Avanços positivos nas pesquisas em veículos agrícolas autônomos (VAA\'s) e de robôs agrícolas móveis (RAM\'s) têm sido conquistados nos últimos anos. Entretanto, um número limitado de trabalhos tem proposto sistemas robustos baseados em arquiteturas robóticas capazes de realizar operações múltiplas e idependentes, bem como adaptar-se às mudanças ambientais no campo. Por outro lado, em outras áreas de pesquisa, um número representativo de arquiteturas baseadas em comportamentos tem sido proposto para guiagem e para navegação autônomas de robôs móveis em ambientes não estruturados e/ou não explorados. No presente trabalho, uma arquitetura robótica baseada em comportamentos é desenvolvida para guiagem e navegação de RAM\'s e VAA\'s. Regras difusas são utilizadas para compor e coordenar comportamentos primitivos e comportamentos complexos. O desenvolvimento inclui: a implementação e a simulação da arquitetura em um mini-robô; a avaliação e a caracterização de sensores para o módulo perceptivo da arquitetura; e a aplicação de um método de análise baseado em um modelo matemático para auxiliar a composição de uma rede de comunicação digital baseada no protocolo CAN para sistemas de controle robóticos. Experimentos foram realizados para avaliar os comportamentos implementados e para avaliar a capacidade de operação da plataforma robótica em um ambiente agrícola simulado. Os resultados mostraram a viabilidade da abordagem proposta. A modularidade da arquitetura com a utilização de controladores difusos descentralizados simplificou a implementação da arquitetura. O processo de arbitragem difuso mostrou-se um método simples e viável para implementar a coordenação de comportamentos e para compor comportamentos complexos. A avaliação e caracterização de sensores, em especial de um sensor ultrassônico, permitiram a determinação de condições operacionais para a utilização desses sensores em VAA\'s ou em RAM\'s. A aplicação do modelo matemático para a rede permitiu a análise de desempenho da rede CAN para diferentes equipamentos e sob diferentes parâmetros de configuração para aplicação em um RAM. / Positive advances on AVV (Agricultural Autonomous Vehicle) and MAR (Mobile Agricultural Robot) research are noticed in recent years. However, a limited number of works have proposed reliable systems based on a robotic architectures that are able to perform multiple and independent operations, as well as to self-adapt under changing environmental conditions in the field. In other hand, in other research areas a considerable number of behavior-based architectures have been proposed for mobile robot for autonomous guidance and navigation in unstructured and/or in unexplored environments. At this work, a robotic behavior-based architecture is developed for guidance and navigation of AAV and MAR. Fuzzy rules are used to compose and coordinate the primitive and the complex behaviors. The development includes: the implementation and the simulation of the proposed architecture on a mini-robot; the evaluation and characterization of sensors for the perceptive module of the architecture; and the application of an analysis method based on a mathematical model to assist the composition of a digital communication networks based on the CAN protocol for robot control systems. Experiments have been performed to evaluate the implemented behaviors and to evaluate the operation ability of the robotic platform on a simulated agricultural environment. The results show the feasibility of the proposed approach. The modularity of the architecture by using decentralized fuzzy controllers simplifies the implementation of the robotic architecture. The fuzzy arbitration process is an easy and a feasible method to implement the behavior coordination and to compose complex behaviors. The sensors evaluation and characterization, in particular of an ultrasonic sensor, have allowed establishing operational conditions for using them in AAV or in a MAR. The application of the network mathematical model has allowed the performance analysis of the CAN-based networks under differentiated equipment and configuration parameters for applications in a MAR.

