Dados reais apontam um expressivo aumento do consumo de combustível no Brasil e no mundo, além de um crescimento acelerado da população urbana. Ambos os processos vem ocorrendo sem um controle adequado no país e, como conseqüência, têm surgido grandes deseconomias urbanas, tais como: congestionamentos, poluição ambiental, consumo exagerado de combustíveis e uso inadequado do espaço viário. Neste contexto, quaisquer iniciativas no intuito de frear estas deseconomias são relevantes e oportunas, tanto que pesquisas nacionais e internacionais vêm sendo realizadas buscando entender melhor os fatores que mais interferem na energia gasta com transportes. O objetivo deste trabalho é investigar a relação entre o consumo de energia com transportes e algumas variáveis espaciais e sócio-econômicas dos municípios do estado de São Paulo com população superior a 50 mil habitantes. A caracterização dos padrões de forma das áreas urbanizadas foi viabilizada graças aos recursos de um Sistema de Informações Geográficas, que possibilitaram determinar com relativa precisão as variáveis espaciais das manchas urbanas a partir de imagens de satélite georeferenciadas. Uma vez levantados todos os dados possíveis, procedeu-se a uma análise através do emprego de Redes Neurais Artificiais, ferramenta que possibilita identificar e classificar as variáveis de acordo com suas importâncias relativas no consumo de energia, que é a variável dependente do modelo. Os resultados encontrados para as cidades paulistas pesquisadas confirmam a tendência internacional, sobretudo no que concerne à grande relevância da densidade populacional urbana, juntamente com outras características sócio-econômicas, sobre o consumo de energia com transportes. Variáveis como a população urbana, a densidade populacional e o nível de empregos no comércio revelaram-se como as de maior importância relativa no contexto analisado. / The world has been experiencing in recent years an unprecedented increase in the amount of fuel consumed for transportation purposes, in addition to a fast growth of the urban population. Those conditions were also found in Brazil, where they have produced several problems for urban areas, such as: traffic congestion, environmental pollution, high fuel consumption, and an improper use of the urban space. In such a context, any attempt to reduce those problems and their consequences is relevant and opportune. That is the reason why a considerable research effort is being directed to the issue at both national and international levels, in order to better understand the factors that most significantly contribute for the high levels of energy use for transportation.The aim of this work is to investigate the relationship between energy consumption for transportation and a few selected variables related to urban form and socioeconomic characteristics of urbanized areas with more then 50,000 inhabitants located in the state of São Paulo. The boundaries of the urbanized areas were obtained from satellite images georeferenced in a Geographic Information System environment, which also offered the tools for the analysis of some spatial attributes. After the spatial and socioeconomic data were combined in a single database, they were then analyzed using Artificial Neural Network models, in order to identify variables that are relevant to energy consumption for transportation, along with their relative weights.The results found with the Brazilian cities selected for the current study confirmed the trend observed in several countries worldwide, in which urban density played an important role influencing energy use for transportation. In the case studied here, other relevant input variables that considerably influenced the energy consumed for transportation were population and employment level.

Trabalho de investigação desenvolvido na Universidade Regional de Blumenau / Tese de mestrado integrado. Engenharia Electrotécnica e de Computadores. Faculdade de Engenharia. Universidade do Porto. 2012

Tese de mestrado integrado. Engenharia Eletrotécnica e de Computadores - Major Energia. Faculdade de Engenharia. Universidade do Porto. 2012

Dissertação apresentada para obtenção do grau de Mestre em Construções de edifícios, na Faculdade de Engenharia da Universidade do Porto, sob a orientação da Professora Doutora Maria Helena Corvacho

Tese de mestrado integrado. Engenharia Electrotécnica e de Computadores (Automação). Universidade do Porto. Faculdade de Engenharia. 2011

Dissertação apresentada para obtenção do grau de Mestre em Engenharia Electrotécnica e de Computadores, na Faculdade de Engenharia da Universidade do Porto, sob a orientação do Professor Doutor Joaquim Borges Gouveia

Tese de mestrado integrado. Engenharia Mecânica. Faculdade de Engenharia. Universidade do Porto. 2010

Dissertação apresentada para obtenção do grau de Doutor, na Faculdade de Engenharia da Universidade do Porto, sob a orientação dos Professores Vladimiro Miranda e Maria Teresa Ponce de Leão

