University of Pernambuco - Engineering School/ Editorial System Journals
Not a member yet
37197 research outputs found
Sort by
Estratégia de compressão de modelo de aprendizado profundo aplicada à esteganálise de imagens digitais: Compartilhamento de pesos e quantização
No full textA esteganografia é uma subárea da ocultação da informação. Um dos principais objetivos de seu uso consiste em embutir informações secretas a partir de determinada mídia como, por exemplo, uma imagem, áudio, vídeo ou texto (COX et al., 2007). A contramedida da esteganografia é a esteganálise (FRIDRICH, 2009). É muito comum a utilização das técnicas de esteganografia, de forma maliciosa, para promoção de guerras cibernéticas e disseminação de malwares, e a utilização de esteganálise, para problemas de caráter forense (KARAMPIDIS; KAVALLIERATOU; PAPADOURAKIS, 2018). Nesse contexto, o desenvolvimento de técnicas de esteganálise é imprescindível para a segurança da informação. Diversas abordagens sugerem a utilização de métodos de inteligência artificial, mais especificamente o uso de algoritmos de aprendizado profundo, com a utilização de redes neurais convolucionais (TABARES-SOTO; RAMOS-POLLÁN; ISAZA, 2019; CROIX; AHMAD; HAN, 2024). Os modelos de aprendizado profundo podem apresentar uma estrutura complexa, com alta quantidade de elementos, característica que acarreta um alto requisito de memória para sua implementação (PINTO; SEVERO; MADEIRO, 2025). Em (FERREIRA et al., 2025), os autores avaliaram a utilização de técnicas de compressão de modelos de aprendizado profundo tais quais poda, quantização, compartilhamento de pesos e a combinação de poda e quantização no modelo de aprendizado profundo proposto em (TABARES-SOTO et al., 2021), o qual faz uso de redes neurais convolucionais aplicadas à esteganálise de imagens digitais. As estratégias de compressão buscam reduzir os requisitos de espaço em memória ocupado de um modelo de aprendizado profundo sem que haja grandes impactos em seu desempenho, com o objetivo, por exemplo, de viabilizar a implementação do modelo em dispositivos com recursos limitados. Motivado pelo cenário exposto, o presente trabalho tem como objetivo avaliar os resultados de acurácia e de espaço em memória ocupado pelo modelo otimizado a partir da aplicação das estratégias de compartilhamento de pesos e quantização de forma combinada no modelo proposto em (TABARES-SOTO et al., 2021). As simulações foram realizadas no Google Colab Pro, com a utilização do Python na versão 3.10, Tensorflow 2.17.1, keras 3.5.0, Tensorflow Model Optimization Toolkit 0.8.0. A BOSSBase 1.01 foi a base de dados utilizada nas simulações. A base conta com 10.000 imagens originais e 10.000 stego-imagens, ou seja, que contém informação oculta a partir de método de esteganografia. O algoritmo de esteganografia S-UNIWARD com uma taxa de 0,4 bpp (bits por pixel) foi utilizado para fins de ocultação da informação. Quatro métodos de inicialização do centróide para a estratégia de compartilhamento de pesos foram levados em consideração, a saber: baseada em densidade, k-means++, linear e aleatória. As quantizações aplicadas foram as do tipo inteiro de 8 bits (INT8) e a de ponto flutuante de 16 bits (FP16). Considerando o modelo otimizado por compartilhamento de pesos com inicialização do centróide baseada em densidade, quando aplicada à quantização do tipo INT8, o espaço em memória ocupado pelo modelo otimizado foi reduzido em aproximadamente 78,50% enquanto o valor da acurácia decresceu de 87,16% para 84,49%. Já para a quantização do tipo FP16, a acurácia apresentada foi de 86,11% e o espaço em memória ocupado pelo modelo otimizado foi 75,40%. Considerando a inicialização a partir do método k-means++, o espaço em memória ocupado apresentado foi semelhante tanto para a quantização do tipo INT8 quanto FP16, representando uma redução de aproximadamente 77% quando comparado ao modelo original. Para a quantização INT8, a acurácia apresentada foi de 85,05% e para a quantização FP16 foi de 85,60%. Ambos resultados se apresentaram levemente inferiores aos apresentados ao aplicar apenas a técnica de compartilhamento de pesos com inicialização do tipo k-means++. Considerando a inicialização do tipo linear, o espaço em memória ocupado foi de aproximadamente 0,13 MB (redução de 80% em relação ao modelo sem o uso de