Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2016-06-23T19:59:24Z No. of bitstreams: 1 FernandaMariaDeOliveira_DISSERT.pdf: 5023454 bytes, checksum: ad313de2391d707658adc05fbcb2a8e0 (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2016-06-27T19:42:35Z (GMT) No. of bitstreams: 1 FernandaMariaDeOliveira_DISSERT.pdf: 5023454 bytes, checksum: ad313de2391d707658adc05fbcb2a8e0 (MD5) / Made available in DSpace on 2016-06-27T19:42:35Z (GMT). No. of bitstreams: 1 FernandaMariaDeOliveira_DISSERT.pdf: 5023454 bytes, checksum: ad313de2391d707658adc05fbcb2a8e0 (MD5) Previous issue date: 2014-07-31 / No Brasil, o controle da qualidade do ?leo Diesel comercializado ? realizado por monitoramento de propriedades f?sico-qu?micas, caracter?sticas do combust?vel atrav?s das Resolu??es ANP n? 65 de 09 de dezembro de 2011 e n? 45 de 20 de dezembro de 2012, que determinam os limites de especifica??o para cada par?metro e as metodologias de an?lise que devem ser adotados. No entanto, esses m?todos, apesar de bastante consolidados, possuem alguns inconvenientes t?cnicos, que levaram ao estudo de m?todos alternativos mais r?pidos e de menor custo. Este trabalho realizou uma avalia??o da aplicabilidade de equa??es matem?ticas dispon?veis na literatura e de Redes Neurais Artificiais (RNAs), na determina??o de par?metros de especifica??o do ?leo diesel. Foi realizado um levantamento bibliogr?fico das principais correla??es adequadas para a determina??o de propriedades do diesel, as quais foram aplicadas para obten??o do ponto de fulgor e do ?ndice de cetano, al?m da aplica??o, de forma mais resumida, para predizer propriedades do petr?leo. Para este estudo, foram utilizadas 162 amostras de diesel, com teores m?ximo de enxofre, 50 ppm, 500 ppm e 1800 ppm, que foram analisadas, em laborat?rio especializado, por meio de metodologias ASTM normatizadas pela ANP, com um total de 810 ensaios. Resultados experimentais das amostras de diesel, destila??o atmosf?rica, ASTM D86, e massa espec?fica, ASTM D4052, foram utilizados como vari?veis b?sicas de entrada para as equa??es avaliadas. As RNAs foram avaliadas para a predi??o do ponto de fulgor, ?ndice de cetano e teores de enxofre (S50, S500, S1800) e, nesta parte do trabalho foram testados dois tipos de arquiteturas de rede, feed-forward backpropagation e generalized regression, variando os par?metros da matriz de entrada de forma a determinar o grupo de vari?veis e melhor tipo de rede para predi??o das vari?veis de interesse. Os resultados obtidos pelas equa??es e pelas RNAs foram comparados com resultados experimentais obtidos por metodologias padr?o, utilizando o teste n?o param?trico de Mann-Whitney e test t de student, ao n?vel de signific?ncia de 5%, assim como pelo coeficiente de determina??o e erro percentual. Os resultados obtidos pela equa??o aplicada para o ponto de fulgor apresentou um erro de 27, 6 %, contudo observou-se uma tend?ncia um tanto similar aos resultados padr?o. O ?ndice de cetano foi obtido por tr?s equa??es, e ambas apresentaram bons coeficientes de correla??o, com destaque para equa??o baseada no ponto de anilina, que apresentou o menor erro de 0,8 %. As equa??es aplicadas ao petr?leo foram trabalhadas de forma a identificar perspectivas de trabalhos futuros, que se mostram bastante promissores. As RNAs para predi??o do ponto de fulgor e do ?ndice de cetano mostraram resultados bastante superiores ao observados com as equa??es matem?ticas, com erros respectivamente de 2,5% e 0,2%. Para os teores de enxofre S50, S500, e S1800, as RNAs constru?das utilizando como dados de entrada a destila??o D86 (T10, T50, T85 e T90), Massa Espec?fica, ?ndice de Cetano e Ponto de Fulgor apresentaram os melhores resultados. Dentre os teores de enxofre as RNAs conseguiram melhor predizer o S1800, e o erro obtido a partir dos resultados das RNAs aumentou com a diminui??o do teor de enxofre. De um modo geral, as redes do tipo feed-forward mostraram-se superiores as generalized regression. / Diesel fuel is one of leading petroleum products marketed in Brazil, and has its quality monitored by specialized laboratories linked to the National Agency of Petroleum, Natural Gas and Biofuels - ANP. The main trial evaluating physicochemical properties of diesel are listed in the resolutions ANP N? 65 of December 9th, 2011 and N? 45 of December 20th, 2012 that determine the specification limits for each parameter and methodologies