Conselho Nacional de Desenvolvimento CientÃfico e TecnolÃgico / A irrigaÃÃo à uma das prÃticas culturais que mais influencia o aumento da produÃÃo. No entanto, para o sucesso desta prÃtica necessita-se determinar o tempo certo da aplicaÃÃo de Ãgua para evitar desperdÃcios. Com isso, o emprego de sensores de umidade, como os sensores capacitivos, para nÃveis reais de umidade do solo aliados a redes neurais artificiais (RNAs) que calculam tempo de irrigaÃÃo, podem ser uma aquisiÃÃo promissora para a automaÃÃo de sistemas de irrigaÃÃo. Desta forma, objetivou-se com o presente trabalho desenvolver uma RNA que estime o tempo de irrigaÃÃo e comparando-o com o tempo estimado pelo mÃtodo do balanÃo volumÃtrico para a cultura da melancia. Foram utilizadas RNAs do tipo perceptron de mÃltiplas camadas. Para o treinamento foram usados dados de manejos em Ãrea do PERÃMETRO IRRIGADO BAIXO ACARAà no estado do Cearà onde a umidade do solo à determinada por sensores capacitivos desenvolvidos pela Universidade Federal do Cearà (UFC). Foram testadas redes para as fases da cultura. A primeira fase determinada entre 0 e 30 dias apÃs a semeadura (DAS) e a segunda fase sendo de 31 à 60 DAS. Foram testadas redes com 2 e 4 entradas; com 5, 10 e 20 neurÃnios na camada intermediÃria (NCI) e 1.000, 5.000 e 10.000 iteraÃÃes. ApÃs os treinamentos, as redes neurais artificiais foram testadas em campo para a sua validaÃÃo, comparando as suas respostas em relaÃÃo ao mÃtodo do balanÃo hÃdrico volumÃtrico (BHV) para a segunda fase da cultura. Avaliando as redes com 2 e 4 entradas, observou-se que as redes de 4 entradas obtiveram menor erro quadrÃtico mÃdio, convergindo mais rapidamente para valores prÃximos a zero, quando comparadas Ãs redes de 2 entradas. Quanto ao NCI, nÃo houve mudanÃas entre as redes, dispensando a necessidade de programar redes maiores que 5 NCI para essa aplicaÃÃo. Para o nÃmero de Ãpocas de treinamento, a que obteve o melhor ajuste aos valores foram as redes com 10.000 iteraÃÃes para a primeira fase da cultura e 5.000 iteraÃÃes para a segunda fase da cultura. Com a etapa de campo pode-se constatar que nÃo houve diferenÃa estatÃstica entre os dois manejos adotados. Assim, a rede neural artificial mostrou-se eficiente para o manejo da irrigaÃÃo, mesmo tendo no experimento valores inÃditos ao treinamento. Neste trabalho pode-se concluir que a RNA de melhores respostas para a primeira fase da cultura apresentou a MLP 4-5-1 com 10.000 Ãpocas de treinamento e taxa de aprendizagem de 0,9 e para a segunda fase, MLP 4-5-1, com 10.000 Ãpocas de treinamento e taxa de aprendizagem de 0,9. Conclui-se tambÃm, com a etapa de campo, que a rede foi bem sucedida em calcular o tempo de irrigaÃÃo. / Irrigation is an agricultural practice that leads to high crop production, however the success of this practice depends largely on correct computation of the timing of the application to avoid excessive or deficit application. Thus, the use of moisture sensors, such as capacitive sensors for determining soil moisture combined with artificial neural networks (ANNs) to calculate irrigation time can be a promising tool for automation of irrigation systems. The objective of this work was to develop an ANN that estimate the irrigation time and to contrast the results with the management based on a volume balance method on a watermelon field. Multilayer perceptron types of ANNs were tested. For ANNs training, data obtained in previous harvest were used. The watermelon field was located in Baixo Acaraà Irrigation District in Cearà State â Brazil, where soil moisture was determined using capacitive sensors developed at the Universidade Federal do Cearà (UFC). Networks were tested for two growing stages. The first stage spanning from 0 to the 30th day after seeding (DAS) and the second stage from the 31st to 60th DAS at harvesting. Networks were tested with 2 and 4 inputs, with 5, 10 and 20 neurons in the intermediate layer (NIL) and 1,000, 5,000 and 10,000 epochs. Upon training, the artificial neural networks were field-tested for validation by comparing their responses to the volumetric water balance method (VWBM) for the second stage an succeeding crop cycle. It was found that networks with four entries presented the largest mean square error, converging rapidly to values close to zero, compared the networks with two entries. For the NIL, it was not found significant difference in the mean square error between all 3 tested architectures, therefore it was not necessary to test networks larger than 5 NIL for this application. For the number of training epochs, the one with the best fit values were networks with 10,000 epochs for the first stage of the crop cycle, and 5,000 epochs for the second stage of the crop cycle. It was found no statistical difference in watermelon yield between the two irrigation timing strategies tested (ANN and VWBM). Therefore the artificial neural network was efficient in irrigation management in the field even though the network was presented to some values not occurring during the training process. Thus, one can conclude that the ANN for best performance was a 4-5-1 with learning rate 0.9, and 10000 and 5000 training epochs, respectively in the first and second crop stage. In addition, it was found that the network successfully scheduled the irrigation during the validation process.