técnicas de compressão) tanto para quantização INT8 quanto FP16. A acurácia apresentada para a quantização INT8 foi de 84,50% enquanto para a combinação da técnica de compartilhamento de pesos com a quantização FP16 foi de 84,83%. É válido destacar que ambos os valores obtidos foram levemente superiores aos registrados com a aplicação apenas da técnica de compartilhamento de pesos apresentados em (FERREIRA et al., 2025). Considerando a inicialização do tipo aleatória, a acurácia foi de 85,08% para a quantização INT8 e de 85,80% para a quantização FP16 com o espaço em memória ocupado reduzido em aproximadamente 82%. Em resumo, foi possível observar, a partir das simulações realizadas no trabalho, modelos com espaço em memória ocupado reduzidos em mais de 70% e com valores de acurácia levemente inferiores aos apresentados pelos modelos originais. Em alguns cenários verificaram-se modelos mais comprimidos e com valores de acurácia levemente superiores aos apresentados por modelos otimizados exclusivamente pela técnica de compartilhamento de pesos ou a partir da combinação entre poda e quantização
Relação entre Variabilidade Climática e Desempenho Fotovoltaico: Aplicação de Técnicas Estatísticas e Modelos de Regressão
No full textOs sistemas de geração de energia a partir de fontes renováveis vêm se mostrando particularmente sensíveis aos efeitos das mudanças climáticas. Estas alterações, caracterizadas por padrões globais de aquecimento e instabilidade atmosférica, exercem influência direta sobre toda a cadeia produtiva do setor energético, dada a interdependência entre os processos de geração, transmissão e consumo de energia em escala mundial. Nesse cenário, identificam-se lacunas significativas na cadeia energética renovável, originadas pelas incertezas climáticas, as quais configuram áreas estratégicas para o avanço de investigações científicas voltadas ao aprimoramento da resiliência dos sistemas energéticos. Um dos principais desafios atuais consiste na formulação e aplicação de metodologias eficazes para a avaliação dos impactos das variabilidades climáticas sobre a matriz energética. A análise da influência de fatores meteorológicos sobre sistemas de geração, em especial os baseados em energia solar fotovoltaica, constitui um campo de pesquisa em plena expansão. A eficiência dos sistemas fotovoltaicos é diretamente condicionada por variáveis ambientais como a radiação solar incidente, a temperatura do ar e a velocidade do vento, que afetam o desempenho dos módulos e, consequentemente, a produção de energia elétrica. Neste contexto, o presente estudo tem como objetivo principal avaliar o impacto de variáveis climáticas sobre a geração de energia fotovoltaica na cidade do Recife, durante o ano de 2021. A metodologia adotada compreende a análise estatística de dados experimentais obtidos por meio de medições in loco, a aplicação de métricas de incerteza associadas às variáveis meteorológicas, a validação de modelos de regressão polinomial de terceira e quarta ordem, além da estimativa da produção mensal de energia. Os resultados obtidos contribuem para o aprofundamento do conhecimento sobre a interação entre clima e geração fotovoltaica, oferecendo subsídios relevantes para o planejamento energético sustentável em cenários de variabilidade climática crescent
Caracterização química e mineralógica com reconstituição de traço em argamassas históricas do século XVII do convento franciscano de Ipojuca/PE
No full textUm edifício histórico integra diferentes tipos de alvenaria, texturas e características. Tais características possuem dependência de vários fatores. Por guardar valores culturais, históricos e científicos, os restauros de argamassas históricas não podem ser realizados sem uma minuciosa análise. Portanto, se faz necessário uma caracterização detalhada levando em conta a estrutura da argamassa histórica. O objetivo deste trabalho é a caracterização química e mineralógica de exemplares de argamassas históricas coletados no Convento franciscano localizado na cidade de Ipojuca, estado de Pernambuco, Brasil. Os resultados contribuirão para a reconstituição do traço da argamassa original. Para tanto, foi realizada análise química por via úmida, empregando-se técnicas de gravimetria e titulometria de acordo com o Método IPT, além de ensaios de termogravimetria (TGA). Os resultados apontam para uma argamassa tendo a cal como ligante e agregado silicoso. A análise química sugere que as amostras internas se tratam de argamassas à base de cal hidráulica com traços 1:8,1 e 1:7,5, enquanto as amostras externas argamassas à base de cal magnesiana com traço 1:3, 1:3,2 e 1:5,8. Os resultados podem oferecer uma contribuição significativa para na confecção de uma argamassa de restauro compatível, evitando-se retrabalhos ou manifestações patológicas que descaracterizem o monumento