[pt] Nesta dissertação é apresentado e discutido um modelo hierárquico para dados de medições repetidas. Trata-se de um modelo de dois níveis em que o primeiro nível considera- se as ocasiões e no segundo as medições realizadas da variável de interesse. Os modelos hierárquicos propostos foram testados utilizando-se dados reais do sistema da educação básica do Brasil - SAED/95, para mostrar os modelos hierárquicos simples, e dados de consumo de energia elétrica da área de concessão da LIGHT no Estado do Rio de Janeiro para os modelos de medidas repetidas. / [en] In this dissertation, it was developed a multilevel approach to diagnose hierarchical linear models for repeated measures data. Since these models include multiple source of error, it defined several different types of residuals. The models are a 2-level hierarchy, i.e. that of measurements nested within subject where in the first level it was considered the number of occasions and in the second level the measures of the interested variable. Among other things, the hierarchical linear models were analysed using real data of the Brazilian Basic Education System (SAEB/95) in order to illustrate simple hierarchical models. In the multilevel structures it was used repeated measures of energy consumption data from LIGHT, one of the Electrical Energy Utilities of Rio de Janeiro state.

Energy conservation is a main concern in Wireless Sensor Networks (WSN). To reduce energy consumption it is important to know how it is spent and how much is available during the node and network operation. Several previous works have proposed energy consumption models focused on the communication module, while neglecting the processing and sensing activities. Other works presented more complex and complete models, but lacked experiments to demonstrate their accuracy in real deployments. The main objective of this work is to design and to evaluate an accurate energy consumption model for WSN, which considers the sensing, processing, and communication modules usage. This model was used to implement two energy consumption prediction mechanism. One mechanism is based in Markov chains and the other one is based in time series analysis. The metrics to evaluate the model and prediction mechanisms performance were: energy consumption estimation accuracy, energy consumption prediction accuracy, and node\'s communication and processing resources usage. The energy consumption prediction mechanisms performance was compared using two implementation schemes: running the prediction algorithm in the sensor node and running the prediction algorithm in a Software-Defined Networking controller. The implementation was conducted using IT-SDN, a Software-Defined Wireless Sensor Network framework. For the evaluation, simulation and emulation used COOJA, while testbed experiments used TelosB devices. Results showed that considering the sensing, processing, and communication energy consumption into the model, it is possible to obtain an accurate energy consumption estimation for Wireless Sensor Networks. Also, the use of a Software-Defined Networking controller for processing complex prediction algorithms can improve the prediction accuracy. / A conservação da energia é uma das principais preocupações nas Redes de Sensores Sem Fio (WSN, do inglês Wireless Sensor Networks). Para reduzir o consumo de energia, é importante saber como a energia é gasta e quanta energia há disponível durante o funcionamento da rede. Diversos trabalhos anteriores propuseram modelos de consumo de energia focados no módulo de comunicação, ignorando o consumo por tarefas de processamento e sensoriamento. Outros trabalhos apresentam modelos mais completos e complexos, mas carecem de experimentos que demonstrem a exatidão em dispositivos reais. O objetivo principal deste trabalho é projetar e avaliar um modelo de consumo de energia para WSN que considere o consumo por sensoriamento, processamento e comunicação. Este modelo foi utilizado para implementar dois mecanismos de previsão de consumo de energia, um deles baseado em cadeias de Markov e o outro baseado em séries temporais. As métricas para avaliar o desempenho do modelo e dos mecanismos de previsão de consumo de energia foram: exatidão da estimativa de consumo de energia, exatidão da previsão de consumo de energia e uso dos recursos de comunicação e processamento do nó. O desempenho dos mecanismos de previsão de consumo de energia foram comparados utilizando dois esquemas de implementação: rodando o algoritmo de previsão no nó sensor e rodando o algoritmo de previsão em um controlador de rede definida por software. A implementação foi conduzida utilizando IT-SDN, um arcabouço de desenvolvimento de redes de sensores sem fio definidas por software. A avaliação foi feita com simulações e emulações utilizando o simulador COOJA e ensaios com dispositivos reais utilizando o TelosB. Os resultados mostraram que considerando o consumo de energia por sensoriamento, processamento e communicação, é possivel fazer uma estimativa de consumo de energia em redes de sensores sem fio com uma boa exatidão. Ainda, o uso de um controlador de rede definida por software para processamento de algoritmos de previsão complexos pode aumentar a exatidão da previsão.