[pt] Atualmente as Unidades de Saúde, em um grande número de países do mundo, apresentam demandas de serviços que superam suas capacidades reais. Por esta razão, o surgimento das listas de espera é inevitável. Preparar o planejamento das mesmas, de modo otimizado resulta, portanto, em um grande desafio, devido à quantidade de recursos que devem ser considerados. O caso particular dos procedimentos cirúrgicos é particularmente crítico pela quantidade de recursos que se precisam para a realização do mesmo. Poucos projetos têm sido desenvolvidos para a gestão completa dessas listas. O trabalho desenvolvido nesta Dissertação propõe o uso de um modelo, baseado em algoritmos genéticos com inspiração quântica, para a automatização e otimização do planejamento de procedimentos cirúrgicos eletivos. Este modelo, denominado Algoritmo Evolucionário com Inspiração Quântica para a Área de Saúde (AEIQ-AS), além de alocar os pacientes e os recursos necessários para que o processo cirúrgico seja exitoso, procura reduzir o tempo total para que todas as cirurgias sejam realizadas. Este trabalho apresenta também uma ferramenta que permite a modelagem, de modo simplificado, de uma Unidade Cirúrgica de Saúde. Esta ferramenta possibilita a realização de simulações com o objetivo de ver o efeito de diferentes configurações dos recursos nas Unidades de Saúde. Para a validação do modelo proposto foi criada, de modo artificial e fazendo uso da ferramenta de simulação, uma lista de espera de 2000 cirurgias. Caso as cirurgias fossem realizadas seguindo a ordem de chegada, seriam necessárias pouco mais de 37 semanas e teria 1066 operações fora do prazo. Foram feitos vários experimentos onde se buscava a otimização destes valores. Esta busca foi feita, primeiramente, tomando em consideração só um dos parâmetros e a continuação eles em conjunto. Na primeira abordagem o AEIQ-AS consegue a realização das mesmas cirurgias em aproximadamente 31 semanas. Assim, observa se que há uma redução de aproximadamente 16,25 porcento do tempo. O número de operações fora do prazo, por sua vez, foi reduzido pelo modelo para 927 (13,04 porcento). Na abordagem simultânea, o AEIQ-AS, consegue uma diminuição do tempo total de alocação em 16,22 porcento e o número de operações fora do prazo em 9,76 porcento. Foram feitas, também, várias simulações da Unidade de Saúde mantendo as caraterísticas da lista de cirurgias para ver seu efeito no tempo total de alocação de todos os processos cirúrgicos. / [en] Currently, Health Units in a large number of countries in the world present service demand that exceed their real capacities. For this reason, is inevitable the emergence of the waiting lists. To prepare the planning of this in an optimized manner results in a substantial challenge due to the number of resources that should be considered. The case of chirurgical procedures is particularly critical by the number of resources needed for their realization. A small quantity of projects has been developed to fully manage these lists. The work developed in this Dissertation proposes the use of a model based on evolutionary algorithms with quantum inspiration for the automation and optimization of the planning of elective chirurgical procedures. This model, denominated Evolutionary Algorithm with Quantum Inspiration for the Health Field (AEIQ-AS), beyond patients and necessary resources for the successful completion of the chirurgical procedure allocation, pursue the reduction of the total time of realization of all the surgeries. The work presents also a tool that allows the modeling, in a simplified manner, of a Chirurgical Health Unit. This tool enables the realization of simulations with the objective of seeing the effect of different configurations of the resources in the Health Units. To validate the proposed model was created, in artificial mode and employing the simulation tool, a waiting list of 2000 surgeries. In case that the surgeries were realized following the arrival order, will be needed a little more than 37 weeks and will have 1066 surgeries out of time. Several experiments were conducted in order to optimize these values. This search was executed, firstly, considering only one of the parameters and, in continuation, all together. In the first approach, the AEIQ-AS obtains the realization of the same surgeries in approximately 16,25 percent of the time. The number of operations out of time was reduced by the model to 927 (13,04 percent). In the simultaneous approach, the AEIQAS achieves a decrease of the allocation total time in 16,22 percent and the number of operations out of time in 9,76 percent. It were done, also, several simulations of the Health Unit maintaining the characteristics of the surgeries list in order to look the effect in the allocation total time of all the chirurgical procedures.