Produção de Etanol a partir da Biomassa da Eichhornia crassipes: Uma Alternativa Sustentável para o Controle de Plantas Invasoras e Geração de Energia Renovável
No full textA proliferação descontrolada da Eichhornia crassipes, planta aquática invasora comum em regiões tropicais, tem causado sérios impactos ambientais em corpos hídricos brasileiros, como no Canal da Malária, em Olinda (PE), onde compromete a biodiversidade, dificulta o escoamento pluvial e favorece a propagação de doenças. Paradoxalmente, as mesmas características que tornam a espécie um problema ambiental — como o rápido crescimento e a elevada produção de biomassa — também a destacam como uma alternativa promissora para a produção de biocombustíveis. Diversos estudos evidenciam o potencial energético da planta, especialmente devido ao seu alto teor de celulose e hemicelulose, componentes que permitem sua conversão em etanol por meio de processos de hidrólise e fermentação (HIRPHAYE et al., 2022; RUAN et al., 2016; DAS et al., 2013). O presente trabalho propõe avaliar a viabilidade técnica e econômica da utilização da baronesa como matéria-prima na produção de etanol, unindo o controle ambiental à promoção de uma matriz energética mais limpa. O processo produtivo se inicia com um pré-tratamento físico-químico da biomassa, com o objetivo de romper a estrutura das fibras vegetais e expor os carboidratos estruturais. Em seguida, realiza-se a hidrólise enzimática, utilizando enzimas como celulases e hemicelulases, responsáveis por converter os polissacarídeos em açúcares fermentáveis. A etapa subsequente envolve a fermentação alcoólica conduzida por levedura, sob condições específicas de temperatura e pH, promovendo a conversão dos açúcares em etanol e dióxido de carbono. Por fim, o etanol obtido é separado por destilação fracionada e pode ser purificado de acordo com sua aplicação final. Os resultados preliminares apontam para um cenário promissor: rendimento favorável, custos reduzidos e indícios de impacto ambiental positivo, reforçando a possibilidade de que a utilização da Eichhornia crassipes na produção de biocombustíveis seja tecnicamente viável e ambientalmente sustentável (HIRPHAYE et al., 2022; RUAN et al., 2016). Ainda que os desdobramentos práticos da implementação em larga escala permaneçam incertos, observa-se um potencial concreto para que a biomassa dessa espécie, tradicionalmente associada a problemas ecológicos, se transforme em solução energética. Nesse sentido, a iniciativa poderá representar uma estratégia eficaz para fomentar o desenvolvimento sustentável em regiões impactadas por sua proliferação, integrando inovação tecnológica, economia circular e preservação ambiental
Insights sobre Técnicas de Autoencoders Explicáveis para Detecção de Anomalias em Diferentes Domínios de Dados
No full textA detecção de anomalias (AD) emerge como uma área crítica em diversos domínios, essencial para identificar comportamentos irregulares ou inesperados em grandes e complexos conjuntos de dados (RUFF, 2021). Com o avanço do aprendizado profundo, modelos como os Autoencoders (AEs) têm demonstrado capacidade na detecção de anomalias, especialmente em dados complexos como imagens e texto, dada sua habilidade de aprender representações eficientes dos dados normais. No entanto, a complexidade inerente a muitas arquiteturas de aprendizado profundo resulta em modelos frequentemente opacos, operando como "caixas-pretas" cujas decisões são difíceis de interpretar ou justificar (Ribeiro et. al., 2022). Essa falta de explicabilidade representa um obstáculo significativo para a adoção generalizada em aplicações sensíveis, como saúde, segurança cibernética e manufatura inteligente, na qual a confiança do usuário e a capacidade de diagnosticar a causa-raiz de uma anomalia são primordiais (RUFF, 2021). A