Os sistemas tradicionais de identificação de gado são comprovadamente passíveis de perda, danos e possíveis operações fraudulentas justificando as pesquisas de identificadores biométricos. Este trabalho tem por objetivo verificar a possibilidade do uso de componentes principais para avaliar a divisão do espelho nasal de bovinos em classes genéricas e melhorar o reconhecimento biométrico automático dos indivíduos. O banco de dados deste trabalho foi composto pela coleta e catalogação de imagens do espelho nasal de 187 bovinos da raça Nelore ao nascimento e aos 6 meses de idade e deste grupo foram escolhidos 68 animais aleatoriamente para serem fotografados aos 12 meses de idade. Os algoritmos de processamento digital de imagens, redução de dimesionalidade e extração de característas por PCA e classificação por meio de SVM, foram implementados utilizando o software MATLAB®. Por meio da metodologia estabelecida foi possível dividir os bovinos em classes genéricas e a validação do classificador foi realizada mediante análise estatística dos seus erros e acertos. Os resultados apresentados pelo classificador SVM atingiram índices de acertos na faixa de 95,33% a 99,52%, justificando seu uso como forma automática de identificação. Estes resultados permitem concluir que a metodologia de processamento digital de imagens, a extração de características por componentes principais e o uso de máquina de vetores de suporte utilizada neste trabalho, foi capaz de verificar a individualidade dos padrões existentes no espelho nasal de bovinos. / Livestock identification in traditional systems has been proven to be susceptible to loss, damage, and possible fraudulent operations justifying the research area of biometric identification. This work aim the study of possibility for using principal components to evaluate the division of the muzzle of cattle in generic classes to improve the automatic biometric recognition of individuals. This thesis used a database composed by 187 Nelore bulls muzzle image collected from animals aged from birth to 6 months. From this group 68 animals were randomly photographed at 12 months of age. The digital image processing, feature extraction and vector support machine (SVM) were implemented using MATLAB software. The methodology used in this thesis provides an alternative to divide the cattle in generics class. The class could be available by means of statistical classifier performance The results presented by classifier achieved 95.33% to 99.52% of accuracy classification justifying its use as automatic identification. The digital signal processing, feature extraction and support vector machine methodology were able the conclusion that muzzle print image could be used as animal identification.

Submitted by Renata Lopes (renatasil82@gmail.com) on 2017-05-22T13:41:04Z No. of bitstreams: 1 rafaellepiazzarolifinottiamaral.pdf: 17493907 bytes, checksum: 1adeaaa1aa2fea27421c90402c88531e (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2017-05-22T17:36:26Z (GMT) No. of bitstreams: 1 rafaellepiazzarolifinottiamaral.pdf: 17493907 bytes, checksum: 1adeaaa1aa2fea27421c90402c88531e (MD5) / Made available in DSpace on 2017-05-22T17:36:26Z (GMT). No. of bitstreams: 1 rafaellepiazzarolifinottiamaral.pdf: 17493907 bytes, checksum: 1adeaaa1aa2fea27421c90402c88531e (MD5) Previous issue date: 2017-03-07 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / O desafio de se detectar danos e/ou alterações estruturais através de dados vibracionais tem levado ao desenvolvimento de diversas técnicas nas últimas décadas. Grande parte desses métodos busca associar variações de frequências naturais, modos de vibração e taxas de amortecimento em uma estrutura ao surgimento de danos localizados. Em vista disso, surgiram métodos como: o índice MAC (Modal Assurance Criterion), métodos baseados em energia de deformação, métodos baseados em variação de curvatura, análise da matriz de flexibilidade, dentre outros. Apesar de se mostrarem bastante eficazes na detecção de danos em modelos numéricos, salvo em raras exceções, os métodos supracitados apresentam dificuldades quando se trata de problemas práticos com dados obtidos de experimentos reais. Entretanto, abordagens envolvendo técnicas de inteligência computacional vêm sendo apontadas como uma linha de pesquisa promissora nesta área. Dessa forma, o presente trabalho avalia o uso das Redes Neurais Artificiais (ANN - Artificial Neural Networks) e Máquinas de Vetor Suporte (SVM - Support Vector