[pt] A exploração e desenvolvimento de um campo de petróleo é permeada de incertezas de diferentes naturezas. A incerteza mais básica que o gestor de um portfolio exploratório enfrenta é aquela relativa à existência (ou não) de petróleo em determinado prospecto. Tipicamente, incertezas técnicas tendem a ser reduzidas com investimentos em aquisição de informação, que são exercícios de opções de aprendizagem. Decorrente da estrutura de correlações presentes nos prospectos de um portfolio exploratório, o resultado da perfuração de um poço pioneiro potencialmente irá revelar informações adicionais sobre a probabilidade de existência (ou não) de petróleo em outros prospectos deste mesmo portfolio. Cada poço a ser perfurado pode ser entendido como uma opção de aprendizagem a ser exercida (ou não) a depender da sua probabilidade de sucesso. Neste contexto, um dos fatores determinantes na otimização da campanha exploratória é a escolha da sequência ideal de perfuração de poços. Tal escolha é mais complexa, quão maior for a quantidade e diversidade de prospectos no portfolio. Diante dessa realidade, este trabalho propõe uma modelagem que busca, através de Algoritmos Genéticos, otimizar a sequência de perfurações dos poços e, portanto, o valor do portfolio. O modelo proposto considera as interdependências e as especificidades de cada prospecto e usa como função objetivo, a ser maximizada, o valor presente do líquido (VPL). Opções e aprendizagem são os aspectos-chave por trás do modelo de otimização. O modelo foi avaliado em dez diferentes portfolios exploratórios e, em todos os casos, foi capaz de propor pelo menos uma sequência que apresentasse expressivos ganhos de VPL em relação ao caso-base. / [en] An oil field exploration and development campaign is bounded with different kinds of uncertainty. The most basic one that an E and P portfolio manager deals with is the one related to the existence (or not) of oil in a given prospect. Typically, technical uncertainties are related to learning, and tend to be reduced with investments on information acquisition. From the correlation pattern on the prospects in a given exploratory portfolio, follows that the results from one initial wildcat drilling will, potentially, reveal, additional information about the oil existence (or not) in other prospects in the same geological play. This way, each prospect to be drilled might be understood as a learning option to be exercised (or not) depending on its respective success probability. In such case, one of the main factors on optimizing the exploratory campaign is choosing the ideal drilling sequence. Such choice is more complex, as the quantity and diversity of the prospects increases. Given such background, the present work proposes a model that intends, using Genetic Algorithms, to optimize the drilling sequence and, as a consequence, the total portfolio value. The proposed model considers the interdependencies and each prospect specific aspects and has as an objective function (to be maximizes) the portfolio net present value (NPV). Options and learning are the main aspects underlying the optimization model. The model was evaluated on ten different exploratory portfolios and, in every case, was able to deliver at least one sequence that could represent expressive NPV gains compared to the basic scenario.

[pt] A crescente demanda de óleo observada nas últimas décadas tem motivado as indústrias de petróleo a explorarem novas reservas em águas cada vez mais profundas, o que representa um maior desafio operacional, de segurança e econômico. Nesse novo cenário, as condições ambientais se tornam mais severas, conferindo às unidades flutuantes movimentos de amplitude cada vez maiores. Em consequência, os risers, que são os principais componentes responsáveis pelo transporte de óleo desde o reservatório até as unidades flutuantes, passam a ser solicitados de forma mais intensa. Um grande desafio tem sido colocado para as indústrias de petróleo no sentido de desenvolverem configurações para os risers capazes de reduzir os efeitos dinâmicos que lhes são impostos e, consequentemente, viabilizarem o seu uso em águas profundas e ultraprofundas. Configurações do tipo Lazy-S, Pliant-Wave, entre outras, têm sido propostas, porém, além de complexas, demandam muita logística e apresentam elevados custos para a sua implantação. Esta dissertação propõe uma solução alternativa que consiste no estudo de configurações ótimas de risers em catenária utilizando amortecedores hidrodinâmicos. As dimensões e o posicionamento desses amortecedores são obtidos por meio de técnicas de otimização multiobjetivo, buscando-se minimizar os efeitos provocados pelas ondas de compressão ao longo dos risers e os custos envolvidos na utilização desses amortecedores, respeitando-se algumas restrições geométricas. O processo de otimização é realizado por meio do algoritmo genético NSGA-II, disponível no programa modeFRONTIER. O equilíbrio dinâmico dos risers, verificado em cada passo da otimização, é obtido por meio do programa Anflex. Exemplos representativos são utilizados para demonstrar a eficiência e a viabilidade da utilização da metodologia proposta. / [en] The growing demand for oil, observed in recent decades has motivated the oil industry to exploit new oil reserves in ever-deeper waters, representing a greater operational challenge, security and economic. In this new scenario, the environmental conditions become more severe, causing the floating units movements with increasing amplitude. Consequently, the risers, which are the main components responsible for the transport of oil from the reservoir to the floating units, shall be requested more intensely. The oil industry confronts a major challenge in order to develop riser configurations that can reduce the dynamic effects that are imposed on it and hence to enable its use in deep and ultra-deep waters. Lazy-S, Pliant-Wave, among others riser configurations, have been proposed, however, besides complex, require a lot of logistics and have high costs for their deployment. This thesis proposes an alternative solution that consists of the study of optimum catenary risers configurations using hydrodynamic dampers. The dimensions and placement of these dampers are obtained by means of multi-objective optimization techniques seeking to minimize the effects caused by compression waves over the risers and the costs involved in using these dampers, fullfilling certain geometric constraints. The optimization process is performed by the genetic algorithm NSGA-II, available at modeFRONTIER program. The dynamic equilibrium of risers, evaluated at each step of the optimization is obtained through Anflex program. Representative examples are used to demonstrate the efficiency and feasibility of using the proposed methodology.