necessidade de entender por que uma anomalia é detectada, e não apenas se ela existe, tem impulsionado a pesquisa na intersecção de AD e XAI (Explainable Artificial Intelligence). Este trabalho tem como objetivo principal identificar as metodologias empregadas na construção de modelos de Autoencoders e nas técnicas de XAI associadas para a detecção de anomalias em uma variedade de domínios de dados. A análise abrangerá arquiteturas de AEs, explorando como estas são combinadas com abordagens de XAI (HOANG, 2022). A revisão de escopo (CORDEIRO; SOARES, 2019) resultante visa identificar tendências emergentes, lacunas de pesquisa e as melhores práticas na construção de sistemas de detecção de anomalias que não são apenas precisos, mas também transparentes capazes de suportar a tomada de decisões humanas em cenários críticos. Objetivo: A pesquisa tem como objetivo contribuir para o conhecimento da área ao identificar tendências emergentes sobre as diversas técnicas de Autoencoders aplicadas na detecção de anomalias, bem como as estratégias de XAI para a sua explicabilidade. Assim, a revisão de escopo resultou em um guia claro sobre as técnicas, métodos e resultados dessas abordagens em variados domínios e tipos de dados. Metodologia: um processo de revisão de escopo foi executado para alcançar o objetivo. Primeiramente, foi realizada uma seleção e revisão das fontes para identificar artigos que abordam a intersecção de detecção de anomalias e explicabilidade. Em seguida, os estudos relevantes foram categorizados sistematicamente com base em seus domínios de aplicação e nos tipos de dados que processam. Uma análise detalhada e um mapeamento foram conduzidos para cada artigo selecionado, extraindo informações sobre como o problema de anomalia é definido e resolvido. Finalmente, os resultados seriam comparados e sintetizados para criar um mapeamento abrangente que destaca as características, os insights e o desempenho das abordagens investigadas, permitindo identificar tendências e lacunas de pesquisa. Resultados: Os resultados obtidos na construção do trabalho demonstram que as metodologias baseadas em Autoencoders, frequentemente combinadas com outras técnicas de aprendizado profundo (como GANs, LSTMs e VAEs), alcançam altas performances na detecção de anomalias em diversos domínios, com métricas como precisão, recall, F1-score e AUC frequentemente superiores ou comparáveis às abordagens de última geração. A integração de técnicas de Inteligência Artificial Explicável (XAI), como SHAP, contra-factuais e análise de resíduos, mostrou-se crucial para aprimorar a interpretabilidade dos modelos, fornecendo insights valiosos sobre a razão pela qual uma anomalia foi detectada, permitindo a identificação de características contribuintes ou causas-raiz e aumentando a confiança dos especialistas no sistema (DEMIRBAGA, 2024). Adicionalmente, em vários casos, observou-se maior robustez, adaptabilidade a mudanças nos dados (via transfer learning ou aprendizado federado) e eficiência computacional, tornando essas abordagens mais práticas para aplicações industriais e do mundo real, como manutenção preditiva, segurança cibernética e monitoramento de saúde
Regularização de Dados Elaborada: Caminhos para a Consistência e Confiabilidade na Generalização Robusta
No full textA Generalização Robusta refere-se à capacidade de modelos manterem alto desempenho quando avaliados em dados que diferem da distribuição de treinamento [Xu e Mannor, 2012], um dos principais desafios enfrentados por Redes Neurais Profundas (DNNs) devido à sua suscetibilidade ao overfitting diante de mudanças de distribuição [Li et al., 2022]. Neste estudo, consideramos como Out-of-Distribution (OoD) as amostras pertencentes a distribuições transformadas, obtidas por meio de corrupções ou perturbações aplicadas diretamente ao espaço de entrada de dados in-distribution [Farquhar e Gal, 2022]. Com base nessa definição, quantificamos a magnitude do afastamento OoD de cada conjunto em relação à distribuição de referência utilizando a divergência entre representações latentes: extraímos embeddings com um Autoencoder e empregamos a KL Divergence como medida escalar de severidade do desvio. No escopo mais amplo de estratégias para robustez, técnicas de regularização têm sido amplamente utilizadas para mitigar esse problema; no