Machines) na detecção de alterações estruturais baseadas na análise da evolução das respostas dinâmicas. Tanto as características modais quanto indicadores estatísticos extraídos diretamente dos sinais temporais são utilizados como parâmetros de entrada dos modelos de inteligência computacional. Além disso, apresenta-se ainda uma nova metodologia desenvolvida com base no histórico de variação das frequências naturais e temperatura, na qual é possível detectar mudanças no comportamento estrutural e apontar o momento em que elas ocorrem a partir de um classificador SVM. A eficiência da metodologia proposta é analisada através de dados obtidos em um modelo numérico de viga biapoiada e dados oriundos de um monitoramento contínuo da Torre de Gabbia, na Itália. / Structural damage detection using dynamic measurements has led to the development of several techniques in the last decades. Most of these methods associate variations of natural frequencies, mode shapes and damping ratios to damage, like the Modal Assurance Criterion (MAC), methods based on strain energy deviation, methods based on curvature mode shapes, flexibility matrix analysis, among others. Although these aforementioned techniques are mostly efficient to identify structural alterations in numerical models, they have difficulties in practical applications with experimental data. Thus, approaches involving computational intelligence to identify structural damage can be a promising field of research. This work evaluates the Artificial Neural Networks (ANN) and Support Vector Machine (SVM) to detect structural changes based on evolution of dynamic responses. The modal characteristics and statistical indicators extracted directly from raw dynamic measurements are used as inputs to computational intelligence models. Furthermore, a new methodology based on the time history of natural frequencies and temperature records is presented. The technique consists in detecting structural changes and when they occur by using a SVM algorithm. The efficiency of the proposed methodology is analyzed through data from a numerical model of a supported beam and from a continuous monitoring of the Gabbia Tower, in Italy.

Submitted by Geandra Rodrigues (geandrar@gmail.com) on 2018-03-27T17:53:34Z No. of bitstreams: 1 nielsonsoares.pdf: 4342256 bytes, checksum: bcb08c0e8cbff9d4ed4b60f92f7715b2 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2018-03-27T18:03:27Z (GMT) No. of bitstreams: 1 nielsonsoares.pdf: 4342256 bytes, checksum: bcb08c0e8cbff9d4ed4b60f92f7715b2 (MD5) / Made available in DSpace on 2018-03-27T18:03:27Z (GMT). No. of bitstreams: 1 nielsonsoares.pdf: 4342256 bytes, checksum: bcb08c0e8cbff9d4ed4b60f92f7715b2 (MD5) Previous issue date: 2018-02-27 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / As máquinas de chave são equipamentos eletromecânicos de grande importância em uma malha ferroviária. A ocorrência de falhas nesses equipamentos pode ocasionar interrupções das ferrovias e acarretar potenciais prejuízos econômicos. Assim, um diagnóstico precoce dessas falhas pode representar uma redução de custos e um aumento de produtividade. Essa dissertação tem como objetivo propor um modelo preditivo, baseado em técnicas de inteligência computacional, para a solução desse problema. A metodologia aplicada compreende o uso de técnicas de extração e seleção de características baseada em testes de hipóteses e modelos de aprendizado de máquina não supervisionado. O modelo proposto foi testado em uma base de dados disponibilizada por uma empresa ferroviária brasileira e se mostrou eficiente ao constatar como críticas as operações realizadas próximas à operação classificada como falha. / Railroad switch machines are important electromechanical equipment in a railway network, and the occurrence of failures in such equipment can cause railroad interruptions and lead to potential economic losses. Thus, an early diagnosis of these failures can represent a reduction of costs and an increase in productivity. This dissertation aims to propose a predictive model, based on computational intelligence techniques, to solve this problem. The applied methodology includes the use of features extraction and selection techniques based on hypothesis tests and unsupervised machine learning models. The proposed model was tested in a database made available by a Brazilian railway company and proved to be efficient when considering as critical the operations performed close to the operation classified as failure.