of analysis that should be adopted. However the methods used although quite consolidated, require dedicated equipment with high cost of acquisition and maintenance, as well as technical expertise for completion of these trials. Studies for development of more rapid alternative methods and lower cost have been the focus of many researchers. In this same perspective, this work conducted an assessment of the applicability of existing specialized literature on mathematical equations and artificial neural networks (ANN) for the determination of parameters of specification diesel fuel. 162 samples of diesel with a maximum sulfur content of 50, 500 and 1800 ppm, which were analyzed in a specialized laboratory using ASTM methods recommended by the ANP, with a total of 810 trials were used for this study. Experimental results atmospheric distillation (ASTM D86), and density (ASTM D4052) of diesel samples were used as basic input variables to the equations evaluated. The RNAs were applied to predict the flash point, cetane number and sulfur content (S50, S500, S1800), in which were tested network architectures feed-forward backpropagation and generalized regression varying the parameters of the matrix input in order to determine the set of variables and the best type of network for the prediction of variables of interest. The results obtained by the equations and RNAs were compared with experimental results using the nonparametric Wilcoxon test and Student's t test, at a significance level of 5%, as well as the coefficient of determination and percentage error, an error which was obtained 27, 61% for the flash point using a specific equation. The cetane number was obtained by three equations, and both showed good correlation coefficients, especially equation based on aniline point, with the lowest error of 0,816%. ANNs for predicting the flash point and the index cetane showed quite superior results to those observed with the mathematical equations, respectively, with errors of 2,55% and 0,23%. Among the samples with different sulfur contents, the RNAs were better able to predict the S1800 with error of 1,557%. Generally, networks of the type feedforward proved superior to generalized regression.

Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2016-08-09T22:51:25Z No. of bitstreams: 1 CarlosAlbertoDeAlbuquerqueSilva_TESE.pdf: 4568486 bytes, checksum: 5ddf18d55603ffd49ea2899025e1615f (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2016-08-10T23:15:49Z (GMT) No. of bitstreams: 1 CarlosAlbertoDeAlbuquerqueSilva_TESE.pdf: 4568486 bytes, checksum: 5ddf18d55603ffd49ea2899025e1615f (MD5) / Made available in DSpace on 2016-08-10T23:15:49Z (GMT). No. of bitstreams: 1 CarlosAlbertoDeAlbuquerqueSilva_TESE.pdf: 4568486 bytes, checksum: 5ddf18d55603ffd49ea2899025e1615f (MD5) Previous issue date: 2015-09-04 / Ag?ncia Nacional do Petr?leo - ANP / As Redes Neurais Artificiais (RNAs), que constituem uma das ramifica??es da Intelig?ncia Artificial (IA), est?o sendo empregadas como solu??o para v?rios problemas complexos, existentes nas mais diversas ?reas. Para a solu??o destes problemas torna-se indispens?vel que sua implementa??o seja feita em hardware. Em meio as estrat?gias a serem adotadas e satisfeitas durante a fase de projeto e implementa??o das RNAs em hardware, as conex?es entre os neur?nios s?o as que necessitam de maior aten??o. Recentemente, encontram-se RNAs implementadas tanto em circuitos integrados de aplica??o espec?fica (Application Specific Integrated Circuits - ASIC) quanto em circuitos integrados, configurados pelo usu?rio, a exemplo dos Field Programmable Gate Array (FPGAs), que possuem a capacidade de serem reconfigurados parcialmente, em tempo de execu??o, formando, portanto, um Sistema Parcialmente Reconfigur?vel (SPR), cujo emprego proporciona diversas vantagens, tais como: flexibilidade na implementa??o e redu??o de custos. Tem-se observado um aumento considerado no uso destes dispositivos para a implementa??o de RNAs. Diante do exposto, prop?e-se a implementa??o de uma matriz de neur?nios dinamicamente reconfigur?vel no FPGA Virtex 6 da Xilinx, descrita em linguagem de hardware e que possa absorver projetos baseados em plataforma de sistemas embarcados, dedicados ao controle distribu?do de equipamentos normalmente utilizados na ind?stria. Prop?e-se ainda, que a configura??o das topologias das RNAs que possam vir a ser formadas, seja realizada