entanto, muitas vezes elas falham ou induzem over-regularization, prejudicando o desempenho do modelo [Lin et al., 2024], o que evidencia a necessidade de regularizadores cuidadosamente projetados [Srivastava et al.], cuja eficácia varia de acordo com a natureza e a severidade do desvio de distribuição enfrentado. Superar essa suscetibilidade é crucial para a aplicabilidade de IA em cenários reais; para mitigá-la e aprimorar a robustez, investigamos a eficácia de diferentes estratégias de data augmentation (DA), incluindo pipelines randômicos de transformações (RandAugment [Cubuk et al.]) e sua combinação com injeção de ruído (Noise Injection, NI) [Bishop, 1995; Camuto et al., 2020; Li e Spratling, 2023]. Um tema adicional proposto — ainda pouco explorado no estado da arte — é a utilização do conceito de Curriculum Learning [Bengio et al.], com o objetivo de regularizar os dados de forma progressiva, adicionando estágios de maior dificuldade ao longo do treinamento. Focamos em dados de imagem, utilizando os conjuntos de benchmarking CIFAR-10 e CIFAR-10-C, e avaliamos o desempenho de diversas arquiteturas de DNNs, como CCT, ResNet20 e WideResNet-28-10. Para quantificar a robustez de forma mais abrangente, adotamos uma análise estatística de miscoverage com leave-folds-out cross-validation [Bates et al.], aproveitando a tendência do cross-validation tradicional de subestimar a variabilidade e gerar intervalos com cobertura abaixo do esperado. Nossos resultados demonstram que as estratégias de data regularization não apenas elevam a acurácia em dados OoD, mas, crucialmente, melhoram a estabilidade da generalização robusta, com destaque para o Curriculum Learning e para a combinação RandAugment + Noise; em particular, o currículo reduziu de forma consistente a variabilidade entre partições e níveis de corrupção, e embora a ResNet20 apresente desempenho absoluto inferior ao da WRN-28-10, seus resultados mostraram-se mais consistentes ao longo de severidades, sugerindo trade-offs de simplificação arquitetural entre pico de acurácia, estabilidade, calibração e eficiência computacional
Análise de Estruturas e de Intervenções Urbanas no Sítio Histórico de Olinda.
No full textO sítio histórico de Olinda, inscrito na lista do Patrimônio Cultural da Humanidade pela UNESCO, constitui um dos mais importantes conjuntos arquitetônicos e urbanos do Brasil, sendo reconhecido por seu valor histórico, cultural e paisagístico (UNESCO, 2012). Entretanto, a preservação desse patrimônio enfrenta desafios relacionados às condições geotécnicas do terreno, às pressões do crescimento urbano e às intervenções antrópicas irregulares que comprometem tanto a integridade estrutural quanto a autenticidade cultural do sítio (FUNDAJ, 2010; Almeida e Silva, 2018). O relevo acidentado, a presença de solos de elevada plasticidade e a ausência de políticas públicas de monitoramento sistemático contribuem para a intensificação de manifestações patológicas em edificações, muros de contenção e passeios, evidenciando a vulnerabilidade da área e a urgência de medidas preventivas (Lacerda, 2019). A pesquisa em desenvolvimento tem como objetivo geral avaliar as condições estruturais e urbanísticas do sítio histórico de Olinda sob a perspectiva da geotecnia aplicada à preservação do patrimônio edificado, buscando identificar manifestações patológicas em muros de contenção, calçamentos e edificações históricas, bem como mapear intervenções urbanas irregulares que descaracterizam a paisagem cultural. Entre os objetivos específicos, destacam-se diagnosticar os principais problemas de estabilidade em muros de contenção e edificações, avaliar a condição dos passeios e calçamentos históricos, identificar a presença de obras irregulares e propor recomendações técnicas que conciliem a conservação do patrimônio histórico e o crescimento urbano sustentável. A metodologia adotada compreende a análise documental e bibliográfica de estudos anteriores sobre a ocupação urbana de Olinda, normas técnicas da ABNT (NBR 11.692 e NBR 15.575) e diretrizes da UNESCO, aliada ao trabalho de campo, que incluiu inspeções técnicas sistemáticas em muros de contenção, calçamentos e edificações históricas, com registro fotográfico e observação de fissuras, recalques diferenciais, deslocamentos de solo e descolamentos de pavimentos. Os dados coletados