[pt] Esta dissertação investiga a aplicação de Redes Neurais Artificiais no reconhecimento de imagens bi-dimensionais. O trabalho de tese foi dividido em quatro partes principais: um estudo sobre a importância da Visão Computacional e sobre os benefícios da aplicação das técnicas da Inteligência Computacional na área; um estudo da estrutura dos sistemas de reconhecimento de imagens encontrados na literatura; o desenvolvimento de dois sistemas de reconhecimento de imagens baseados em redes neurais; e o estudo de caso e a análise de desempenho dos sistemas desenvolvidos. A Visão Computacional tem se beneficiado das principais técnicas de Inteligência Computacional (redes neurais, algoritmos genéticos e lógica nebulosa) na implementação de sistemas de reconhecimento de imagens. Neste trabalho estudou-se a aplicação de diversos tipos de redes neurais na classificação de imagens Back-Propagation, Competitivas, RBF e Hierárquicas. Além disso, foi realizado um estudo das áreas de aplicação da Visão Computacional. A estrutura básica utilizada por diversos sistemas de Visão Computacional encontrada na literatura foi analisada. Esta estrutura é tipicamente composta por três módulos principais: um pré-processador, um extrator de características e um classificador. Dois sistemas de reconhecimento de imagens, denominados de XVision e SimpleNet, foram desenvolvidos neste trabalho. O sistema XVision segue a estrutura descrita acima, enquanto que o sistema SimpleNet utiliza a informação da imagem bruta para realizar a classificação. O módulo de pré-processamento do sistema XVision executa uma série de transformações na imagem, extraindo suas características intrínsecas para que seja obtida uma representação da imagem invariante a aspectos como rotação, translação e escalonamento. Este Pré- Processador é baseado em um trabalho previamente realizado no campo de Processamento de Sinais. A etapa de extração de características visa detectar as informações mais relevantes contidas na representação da imagem intrínseca obtida na etapa anterior. Foram investigados extratores baseados em técnicas estatísticas (utilizando o discriminante de Fisher) e em técnicas inteligentes (utilizando algoritmos genéticos). Para o módulo de classificação das imagens foram utilizados diversos tipos de redes neurais artificiais: Back-Propagation, Competitivas, RBFs e Hierárquicas. No sistema SimpleNet, o pré-processamento limita-se à redução das dimensões da imagem a ser classificada. Como os próprios pixels da imagem são utilizados para a classificação, não foi implementado um módulo de extração de características. Na etapa de classificação foram empregadas redes neurais Back- Propagation e Competitivas. O sistema XVision apresentou resultados promissores para dois conjuntos distintos de objetos bi-dimensionais: o primeiro composto por peças mecânicas e o segundo por objetos triviais. As amostras utilizadas nos testes apresentavam características diferentes daquelas com as quais as redes neurais foram treinadas - não apenas com rotações, translações e escalonamentos, mas com diferenças estruturais. O classificador conseguiu taxas de acerto superiores a 83% em ambos os conjuntos de objetos. O sistema SimpleNet também mostrou-se eficiente na diferenciação de imagens semelhantes (cartões telefônicos e radiografias de pulmões), obtendo taxas de acerto superiores a 80%. O desenvolvimento destes sistemas demonstrou a viabilidade da aplicação de redes neurais na classificação de objetos bi- dimensionais. Devido ao grande interesse na utilização de sistemas de Visão em aplicações de tempo real, mediu-se o tempo gasto nos processos de reconhecimento. Desta forma foram detectados os garagalos dos sistemas, facilitando assim sua otimização. / [en] This work investigates the use of Artificial Neural Networks in the recognition of bi-dimensional images. The work was divided in four main parts: a survey on the importance of Computational Vision and on the benefits of the application of intelligent techniques in the fiels; a survey on the structure of image recognition systems found in the literature; the development of two image recognition systems based on neural networks; and an analysis of the performance of the developed systems. Computational Vision has benefited from the main Computational Intelligence techniques (neural networks, genetic algoritms and fuzzy logic) to implement image recognition systems. In this work, the usage of different Kinds of neural networks in image classification was studied: Back-Propagation, Competitive, RBF and Hierarchical. Besiades that, a survey on the fields of application of Computational Vision was made. The basic structure is typically composed of three modules: a pre-processor, a characteristics extractor and a classifier. In this work, two image recognition systems, called Xvision and SimpleNet, were developed. The XVision system follows the structure described above, while the SimpleNet system performs the classification using the information present in the raw picture. The pre-processing module of the Xvision system executes a series of transforms over the image, extracting its essential characteristics so that an invariant representation of the image can be obtained. This pre- processor is based on a previous work in the fiels of Signal Processing. The characteristcs extractor aims to detect the most relevant information present in the image representation obtained after the previous step. Two kinds of extractors were investigated: one based on statistical tecniques (applyng the Fisher`s discriminant) and another based on intelligent techniques (applyng genetic algorithms). The classification module was implementede through several Kinds of neural networks: Back-Propagation, Competitive, RBF and Hierarchical. The pre-processing of the SimpleNet system simply reduces the image`s dimensions. Since the image`s pixels are used for the classification process, no characteristics extractor module was implemented. In the classification module, Back-Propagation and Competitive neural networks were employed. The Xvision system yielded promising results for two sets of objects: the first one composed of mechanical parts and the second one composed of trivial objects. The samples used during the tests presented different characteristics from those samples used during the training process - not only rotated, translated and scaled, but also with structural differences. The classifier obtained a hit ratio above 83% with both sets. The SimpleNet system also showed a good performance in the differentiation of similar objects (telephone cards and X-rays of lungs), achieving hit ratios of more than 80%. The development of both systems demonstrated the viability of the use of neural networks in the classification of bi- dimensional objects. Due to the interest of applying Vision systems in real-time, the time spent in the recognition process was measured. This allowed the detection of the systems` bottlenecks, making their optimization easier.

