futuras inovações, como o uso de IA generativa para otimizar recomendações educacionais, tornando o sistema ainda mais dinâmico e personalizado
Uso de visão computacional para detecção de imagens para controle de drones
No full textO avanço da robótica aérea e a crescente aplicação de veículos aéreos não tripulados (VANTs) em tarefas de inspeção, monitoramento e manipulação remota têm impulsionado a pesquisa por soluções autônomas de navegação e interação com o ambiente (ARAFAT; ALAM; MOH, 2023). Dentre essas soluções, a visão computacional se destaca por permitir que sistemas embarcados realizem medições e tomadas de decisão com base em imagens. No que diz respeito às técnicas de visão computacional, a detecção de objetos específicos se destaca como uma abordagem para missões que exigem precisão, como o pouso autônomo. Essa abordagem permite não apenas identificar os alvos de interesse, mas também extrair suas características essenciais, como posição e distância. O presente trabalho tem como objetivo desenvolver e validar um algoritmo baseado em visão computacional para a detecção e identificação de formas geométricas específicas em tempo real, visando a extração de parâmetros essenciais para o pouso autônomo de drones. Para isso, foi empregado o uso da biblioteca OpenCV para a criação de um algoritmo em Python capaz de processar os quadros de vídeo capturados por uma câmera. O algoritmo consiste em uma série de etapas de Processamento Digital de Imagens (PDI) para otimizar a identificação dos alvos. Inicialmente, cada quadro é convertido para a escala cinza, seguido pela aplicação de um filtro bilateral, escolhido por sua capacidade de redução de ruídos enquanto preserva as bordas das formas. Em seguida, é utilizada uma binarização por limiarização adaptativa gaussiana (Adaptative Thresholding), que se mostra eficaz em segmentar a imagem de forma consistente sob condições de iluminação não uniforme (REHMAN; HAROON, 2023), e operações morfológicas de fechamento e abertura são aplicados para refinar a segmentação dos objetos de interesse, eliminando ruídos e preenchendo descontinuidades. A partir da imagem processada, o algoritmo realiza a extração dos contornos. Em seguida, a identificação das formas ocorre por meio da comparação entre os contornos extraídos da imagem em tempo real e contornos de referência, que são extraídos de arquivos de imagem dos alvos de interesse e submetidos ao mesmo processamento de imagem dos quadros capturados pela câmera. Dessa forma, a identificação das formas é realizada utilizando o método de movimentos invariantes de Hu (CHACON et al., 2011), que garante invariância à translação, escala e rotação, associado a uma verificação do número de vértices do polígono aproximado para aumentar a precisão. O algoritmo gera, para cada forma detectada, uma estrutura de dados que armazena seu tipo, área, a coordenada de seu centróide, o deslocamento estimado nos eixos x e y, e a distância estimada em metros no eixo z. A detecção do centróide é obtida dividindo os momentos de primeira ordem pelo momento de ordem zero, que representa a área do contorno. A partir do centróide, juntamente com a altitude do drone e o campo de visão (FoV) da câmera, o algoritmo calcula, por meio de funções trigonométricas, o deslocamento métrico real do centro da imagem ao centro do alvo nos eixos x e y no plano do solo. Esse deslocamento oferece um sinal de erro quantitativo (em centímetro) que pode ser diretamente utilizado por um sistema de controle Proporcional-Integral-Derivativo (PID) para alinhamento longitudinal e lateral do drone. De forma paralela, a medição da distância ao objeto no eixo z é implementada com base na semelhança de triângulos, relacionando a largura real conhecida do objeto, sua largura aparente na imagem em pixels e a distância focal. A distância obtida através do cálculo pode ser utilizada para o controle de altitude (throttle), permitindo a execução de uma trajetória de descida controlada e o acionamento do procedimento de pouso na altitude correta. A precisão da medição da altura depende da calibração da câmera, que é um processo prévio para determinar os parâmetros como a distância focal e corrigir distorções da lente. A validação experimental foi conduzida com três alvos impressos (quadrado, cruz e círculo), escolhidos para avaliar a detecção de polígonos simples, complexos e formas não poligonais. Nos testes, uma câmera com 50MP e distância focal de 26 mm, foi posicionada a uma altitude fixa de 1.0 metro, com uma distância horizontal de 45 cm dos alvos, e cada alvo foi exposto a cinco condições de iluminação distintas (luz solar direta, sombra, luz artificial, baixa luminosidade e iluminação com reflexo), totalizando 15 testes. Os resultados demonstraram, até o momento, que o algoritmo é capaz de identificar e extrair os parâmetros de cada um dos três alvos nas quatro primeiras condições de iluminação (luz solar direta, sombra, luz artificial, baixa luminosidade), possuindo um erro médio de ±0.17 cm no cálculo do posicionamento horizontal e ±0.20 cm no posicionamento vertical. Contudo o algoritmo apresentou falhas na detecção e extração das características de cada alvo quando submetido à última exposição de iluminação (iluminação com reflexo), indicando uma limitação do processamento de imagem frente a brilhos intensos. Portanto, até o presente momento, o sistema desenvolvido se demonstrou eficaz na detecção e extração de características de alvos na maioria das condições de iluminação comuns e controladas
Imputação de Dados Faltantes em Séries Temporais Multivariadas Aplicadas à Detecção de Anomalias