[pt] Na área de Exploração e Produção (EeP) de petróleo, uma das tarefas mais importantes é o estudo minucioso das características do reservatório para a criação de modelos de simulação que representem adequadamente as suas características. Durante a vida produtiva de um reservatório, o seu modelo de simulação correspondente precisa ser ajustado periodicamente, pois a disponibilidade de um modelo adequado é fundamental para a obtenção de previsões acertadas acerca da produção, e isto impacta diretamente a tomada de decisões gerenciais. O ajuste das propriedades do modelo se traduz em um problema de otimização complexo, onde a quantidade de variáveis envolvidas cresce com o aumento do número de blocos que compõem a malha do modelo de simulação, exigindo muito esforço por parte do especialista. A disponibilidade de uma ferramenta computacional, que possa auxiliar o especialista em parte deste processo, pode ser de grande utilidade tanto para a obtenção de respostas mais rápidas, quanto para a tomada de decisões mais acertadas. Diante disto, este trabalho combina inteligência computacional através de Algoritmo Genético Co-Evolutivo com Geoestatística de Múltiplos Pontos, propondo e implementando uma arquitetura de otimização aplicada ao ajuste de propriedades de modelos de reservatórios. Esta arquitetura diferencia-se das tradicionais abordagens por ser capaz de otimizar, simultaneamente, mais de uma propriedade do modelo de simulação de reservatório. Utilizou-se também, processamento distribuído para explorar o poder computacional paralelo dos algoritmos genéticos. A arquitetura mostrou-se capaz de gerar modelos que ajustam adequadamente as curvas de produção, preservando a consistência e a continuidade geológica do reservatório obtendo, respectivamente, 98 por cento e 97 por cento de redução no erro de ajuste aos dados históricos e de previsão. Para os mapas de porosidade e de permeabilidade, as reduções nos erros foram de 79 por cento e 84 por cento, respectivamente. / [en] In the Exploration and Production (EeP) of oil, one of the most important tasks is the detailed study of the characteristics of the reservoir for the creation of simulation models that adequately represent their characteristics. During the productive life of a reservoir, its corresponding simulation model needs to be adjusted periodically because the availability of an appropriate model is crucial to obtain accurate predictions about the production, and this directly impacts the management decisions. The adjustment of the properties of the model is translated into a complex optimization problem, where the number of variables involved increases with the increase of the number of blocks that make up the mesh of the simulation model, requiring too much effort on the part of a specialist. The availability of a computational tool that can assist the specialist on part of this process can be very useful both for obtaining quicker responses, as for making better decisions. Thus, this work combines computational intelligence through Coevolutionary Genetic Algorithm with Multipoint Geostatistics, proposing and implementing an architecture optimization applied to the tuning properties of reservoir models. This architecture differs from traditional approaches to be able to optimize simultaneously more than one property of the reservoir simulation model. We used also distributed processing to explore the parallel computing power of genetic algorithms. The architecture was capable of generating models that adequately fit the curves of production, preserving the consistency and continuity of the geological reservoir obtaining, respectively, 98 percent and 97 percent of reduction in error of fit to the historical data and forecasting. For porosity and permeability maps, the reductions in errors were 79 percent and 84 percent, respectively.