foram posteriormente analisados de forma crítica, buscando identificar padrões de degradação e continuidade de problemas patológicos entre diferentes elementos construtivos, além de mapear obras irregulares em áreas de elevado valor histórico. Os resultados preliminares indicam a ocorrência de danos recorrentes que comprometem a preservação do sítio histórico. Nos muros de contenção, foram observadas fissuras, recalques diferenciais e movimentação do solo que ameaçam a estabilidade das encostas. Nos passeios e calçamentos, identificaram-se fissuras, trincas e descolamentos, comprometendo tanto a segurança de pedestres quanto a estética e valorização do espaço urbano. Nas edificações históricas, verificaram-se manifestações patológicas semelhantes às dos muros e calçamentos, evidenciando a continuidade dos processos de deterioração ao longo do conjunto edificado. Além disso, foram constatadas obras irregulares que afetam negativamente a paisagem cultural, descaracterizando a arquitetura local e comprometendo a harmonia estética do sítio. Diante desses achados, torna-se evidente a necessidade de ações preventivas e corretivas articuladas entre engenharia geotécnica, gestão urbana e conservação patrimonial. Destacam-se como medidas recomendadas o monitoramento contínuo das encostas, a recuperação de calçamentos, a restauração de edificações históricas e a regulamentação mais rigorosa sobre novas construções. A pesquisa evidencia que a preservação do sítio histórico de Olinda depende de políticas públicas integradas e normas técnicas específicas para áreas históricas, garantindo que futuras intervenções respeitem as características originais e assegurem a perenidade do patrimônio cultural. Espera-se que os resultados obtidos subsidiem diretrizes práticas para equilibrar a preservação histórica e o desenvolvimento urbano sustentável, promovendo a manutenção da integridade estrutural, estética e cultural do sítio histórico de Olinda para as próximas gerações
O Impacto da indústria 4.0 na gestão da construção
No full textA indústria da construção civil apresenta posição de destaque no mercado brasileiro. O objetivo desta pesquisa foi aplicar uma filosofia de gestão que promoveu a redução dos custos e obtenção de ganhos de produtividade (Lean Construction). A metodologia foi composta primeiramente por uma revisão da literatura, em seguida houve uma aplicação de questionário dos benefícios do Sistema Toyota na construção civil e finalmente avaliou-se na prática uma obra de edifício na cidade do Recife (estudo de caso). Os resultados dos questionários apresentaram 87% de satisfação com o uso da filosofia, com média geral de 4,35 pontos, desvio padrão de 0,66 pontos. A aplicação do Lean Construction na obra através do controle de paradas (andon), atualização dos procedimentos de execução de serviços, lista de treinamento, quadro de responsabilidades, cronograma dos serviços e quadro de responsabilidades de forma prática e visual forneceu um ganho de produtividade e organização. Desta forma, este estudo concluiu que a filosofia aplicada foi satisfatória e obteve os melhores indicadores de produtividade e qualidade na empresa.
 
Avaliação do Canal Interno do Porto de Suape: experiências com a extensão tecnológica
No full textA expansão do comércio internacional tem induzido os portos marítimos operarem em um mercado competitivo, com o tamanho dos navios acompanhando esse crescimento, e os terminais, equipamentos e profundidade requerida tendendo a adequar-se a essa evolução. Atualmente, o Porto de Suape busca se tornar um hub port em contêineres, investindo na implantação de um novo terminal de uso privado (TUP) – Maersk Suape (SUAPE, 2024; Alves da Silva et al., 2023). Para tanto, estudos das condições em terra, em mar e ambientais é uma prática imprescindível para atender à política de zoneamento com vista ao desenvolvimento sustentável, seja para a implantação de novo terminal ou para a realização de obras de dragagem. A relevância deste projeto é decorrente da necessidade do estudo hidrodinâmico para executar dragagem do canal de acesso e a construção do novo TUP, garantindo minimizar impactos ambientais decorrentes dessas atividades. Outrossim, novas tecnologias de processamento de dados permitem-nos compreender sistemas complexos — tal é o caso da hidrodinâmica costeira. Este