M. Ing. / Fault detection tools have gained popularity in recent years due to the increasing need for reliable and predictable equipments. Transformer bushings account for the majority of transformer faults. Hence, to uphold the integrity of the power transmission and dis- tribution system, a tool to detect and identify faults in their developing stage is necessary in transformer bushings. Among the numerous tools for bushings monitoring, dissolved gas analysis (DGA) is the most commonly used. The advances in DGA and data storage capabilities have resulted in large amount of data and ultimately, the data analysis crisis. Consequent to that, computational intelligence methods have advanced to deal with this data analysis problem and help in the decision-making process. Numerous computational intelligence approaches have been proposed for bushing fault detection. Most of these approaches focus on the accuracy of prediction and not much research has been allocated to investigate the interpretability of the decisions derived from these systems. This work proposes a rough set theory (RST) model for bushing fault detection based on DGA data analyzed using the IEEEc57.104 and the IEC 60599 standards. RST is a rule-based technique suitable for analyzing vague, uncertain and imprecise data. RST extracts rules from the data to model the system. These rules are used for prediction and interpreting the decision process. The lesser the number of rules, the easier it is to interpret the model. The performance of the RST is dependent on the discretization technique employed. An equal frequency bin (EFB), Boolean reasoning (BR) and entropy partition (EP) are used to develop an RST model. The model trained using EFB data performs better than the models trained using BR and EP. The accuracy achieved is 96.4%, 96.0% and 91.3% for EFB, BR and EP respectively. This work also pro poses an ant colony optimization (ACO) for discretization. A model created using ACO discretized achieved an accuracy of 96.1%, which is compatible with the three methods above. When considering the overall performance, the ACO is a better discretization tool since it produces an accurate model with the least number of rules. The rough set tool proposed in this work is benchmarked against a multi-layer perceptron (MLP) and radial basis function (RBF) neural networks. Results prove that RST modeling for bushing is equally as capable as the MLP and better than RBF. The RST, MLP and RBF are used in an ensemble of classifiers. The ensemble performs better than the standalone models.

[pt] Esta tese investiga a Nanotecnologia Computacional Inteligente, isto é, o apoio de técnicas de Inteligência Computacional (IC) nos desafios enfrentados pela Nanociência e Nanotecnologia. Por exemplo, utilizam-se as Redes Neurais para construir sistemas de inferência capazes de relacionar um conjunto de parâmetros de entrada com as características finais das nanoestruturas, permitindo aos pesquisadores prever o comportamento de outras nanoestruturas ainda não realizadas experimentalmente. A partir dos sistemas de inferência, Algoritmos Genéticos são então empregados com o intuito de encontrar o conjunto ótimo de parâmetros de entrada para a síntese (projeto) de uma nanoestrutura desejada. Numa outra linha de investigação, os Algoritmos Genéticos são usados para a otimização de parâmetros de funções de base para cálculos ab initio. Neste caso, são otimizados os expoentes das funções gaussianas que compõem as funções de base. Em outra abordagem, os Algoritmos Genéticos são aplicados na otimização de agregados atômicos e moleculares, permitindo aos pesquisadores estudar teoricamente os agregados formados experimentalmente. Por fim, o uso destes algoritmos, aliado ao uso de simuladores, é aplicado na síntese automática de OLEDs e circuitos de Autômatos Celulares com Pontos Quânticos (QCA). Esta pesquisa revelou o potencial da IC em aplicações inovadoras. Os sistemas híbridos de otimização e inferência, por exemplo, concebidos para prever a altura, a densidade e o desvio padrão de pontos quânticos auto-organizáveis, apresentam altos níveis de correlação com os resultados experimentais e baixos erros percentuais (inferior a 10%). O módulo de elasticidade de nanocompósitos também é previsto por um sistema semelhante e apresenta erros percentuais ainda menores, entorno de 4%. Os Algoritmos Genéticos, juntamente com o software de modelagem molecular Gaussian03, otimizam os parâmetros de funções que geram expoentes de primitivas gaussianas de funções de base para cálculos hartree-fock, obtendo energias menores do que aquelas apresentadas nas referencias. Em outra aplicação, os Algoritmos Genéticos também se mostram eficientes na busca pelas geometrias de baixa energia dos agregados atômicos de (LiF)nLi+, (LiF)n e (LiF)nF-, obtendo uma série de novos isômeros ainda não propostos na literatura. Uma metodologia semelhante é aplicada em um sistema inédito para entender a formação de agregados moleculares de H2O iônicos, partindo-se de agregados neutros. Os resultados mostram como os agregados podem ser obtidos a partir de diferentes perspectivas, formando estruturas ainda não investigadas na área científica. Este trabalho também apresenta a síntese automática de circuitos de QCA robustos. Os circuitos obtidos apresentam grau de polarização semelhante àqueles propostos pelos especialistas, mas com uma importante redução na quantidade de células. Por fim, um sistema envolvendo Algoritmos Genéticos e um modelo analítico de OLEDs multicamadas otimizam as concentrações de materiais orgânicos em cada camada com o intuito de obter dispositivos mais eficientes. Os resultados revelam um dispositivo 9,7% melhor que a solução encontrada na literatura, sendo estes resultados comprovados experimentalmente. Em resumo, os resultados da pesquisa permitem constatar que a inédita integração das técnicas de Inteligência Computacional com Nanotecnologia Computacional, aqui denominada Nanotecnologia Computacional Inteligente, desponta como uma promissora alternativa para acelerar as pesquisas em Nanociência e o desenvolvimento de aplicações nanotecnológicas. / [en] This thesis investigates the Intelligent Computational Nanotechnology, that is, the support of Computational Intelligence (CI) techniques in the challenges faced by the Nanoscience and Nanotechnology. For example, Neural Networks are used for build Inference systems able to relate a set of input parameters with the final characteristics of the nanostructures, allowing the researchers foresees the behavior of other nanostructures not yet realized experimentally. From the inference systems, Genetic Algorithms are then employees with the intention of find the best set of input parameters for the synthesis (project) of a desired nanostructure. In another line of inquiry, the Genetic Algorithms are used for the base functions optimization used in ab initio calculations. In that case, the exponents of the Gaussian functions that compose the base functions are optimized. In another approach, the Genetic Algorithms are applied in the optimization of molecular and atomic clusters, allowing the researchers to theoretically study the experimentally formed clusters. Finally, the use of these algorithms, use together with simulators, is applied in the automatic synthesis of OLEDs and circuits of Quantum Dots Cellular Automata (QCA). This research revealed the potential of the CI in innovative applications. The hybrid systems of optimization and inference, for example, conceived to foresee the height, the density and the height deviation of self-assembled quantum dots, present high levels of correlation with the experimental results and low percentage errors (lower to 10%). The Young’s module of nanocomposites is also predicted by a similar system and presents percentage errors even smaller, around 4%. The Genetic Algorithms, jointly with the package of molecular modeling Gaussian03, optimize the parameters of functions that generate exponents of primitive Gaussian functions of base sets for hartree-fock calculations, obtaining smaller energies than those presented in the literature. In another application, the Genetic Algorithms are also efficient in the search by the low energy geometries of the atomic clusters of (LiF) nLi +, (LiF) n and (LiF) nF-, obtaining a set of new isomers yet not propose in the literature. A similar methodology is applied in an unpublished system for understand the formation of molecular cluster of ionic H2O from neutral clusters. The results show how the clusters can be obtained from different perspectives, forming structures not yet investigate in the scientific area. This work also presents the automatic synthesis of robust QCA circuits. The circuits obtained present high polarization, similar to those proposed by the specialists, but with an important reduction in the quantity of cells. Finally, a system involving Genetic Algorithms and an analytic model of multilayer OLEDs optimize the concentrations of organic material in each layer in order to obtain more efficient devices. The results reveal a device 9.7% better that the solution found in the literature, being these results verified experimentally. In summary, the results of the proposed research allow observe that the unpublished integration of the techniques of Computational Intelligence with Computational Nanotechnology, here named Intelligent Computational Nanotechnology, emerges as a promising alternative for accelerate the researches in Nanoscince and the development of application in Nanotechnology.