[pt] Este trabalho tem por objetivo investigar um método para auxiliar na quantificação de características sísmicas do subsolo. O modelo sísmico bidimensional de reflexão usa a equação Normal Move Out (NMO), para calcular os tempos de trânsito das ondas sísmicas, tipo P, refletidas em camadas isotrópicas e inclinadas. Essa equação usa a velocidade raiz quadrática média RMS como valor representativo das velocidades intervalares das camadas unidas. No processo de inversão para múlltiplas camadas, as velocidades RMS representam o problema principal para estimar as velocidades intervalares. Conseqüentemente, o método proposto estima sequencialmente os parâmetros do modelo sísmico, para resolver esse problema a partir dos tempos de trânsito com Algoritmos Genéticos Híbridos (algoritmo genético e algoritmo Nelder Mead Simplex). Os tempos de trânsito são sintéticos e a estimação de parâmetros é tratada como um problema de minimização. Com o método proposto foi obtido um alto grau de exatidão, além de reduzir o tempo de computação em 98,4 % em comparação com um método de estimação simultânea de parâmetros. Para aliviar a complexidade e a demora na geração de um modelo em três dimensões se contrói um modelo sísmico em três dimensões formado com modelos bidimensionais, sob cada unidade retangular da malha de receptores do levantamento sísmico, para camadas isotrópicas curvadas, com variações suaves das pendentes e sem descontinuidades. Os modelos bidimensionais formam polígonos que representam as superfícies de interface que são projetadas sob os retângulos da malha. Dois conjuntos de superfícies poligonais são gerados para auxiliar na localização das camadas. / [en] The objective of the present work is to investigate a method to help in the quantification of seismic characteristics underground. The two-dimensional seismic model of reflection employs the equation Normal Move Out (NMO) to calculate the travel times of P waves reflected on inclined and isotropic layers. This equation uses the root mean square velocity as a representative value of the joined layers velocities. At the inversion process, for multiple layers, the root mean square velocities are the main problem to estimate the layer velocities. Consequently, to solve that problem, the proposed method estimates sequentially the parameters of the seismic model using travel times and the Hybrid Genetic Algorithms (Genetic algorithm and the Nelder Mead Simplex algorithm). The travel times are synthetic and the estimation of parameters is treated as a minimization problem. With proposed method was obtained high grade of accurate, and the reduction of 98.4 % of computing time when it was compared to a simultaneous parameters estimation method. For decreasing the complexity and the delay to generate the models in three dimensions is proposed the construction of a three-dimensional seismic model formed with two-dimensional models, under every rectangular cell of the mesh of receptors of the seismic survey, for curved isotropic layers with soft variations in the gradient and without discontinuities. The two-dimensional models form polygons that represent the surfaces of interfaces that are designed under the rectangles of the surface or soil. Two sets of polygonal surfaces are generated to help at the geometric localization of layers.

[pt] Uma das tarefas mais importantes da Engenharia de Reservatórios é definir a estratégia de produção. Isso significa estabelecer, dentre outras coisas, quantidade, características, localização, planejamento operacional e cronograma de abertura dos poços, a fim de maximizar a recuperação de óleo e o valor presente líquido (VPL) do projeto. Assim, a definição da melhor estratégia de produção representa um problema de otimização complexo, devido à quantidade de variáveis envolvidas. Geralmente, muitas dessas etapas são executadas manualmente, demandando assim muito tempo e esforço por parte do especialista. A disponibilidade de uma ferramenta computacional, que possa auxiliar o especialista em parte desse processo, pode ser de grande utilidade tanto para a obtenção de respostas mais rápidas, quanto para a tomada de decisões mais acertadas. Diante disso, este trabalho propõe um modelo computacional, baseado em Algoritmos Genéticos, para otimizar o cronograma de abertura de poços, considerando restrições técnicas e operacionais impostas pelo problema. O modelo proposto foi avaliado por meio do estudo de três casos. O primeiro consiste em um reservatório simples que foi utilizado, principalmente, para identificar a configuração mais adequada dos parâmetros evolutivos do algoritmo genético. O segundo, que consiste em um reservatório com características similares às de um reservatório real, foi submetido a uma análise econômica para avaliar o desempenho do modelo de solução diante de cenários econômicos: real, favorável e desfavorável. Em todos os testes realizados, o modelo de solução obteve resultados promissores, com VPL s superiores em até 18,8 porcento comparados ao VPL obtido com o cronograma proposto pelo especialista. / [en] One of the most important tasks of Reservoir Engineering is setting the production strategy. That means establishing, among other things, amount, character, location, operational planning and well opening scheduling in order to maximize oil recovery and net present value (NPV) of the project. Thus, the definition of the best strategy for production represents a complex optimization problem due to the many variables involved. Generally, many of these steps are performed manually, requiring so much time and effort on the part of the expert. The availability of a computational tool that can assist the expert part of this process, may be useful both to obtain faster responses, as for making better decisions. Thus, this work proposes a computational model based on genetic algorithms to optimize the schedule of digging wells, considering technical and operational constraints imposed by the problem. The proposed model was evaluated by the study of three cases. The first consists of a single reservoir that was used primarily to identify the most suitable configuration of parameters evolutionary genetic algorithm. The second, consisting of a reservoir with characteristics similar to those of a real reservoir, was subjected to an economic analysis to evaluate the performance of the model solution in the face of economic scenarios: real, favorable and unfavorable. And the third is in a real reservoir. In all tests, the model solution obtained promising results, with higher NPV s up 18.8 percent compared to the NPV obtained with the schedule proposed by the expert.