projeto de extensão visa capacitar os participantes nessas novas tecnologias para a análise da hidrodinâmica no canal de acesso interno do Porto de Suape, ao utilizar de modelagem de elementos finitos e de análise estatística com modelos híbridos e de aprendizado de máquina (machine learning) para predição de dados meteoceanográficos. A contribuição social abrangente envolve além da capacitação, pesquisa e extensão com o público-alvo de alunos de engenharias (30 alunos); comunidade do entorno de Suape que sobrevive da pesca artesanal; fauna marinha; Autoridade Portuária; entidades ambientais; profissionais do Porto Suape; operadores portuários; e armadores, de modo a contribuir para os ODSs da ONU (ODS 4: Educação de qualidade; ODS 8: Trabalho decente e crescimento Econômico; ODS 9: Indústria, Inovação e Infraestrutura; ODS 14: Vida na Água - Conservação e uso sustentável dos oceanos, dos mares e dos recursos marinhos para o desenvolvimento sustentável). O projeto envolveu duas etapas: o curso de capacitação e a imersão na empresa parceira (Porto de Suape) para o desenvolvimento da atividade de extensão tecnológica. A capacitação dos participantes ocorreu através do curso “Introdução à hidráulica marítima e ao uso das tecnologias inteligentes”, alinhado às demandas de mercado em conjunto com o setor portuário, a qual resultou na melhoria da formação para empregabilidade, já que esta é uma área de atuação que necessita de profissionais especialistas. Os dados meteoceanográficos, disponibilizados pelo Porto de Suape, foram analisados e filtrados para remover os dados ausentes e inconsistentes. Na análise estatística, foi implementado modelo de regressão híbridos e de machine learning para a gerar um modelo preditivo. Na sequência foi possível selecionar as variáveis alvo e as variáveis exógenas para otimizar a previsão do modelo ARIMA. Contudo, na tentativa de testar o modelo preditivo (machine learning), o Google Colab (Vishakha Lall, 2024; Carneiro et al., 2018) atingiu o limite de memória RAM, interrompendo a operação, não sendo possível a verificar a previsão e a precisão dos resultados. Na modelagem por elementos finitos, foi utilizado o software SisBaHiA - Sistema de Base Hidrodinâmica Ambiental - desenvolvido pela COPPE/UFRJ, processado interligado aos softwares SURFER e GRAPHER. Inicialmente, conseguiu-se estabelecer as condições geométricas locais, esboçando malha e batimetria e com dados meteoceanográficos das estações para a interpolação do comportamento à malha. Criou-se o modelo hidrodinâmico, considerando: variáveis de velocidade em algumas das seções a montante do canal; conjunto de dados de vento para o intervalo de 2021 a 2024; e constantes harmônicas de maré. Apesar dos softwares utilizados apresentares especificações e restrições que limitam o uso, os resultados obtidos demonstram a possibilidade da aplicação de modelos hidrodinâmicos na análise do comportamento hidrodinâmico em corpos hídricos. A capacitação e as análises para o canal interno do porto de Suape realizaram importante papel na formação dos participantes, embora o tempo previsto em projeto (3 meses) seja insuficiente para uma completa elaboração, enseja-se desenvolvimentos futuros
IDENTIFICAÇÃO DE COMPORTAMENTO ANÔMALO ATRAVÉS DA OBSERVAÇÃO DA VARIAÇÃO EMOCIONAL DO INDIVÍDUO
No full textAs emoções são essenciais na forma como os indivíduos compreendem e percebem o mundo ao seu redor. O processo de reconhecimento das emoções é dinâmico e crucial para o desenvolvimento de agentes inteligentes que interagem com indivíduos em situações complexas [1]. Portanto, a interpretação precisa dos sinais emocionais de múltiplas modalidades sendo imprescindível para garantir uma comunicação significativa [2,3]. Nos últimos anos, diversos métodos computacionais foram desenvolvidos para facilitar a análise das emoções. Essas abordagens envolvem métodos baseados em modelos matemáticos ou neurais individuais, bem como modelos híbridos que combinam vários recursos e classificadores [4]. No campo da computação afetiva, o desenvolvimento de modelos combinados e métodos híbridos não apenas permite processar, mas também identificar e compreender comportamentos anômalos [5]. Além disso, esses modelos possibilitam a identificação e reconhecimento automatizados de aspectos sociopsicológicos, características