No full textEm ambientes industriais complexos, a ocorrência de dados faltantes é comum devido a falhas de sensores, perdas de transmissão ou problemas de armazenamento. Para mitigar seus impactos, técnicas de imputação são essenciais, especialmente em séries temporais multivariadas, onde sensores correlacionados podem auxiliar na inferência de valores ausentes. Neste contexto, desenvolve-se uma revisão sistemática da literatura, baseada na metodologia de Kitchenham et al., com busca em bases como IEEE, Science Direct, Springer e ACM, utilizando termos como "Imputação", "Dados Faltantes" e "Séries Temporais Multivariadas". O estudo visa identificar métricas de avaliação recorrentes, levantar as técnicas de imputação com melhor desempenho e analisar o impacto dos mecanismos de ausência. Como resultado preliminar, foram identificadas três abordagens principais: imputação simples (como média e mediana), estatística (como regressão e interpolação) e avançada (baseada em aprendizado de máquina e redes neurais). Destaca-se a imputação avançada como predominante na manutenção preditiva, embora haja desafios, como o desalinhamento entre a otimização da imputação e o desempenho de sistemas que utilizam os dados imputados, como detectores de anomalias. A revisão também propõe futuras investigações sobre o impacto dos padrões de ausência na imputação e sua relação com sistemas finais. Ao concluir a análise dos artigos selecionados, espera-se consolidar um panorama das práticas atuais, orientando o desenvolvimento de soluções mais eficazes para a Indústria 4.0
Modelagem em ressonância magnética para diagnóstico médico
No full textRessonância Magnética (RM) é atualmente o método de formação de imagem médica que possibilita excelente visualização de detalhes anatômicos de estruturas internas do corpo humano. Este estudo teve por objetivo analisar a modelagem na formação de imagens por RM, destacando a sua importância para aplicações médicas. Consistiu em uma revisão integrativa da literatura realizada a partir de artigos científicos publicados nos últimos 5 anos, disponíveis nas bases de dados MEDLINE e LILACS, com o uso dos descritores: MRI, diagnostic imaging, image processing, clinical application, com o operador booleano AND. No diagnóstico médico realizado com a RM, pacientes têm sido submetidos a intenso campo magnético estático. Nas imagens tomográficas por RM, análises anatômicas e funcionais têm sido associadas ao comportamento do próton de Hidrogênio, presente em moléculas de água móvel. Devido à sua natureza de dipolo magnético, tais prótons se alinham ao campo aplicado, gerando uma magnetização resultante. Esse alinhamento envolve o movimento de precessão, cuja frequência é chamada de frequência de Larmor (Rakhimov et al., 2025). Para gerar a imagem, é necessário aplicar pulsos de radiofrequência, que desviam a magnetização para o plano transverso. Após o término do pulso, os prótons retornam ao estado de equilíbrio por meio do processo de relaxação, em T1 (tempo de relaxação longitudinal, spin-rede) e em T2 (tempo de relaxação transversal, spin-spin), permitindo diferenciar os tecidos do corpo humano, conforme suas propriedades físico-químicas (Azhar et al., 2022). Sequências de pulso como Spin Echo e Gradient Echo podem gerar outras ponderações no contraste das imagens. Os sinais de radiofrequência emitidos pelo corpo do paciente, durante o processo de relaxação, são captados por bobinas e submetidos à codificação espacial, via gradientes de campo magnético. Esses dados são armazenados no k-space e processados por algoritmos que constroem a imagem final (Jahng et al., 2020). Recentemente a Ressonância Magnética Fingerprinting (RMF) representou um avanço na obtenção de imagens médicas, ao empregar subamostragem do k-space, reconstruir por comparação com um dicionário simulado, otimizando tempo de obtenção da imagem e a acurácia quantitativa do diagnóstico (Monga et al., 2024). Clinicamente, a RM tem sido aplicada para o diagnóstico e monitoramento de neoplasias e de lesões musculoesqueléticas, na análise da função cardíaca e do encéfalo, dentre outras indicações clínicas (Azhar et al., 2022; Jahng et al., 2020). A RM tem possibilitado a avaliação multiplanar do corpo humano com alta qualidade de imagem, sem uso de radiação ionizante, e com caráter não invasivo. Além do alto custo dos equipamentos de RM e disparidade logístico-social no acesso ao método, na obtenção da imagem médica há alta sensibilidade a movimentos do paciente, intenso e desconfortável ruído gerado pelo equipamento, contraindicação para seu uso por pacientes com dispositivos metálicos implantados e em pacientes claustrofóbicos (Rakhimov et al., 2025). Apesar destas limitações técnico-estruturais, conclui-se que a Ressonância Magnética possibilita a obtenção de imagens de alta resolução, desempenhando um papel essencial em diagnósticos e na tomada de decisões médicas.
Palavras-chave: diagnóstico médico; engenharia biomédica; imagem médica; processamento de imagens.
Referências:
AZHAR, S.; CHONG, L. R. Clinician’s guide to the basic principles of MRI. Postgraduate Medical Journal, v. 99, n. 1174, p. postgradmedj-2022-141998, 2022.
JAHNG, G.-H. et al. Magnetic Resonance Imaging: Historical Overview, Technical Developments, and Clinical Applications. Progress in Medical Physics, v. 31, n. 3, p. 35–53, 2020.
MONGA, A. et al. Emerging Trends in Magnetic Resonance Fingerprinting for Quantitative Biomedical Imaging Applications: A Review. Bioengineering, v. 11, n. 3, p. 236, 2024.
RAKHIMOV, B. et al. Physical Principles of Magnetic Resonance Imaging (MRI). Modern American Journal of Medical and Health Sciences, v. 1, n. 2, p. 56–61, 2025.