[pt] Uma das tarefas mais importantes da Engenharia de Reservatórios é definir a estratégia de produção. Isso significa estabelecer, dentre outras coisas, a configuração (quantidade, orientação, localização e tipo) e o planejamento operacional dos poços, bem como a localização da(s) plataforma(s) de produção. Assim, a definição da melhor estratégia de produção representa um problema de otimização complexo, devido ao grande número de variáveis a serem consideradas. Geralmente, todas essas etapas são executadas manualmente, demandando muito tempo e esforço por parte do especialista. A disponibilidade de uma ferramenta computacional, que possa auxiliá-lo nessa tarefa, pode ser de grande utilidade, tanto para a obtenção de respostas mais rápidas, quanto para a tomada de decisões mais acertadas. Diante disso, este trabalho propõe um modelo computacional, baseado em Algoritmos Genéticos, para otimizar a configuração dos poços juntamente com a localização de uma plataforma considerando, especificamente, poços com completação seca. A modelagem proposta considera ainda restrições técnicas e operacionais impostas pelo problema. O objetivo do processo de otimização é maximizar o valor presente líquido (VPL) do projeto, buscando soluções que aumentem o fator de recuperação do reservatório e diminuam seus custos operacionais. Para avaliar o desempenho do modelo proposto foram estudados três modelos de reservatórios, dois sintéticos e um baseado em um caso real. No modelo baseado em um caso real o resultado obtido apresentou um VPL superior a 51 por cento em relação ao caso base gerado por um especialista. / [en] One of the most important tasks of Reservoir Engineering is setting the production strategy. This means establish, among other things, the setting (quantity, orientation, location and trajectory) and the operating plan of the wells, and the location(s) of platform(s) production. Thus, the definition of the best production strategy represents a complex optimization problem due to the large number of variables to be considered. Generally, all these steps are performed manually, requiring much time and effort by the specialist. The availability of a computational tool that can assist you in this task can be very useful, both to obtain faster responses, and for making better decisions. Thus, this work proposes a computational model based on Genetic Algorithms, to optimize the configuration of the wells along with the location of a platform with specific wells with dry completion. The proposed model also considers technical and operational constraints imposed by the problem. The goal of the optimization process is to maximize the net present value (NPV) of the project, seeking solutions that increase the recovery factor of the reservoir and reduce its operating costs. To evaluate the performance of the proposed model was studied in three models reservoirs, two synthetic and one based on an real case. In the model based on a real case the result obtained showed an NPV greater than 51 per cent compared to the base case generated by a specialist.