[pt] Materiais compósitos são a base de muitos produtos, devido à sua capacidade de aperfeiçoar certas propriedades. Recentemente, a utilização de nanocargas na fabricação de compósitos vem sendo amplamente estudada, pois a partir de concentrações baixas de nanocargas, as propriedades começam a melhorar, possibilitando a criação de materiais leves e com uma grande gama de propriedades. Uma das propriedades mecânicas mais estudadas é o módulo de Young, que mensura a rigidez de um material. Alguns dos modelos existentes para essa propriedade em nanocompósitos pecam na precisão ou são limitados em função da fração máxima de nanopartículas admissível no modelo. Outros se adequam apenas a uma determinada combina ção de matriz/carga preestabelecida. O objetivo deste trabalho é utilizar Redes Neurais Artificiais como um aproximador capaz de modelar tal propriedade para diversas matrizes/cargas, levando em consideração suas características, sem perder a precisão. A validação do aproximador é realizada comparando o resultado com outros modelos propostos na literatura. Uma vez validada, utiliza-se Algoritmos Genéticos em conjunto com tal rede para definir qual seria a configuração ideal para três casos de estudo: um que maximize o valor do módulo de Young, outro que maximize o módulo relativo e um terceiro que maximize o módulo relativo e minimize a quantidade de carga utilizada, diminuindo os custos de projeto. As técnicas de Inteligência Computacional empregadas na modelagem e síntese de materiais nanoestruturados se mostraram boas ferramentas, uma vez que geraram uma boa aproximação dos dados utilizados com erros inferiores a 5%, além de possibilitarem a determinação dos parâmetros de síntese de um material com o módulo de Young desejado. / [en] Composite materials became very popular due to its improvements on certain properties achieved from the mixture of two different components. Recently, the use of nanofillers in the manufacture of composites has been widely studied due to the improvement of properties at low concentrations of nanofillers, enabling the creation of lightweight materials. Some of the existing models for the Young modulus of the nanocomposites have low accuracy or are limited in terms of the maximum filler fraction possible. Others are appropriate only for a given combination of matrix and filler. The objective of this work is to use Artificial Neural Networks as a function approximation method capable of modeling such property for various matrix/nanofillers, taking into account their characteristics, without losing accuracy. The validation of this approximator is performed comparing its results with other models proposed in the literature. Once validated, a Genetic Algorithm is used with the Neural Network to define which would be the ideal setting for three case studies: one that maximizes the value of composite’s Young’s modulus, other that maximizes the relative modulus and a third one that maximizes the relative modulus and minimizes the amount of load used, reducing the cost of project. Computational Intelligence techniques employed on the modeling and synthesis of nanostructured materials proved to be adequate tools, since it generated a good approximation of the data with errors lower than 5%, and determined the material’s parameters for synthesis with the desired Young’s modulus.

Games have been investigated as computationally complex problems since the inception of artificial intelligence in the 1950’s. Originally, search-based techniques were applied to create a competent (and sometimes even expert) game player. The search-based techniques, such as game trees, made use of human-defined knowledge to evaluate the current game state and recommend the best move to make next. Recent research has shown that neural networks can be evolved as game state evaluators, thereby removing the human intelligence factor completely. This study builds on the initial research that made use of evolutionary programming to evolve neural networks in the game learning domain. Particle Swarm Optimisation (PSO) is applied inside a coevolutionary training environment to evolve the weights of the neural network. The training technique is applied to both the zero sum and non-zero sum game domains, with specific application to Tic-Tac-Toe, Checkers and the Iterated Prisoners Dilemma (IPD). The influence of the various PSO parameters on playing performance are experimentally examined, and the overall performance of three different neighbourhood information sharing structures compared. A new coevolutionary scoring scheme and particle dispersement operator are defined, inspired by Formula One Grand Prix racing. Finally, the PSO is applied in three novel ways to evolve strategies for the IPD – the first application of its kind in the PSO field. The PSO-based coevolutionary learning technique described and examined in this study shows promise in evolving intelligent evaluators for the aforementioned games, and further study will be conducted to analyse its scalability to larger search spaces and games of varying complexity. / Dissertation (MSc)--University of Pretoria, 2005. / Computer Science / unrestricted