faciais, auditivas, fisiológicas e textuais, proporcionando melhores estimativas e evitando incidentes desagradáveis [6]. Apesar dos avanços tecnológicos, ainda existem desafios significativos na precisão e confiabilidade dos sistemas de reconhecimento emocional. A complexidade inerente às variações emocionais humanas e a diversidade de contextos em que essas variações ocorrem tornam difícil a criação de sistemas universalmente precisos e robustos. Além disso, a falta de integração e padronização entre diferentes abordagens e técnicas representa uma lacuna crítica na literatura, dificultando a comparação direta e a avaliação da eficácia dessas metodologias. Portanto, é essencial desenvolver uma base de conhecimento consolidada que aborde essas questões e promova avanços consistentes na detecção de comportamentos anômalos. Para preencher essas lacunas, este estudo investiga como diferentes métodos de reconhecimento emocional podem ser aplicados para identificar comportamentos anômalos em diversos contextos. A pesquisa abrange uma análise detalhada das técnicas existentes, incluindo o uso de redes neurais profundas (DNN), máquinas de vetores de suporte (SVM), redes neurais convolucionais (CNN) e algoritmos de aprendizado profundo (DL), que têm se mostrado promissores na melhoria da precisão e eficácia dos sistemas de detecção. Além disso, a combinação de múltiplas modalidades de detecção, como reconhecimento facial, análise de voz e monitoramento fisiológico, é explorada para maximizar a precisão e a capacidade de resposta dos sistemas. Os resultados indicam que há uma correlação significativa entre variações emocionais e comportamentos anômalos, validada por avaliações formalizadas. Modelos combinados e métodos híbridos, que utilizam múltiplas modalidades de detecção, demonstram uma eficácia superior no reconhecimento de anomalias emocionais. A utilização de grandes bases de dados e algoritmos avançados é crucial para aprimorar a confiabilidade e a eficácia desses sistemas, permitindo uma resposta mais rápida e precisa a comportamentos de risco. A pesquisa também destaca a importância de desenvolver frameworks integrados que possam ser aplicados em diferentes cenários, desde a saúde mental até a segurança digital, para uma detecção mais abrangente e eficiente. Os achados deste estudo sublinham a importância de integrar tecnologias de reconhecimento emocional em áreas críticas como saúde mental, prevenção de crimes e cibersegurança. Pesquisas futuras devem focar em melhorar a precisão e a confiabilidade de sistemas existentes. Além disso, é essencial expandir e diversificar os conjuntos de dados utilizados, incorporando dados de diferentes contextos e populações para garantir melhor generalização e aplicabilidade. Deve-se também investir no desenvolvimento de métodos híbridos que combinam múltiplas modalidades de detecção, como análise de voz, reconhecimento facial e monitoramento fisiológico, para maximizar a eficácia na identificação de comportamentos anômalos na perspectiva antidiscriminatória com melhor assertividade nos resultados.
Palavras-chave: Detecção Emocional; Comportamentos Anômalos; Métodos Híbridos; Aprendizado Profundo.
Referências
Barros, P., Churamani, N., Lim, A., & Wermter, S. (2019, September). The OMG-Empathy Dataset: Evaluating the Impact of Affective Behavior in Storytelling. In 2019 8th International Conference on Affective Computing and Intelligent Interaction (ACII) (pp. 1- 7). IEEE.
Abdullah, Sharmeen M. Saleem Abdullah et al. Multimodal emotion recognition using deep learning. Journal of Applied Science and Technology Trends, v. 2, n. 02, p. 52-58, 2021.
Khalil, Ruhul Amin et al. Speech emotion recognition using deep learning techniques: A review. IEEE Access, v. 7, p. 117327-117345, 2019.
Saxena, Anvita; KHANNA, Ashish; GUPTA, Deepak. Emotion recognition and detection methods: A comprehensive survey. Journal of Artificial Intelligence and Systems, v. 2, n. 1, p. 53-79, 2020.
Orrù, Giulia et al. Detecting anomalies from video-sequences: A novel descriptor. In: 2020 25th International Conference on Pattern Recognition (ICPR). IEEE, 2021. p. 4642-4649.
STUDENT, P. G. Abnormal Human Behavior Detection and Classification In Crowd Using Image Processing. In: National Conference on―Unprecedented and Advanced Concepts of Computer Vision‖ NCUACC. 2021