[pt] O problema da predição das estruturas de proteínas (Protein Structure Prediction (PSP)) é um dos desafios mais importantes na biologia molecular. Pelo fato deste problema ser muito difícil, têm sido propostos diferentes modelos simplificados para resolvê-lo. Um dos mais estudados é o modelo, Hidrofóbico-Polar (HP), o modelo HP fornece uma estimativa da energia da proteína com base na soma de interações entre pares de aminoácidos hidrofóbicos (contatos H-H). Entretanto, apesar das simplificações feitas no modelo HP, o problema permanece complexo, pertencendo à classe NP-Difícil. Muitas técnicas têm sido propostas para resolver este problema entre elas, técnicas baseadas em algoritmos genéticos. Em muitos casos, as técnicas baseadas em AG foram usadas com sucesso, mas, no entanto, abordagens utilizando AG muitas vezes não tratam adequadamente as soluções geradas, prejudicando o desempenho da busca. Além disso, mesmo que eles, em alguns casos, consigam atingir o mínimo de energia conhecido para uma conformação, estes modelos não levam em conta a forma da proteína um fator muito importante na hora de obter proteínas mais compactas. Foi desenvolvido um algoritmo genético multiobjetivo para PSP no modelo HP, de modo de avaliar de forma mais eficiente, as conformações produzidas. O modelo utiliza como avaliação uma combinação baseada no número de colisões, número de contatos hidrofóbicos, compactação dos aminoácidos hidrofóbicos e hidrofílicos, obtendo, desta forma estruturas mais naturais e de mínima energia. Os resultados obtidos demonstram a eficiência desse algoritmo na obtenção de estruturas proteicas compactas providenciando indicadores da compactação dos aminoácidos hidrofóbicos e hidrofílicos da proteína. / [en] The problem of protein structured prediction (PSP) is one of the most important challenges in molecular biology. Because this problem is very difficult, different simplified models have been proposed to solve it. One of the most studied is the Hydrophobic-Polar model HP this model provides an estimate of the protein energy based on the sum of hydrophobic contacts. However, despite the simplifications made in the HP model, the problem remains complex, belonging to the class of NP-Hard problems. Many techniques have been proposed to solve this problem as genetic algorithms. In many cases the GA techniques have been used successfully, but, however, with GA approaches often do not adequately address the generated solutions, impairing the performance of the search. Furthermore, in some cases would attain the minimum energy for a known conformation, these models do not take care the protein shape, a very important factor to obtain more compact proteins. This work developed a multiobjective genetic algorithm to PSP in HP model evaluating more efficiently, the conformations produced. This model is a combination of assessment based on the collisions numbers, hydrophobic contacts, hydrophobic and hydrophilic core compression, obtaining thus more natural structures with minimum energy. The results demonstrate the efficiency of this algorithm to obtain protein structures indicators providing compact compression of the hydrophobic and hydrophilic core protein.

[pt] O crescente consumo de energia é preocupante, principalmente pelo uso de sistemas de condicionamento de ar e de iluminação artificial. Nas edificações modernas, os projetos arquitetônicos vêm negligenciando os fatores que proporcionam o conforto ambiental. Baseando-se nos conceitos da arquitetura sustentável, esta dissertação propõe e modela um sistema que otimiza os parâmetros da edificação que influenciarão no consumo de energia elétrica, nos custos com a construção e na emissão de poluentes pela edificação. Propõe-se um modelo de algoritmos genéticos que, juntamente com um programa de simulação de energia, EnergyPlus, constitui o modelo evolucionário desenvolvido neste trabalho. Este modelo otimiza parâmetros como: dimensionamento de aberturas e de pédireito; orientação da edificação; condicionamento do ar; disposição de árvores no entorno da edificação; etc . O modelo evolucionário tem sua ação e eficácia testados em estudo de casos - edificações desenhadas por projetista -, em que se alteram: espessura das paredes, altura de pé direito, largura de janelas, orientação quanto ao Norte geográfico, localização de elementos sombreantes (árvores), uso ou não de bloqueadores solares. Estes fatores influenciarão no conforto térmico da edificação e, consequentemente, no consumo elétrico dos sistemas de condicionamento de ar e de iluminação artificial, que por sua vez, influenciam os parâmetros que se pretende otimizar. Os resultados obtidos mostram que as otimizações feitas pelo modelo evolucionário foram efetivas, minimizando o consumo de energia pelos sistemas de condicionamento de ar e de iluminação artificial em comparação com os resultados obtidos com as edificações originais fornecidas pelo projetista. / [en] The continuous rising on energy consumption is a concerning issue, especially regarding the use of air conditioning systems and artificial lighting. In modern buildings, architectural designs are neglecting the factors that provide environmental comfort in a natural way. Based on concepts of sustainable architecture, this work proposes and models a system that optimizes the parameters of a building that influence the consumption of electricity, the costs with the building itself, and the emission of pollutants by these buildings. For this purpose a genetic algorithm model is proposed, which works together with an energy simulation program called EnergyPlus, both comprising the evolutionary model developed in this work. This model is able to optimize parameters like: dimensions of windows and ceiling height; orientation of a building; air conditioning; location of trees around a building; etc. The evolutionary model has its efficiency tested in case studies - buildings originally designed by a designer -, and the following specifications provided by the designer have been changed by the evolutionary model: wall thickness, ceiling height, windows width, building orientation, location of elements that perform shading function (trees), the use (or not) of sun blockers. These factors influence the building s heat comfort and therefore the energy consumption of air conditioning systems and artificial lighting which, in turn, influence the parameters that are meant to be optimized. The results show that the optimizations made by the evolutionary model were effective, minimizing the energy consumption for air conditioning systems and artificial light in comparison with the results obtained with the original buildings provided by the designer.

[pt] Elementos sensores baseados no efeito GMI são uma nova família de sensores magnéticos que apresentam grande quando submetidos a campos magnéticos externos. Estes sensores têm sido utilizados no desenvolvimento de magnetômetros de alta sensibilidade, destinados à medição de campos ultra fracos. Por sua vez, a sensibilidade de um magnetômetro está diretamente associada à sensibilidade de seus elementos sensores. No caso de amostras GMI, esta sensibilidade é otimizada buscando-se a maximização da variação do módulo ou da fase da impedância em função do campo magnético ao qual a amostra é submetida. Estudos recentes mostram que transdutores GMI baseados na variação de fase podem exibir sensibilidades até 100 vezes superiores às apresentadas por transdutores baseados na leitura do módulo do elemento sensor, o que fez com que os trabalhos conduzidos nesta dissertação focassem na maximização da sensibilidade de fase, a qual é majoritariamente dependente de quatro fatores: o comprimento da amostra, o campo magnético externo, o nível DC e a frequência da corrente de excitação. Contudo, a busca do conjunto de parâmetros que otimiza a sensibilidade das amostras é geralmente empírica e muito demorada. Esta dissertação propõe uma nova técnica de otimização da sensibilidade, baseada no uso de algoritmos genéticos evoluindo em hardware, a fim de se definir qual o conjunto de parâmetros responsável pela maximização da sensibilidade das amostras. Ressalta-se que, além dos parâmetros de otimização anteriormente explicitados, também foram realizados testes considerando a amplitude da corrente de excitação como uma variável livre, sendo que os resultados obtidos são apresentados e discutidos. Foi implementada uma bancada de testes e desenvolvida uma interface gráfica em LabVIEW, para monitorar e medir o comportamento da impedância de amostras GMI em função de variações nos parâmetros de interesse. Por sua vez, implementou-se um módulo de otimização em Matlab, baseado em algoritmos genéticos, responsável por encontrar a combinação de parâmetros que maximiza a sensibilidade dos sensores GMI avaliados (ponto ótimo de operação). / [en] GMI sensors are a new family of magnetic sensors that exhibit a huge variation of their impedance when subjected to external magnetic fields. These sensors have been used in the development of high sensitivity magnetometers, aimed at measuring ultra-weak magnetic fields. In turn, the sensitivity of a magnetometer is directly associated with the sensitivity of their sensor elements. In the case of GMI samples, this sensitivity is optimized by maximizing the variation of the impedance magnitude or phase as a function of the magnetic field applied to the sample. Recent studies show that GMI transducers based on phase variation can exhibit sensitivities up to 100 times higher than those presented by transducers based on impedance magnitude readings. The results obtained in these previous studies made the current work focusing on the maximization of phase sensitivity, which is mostly dependent on four factors: sample length, external magnetic field, DC level and frequency of the excitation current. However, the search for the set of parameters that optimizes the sensitivity of the samples is usually empirical and very time consuming. Thus, this dissertation proposes a new optimization technique, based on the use of genetic algorithms evolving on hardware, in order to define which set of parameters is responsible for maximizing the sensitivity of the samples. It should be noted that in addition to the optimization parameters previously described, this work also carried out tests considering the amplitude of the excitation current as a free variable, and the results obtained are presented and discussed. A test bench was implemented and a graphical interface was developed in LabVIEW to monitor and measure the impedance behavior of GMI samples due to variations in the parameters of interest. In turn, a Matlab optimization module based on genetic algorithms was implemented, in order to find the combination of parameters that maximizes the impedance phase sensitivity of the evaluated GMI sensors (optimum operating point).