via software. / The Artificial Neural Networks (ANN), which is one of the branches of Artificial Intelligence (AI), are being employed as a solution to many complex problems existing in several areas. To solve these problems, it is essential that its implementation is done in hardware. Among the strategies to be adopted and met during the design phase and implementation of RNAs in hardware, connections between neurons are the ones that need more attention. Recently, are RNAs implemented both in application specific integrated circuits's (Application Specific Integrated Circuits - ASIC) and in integrated circuits configured by the user, like the Field Programmable Gate Array (FPGA), which have the ability to be partially rewritten, at runtime, forming thus a system Partially Reconfigurable (SPR), the use of which provides several advantages, such as flexibility in implementation and cost reduction. It has been noted a considerable increase in the use of FPGAs for implementing ANNs. Given the above, it is proposed to implement an array of reconfigurable neurons for topologies Description of artificial neural network multilayer perceptrons (MLPs) in FPGA, in order to encourage feedback and reuse of neural processors (perceptrons) used in the same area of the circuit. It is further proposed, a communication network capable of performing the reuse of artificial neurons. The architecture of the proposed system will configure various topologies MLPs networks through partial reconfiguration of the FPGA. To allow this flexibility RNAs settings, a set of digital components (datapath), and a controller were developed to execute instructions that define each topology for MLP neural network.

Este trabalho apresenta um estudo sobre a aplicação de técnicas de aprendizagem de máquina na análise do processo ingestivo de ruminantes, contemplando as etapas de preparação e classificação dos dados. O estudo desenvolvido resultou no desenvolvimento de um sistema utilizado para classificar de maneira automatizada diferentes eventos realizados por ruminantes durante a ingestão de alimentos e também alimentos consumidos pelos animais. Classificar padrões no comportamento ingestivo de ruminantes serve como base para estudos relacionados à nutrição animal bem como a identificação de dados relacionados a saúde animal. Neste trabalho, o conhecimento é obtido por meio da classificação de padrões usando redes neurais artificiais e árvores de decisão. Os dados foram coletados usando sensores a fibra ótica baseados em redes de Bragg (FBG), fixados na mandíbula do animal sob estudo. Foram realizados ensaios in vitro, com base em uma mandíbula cadavérica de um caprino, bem como ensaios in vivo para análise do processo mastigatório de um bovino da espécie Bos taurus. Diferentes tipos de materiais e plantas forrageiras foram usados para medir forças biomecânicas envolvidas no processo de mastigação do alimento. Os dados obtidos nos ensaios são pré-processados e utilizados para o treinamento dos algoritmos de aprendizagem de máquina. Resultados experimentais mostram que é possível classificar diferentes forrageiras e eventos envolvidos no processo ingestivo de ruminantes, contribuindo para melhoria da eficiência da atual metodologia de avaliação de consumo animal. / In this work, a system to automate the classification of chewing patterns of ruminants is developed. Pattern classification of ingestive behavior in grazing animals has extreme importance in studies related to animal nutrition, growing and health. The proposal is based on data collected by optical fiber Bragg grating sensors (FBG). The collected data are processed by machine learning techniques. The FBG sensors measure the biomechanical strain during jaw movements. In vitro tests were performed based on a cadaveric mandible of a goat and in vivo tests were performed by monitoring the food intake process of a steer. For the pattern classification a classic model of decision tree and artificial neural network were used. Experimental results show that the proposed approaches for pattern classification have been capable to differentiate the materials and events involved in the chewing process. Experimental results show that it is possible to classify different forage and events involved in the ingestive behaviour of ruminants, that contributes to improving the current methodology for monitoring the animal consumption efficiency.

Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2017-08-01T14:05:21Z No. of bitstreams: 1 RenanPiresDeAraujo_DISSERT.pdf: 4838615 bytes, checksum: 6a4a4de336f3ed012ff9d79a80113a5c (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2017-08-07T15:40:48Z (GMT) No. of bitstreams: 1 RenanPiresDeAraujo_DISSERT.pdf: 4838615 bytes, checksum: 6a4a4de336f3ed012ff9d79a80113a5c (MD5) / Made available in DSpace on 2017-08-07T15:40:48Z (GMT). No. of bitstreams: 1 RenanPiresDeAraujo_DISSERT.pdf: 4838615 bytes, checksum: 6a4a4de336f3ed012ff9d79a80113a5c (MD5) Previous issue date: 2017-06-22 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior (CAPES) / A passagem de um PIG ? uma t?cnica bastante empregada na inspe??o de dutos de longo comprimento e principalmente enterrados, valendo-se do diferencial de press?o sobre o mesmo para impulsion?-lo. Por?m, durante a inspe??o, um dos problemas que pode ocorrer ? a parada do PIG por causa de incrusta??es severas ou defeitos de fabrica??o/instala??o dos dutos, fazendo com que o instrumento pare e sua posterior libera??o com altas velocidades devido ao ac?mulo de press?o ? montante. Este trabalho prop?e o uso de redes neurais artificiais a fim de modelar a rela??o entre o diferencial de press?o sobre o PIG e sua velocidade durante o seu trajeto no interior do duto. Para tanto, foi empregado um sistema supervis?rio para a captura dos dados de press?o ao longo da tubula??o de teste e um od?metro acoplado ao PIG para a dos dados de velocidade. Foram considerados dois modelos de redes neurais artificiais, no caso a rede MLP e a rede NARX, sendo esta ?ltima uma rede recursiva. Os resultados de treinamento e valida??o mostraram que os modelos por redes neurais artificiais foram eficientes para estimar a velocidade do PIG. / The passage of a PIG is a technique quite used in inspection of big length and principally buried pipes using the pressure differential on it to impulse itself. But, during the inspection, one of the problems that may occur is the stop of the PIG because of severe incrustations or fabrication/installation defects of the pipes, doing the halt of the instrument and its posterior release with high velocities due to the accumulate of pressure at back part. This work purpose the use of neural networks in order to model the relation between the differential pressure on the PIG and its velocity during your path in the tube. Therefore, it was used a supervisory system to capture the pressure data along the test pipe and an odometer coupled to the PIG for the velocity data. It was considered two neural network models, in the case the MLP and NARX networks, the latter being a recurrent network. The training and validation results showed that the models by neural networks were efficient to estimate the velocity of the PIG.

A presente dissertação trata da estipulação de limite de crédito para empresas clientes, de modo automático, com o uso de técnicas de Inteligência Computacional, especificamente redes neurais artificiais (RNA). Na análise de crédito as duas situações mais críticas são a liberação do crédito, de acordo com o perfil do cliente, e a manutenção deste limite ao longo do tempo de acordo com o histórico do cliente. O objeto desta dissertação visa a automação da estipulação do limite de crédito, implementando uma RNA que possa aprender com situações já ocorridas com outros clientes de perfil parecido e que seja capaz de tomar decisões baseando-se na política de crédito apreendida com um Analista de Crédito. O objetivo é tornar o sistema de crédito mais seguro para o credor, pois uma análise correta de crédito de um cliente reduz consideravelmente os índices de inadimplência e mantém as vendas num patamar ótimo. Para essa análise, utilizouse a linguagem de programação VB.Net para o sistema de cadastro e se utilizou do MatLab para treinamento das RNAs. A dissertação apresenta um estudo de caso, onde mostra a forma de aplicação deste software para a análise de crédito. Os resultados obtidos aplicando-se as técnicas de RNAs foram satisfatórias indicando um caminho eficiente para a determinação do limite de crédito. / This research deals with the credit limit stipulation for corporate clients, automatically, with the use of Computational Intelligence techniques, specifically artificial neural networks (ANN). In the analysis of credit, the two most critical situations are release of credit, according to the customer profile, and maintain the credit according to the customer history. The object of this work aims at automating the stipulated credit limit at the time of initial registration of the customer. The main focus of this work is to make an ANN can provide the credit limit, learning from situations that have occurred with other clients of similar profile and is able to make decisions based on the credit policy seized with a Credit Analyst. The goal is to make the system more secure credit to the lender, for a correct analysis of the creditworthiness of a customer drops considerably default rates and maintains a sales plateau great. For this analysis, we used the VB.Net programming language for the registration system of MatLab and was used for training ANNs. The paper presents a case study, which shows how to apply this software to credit analysis. The results obtained applying the techniques ANNs were satisfactory showing an efficient way to determine the credit limit.

A Escherichia coli patogênica aviária (APEC), pertence à família Enterobacteriacea, é responsável por vários processos patológicos nas aves, atuando como agente primário ou secundário na aerossaculite, pericardite, perihepatite, peritonite, salpingite, onfalite, celulite, entre outros. O presente estudo aborda a resistência a antimicrobianos de amostras de E. coli (APEC) de uma forma inovadora, utilizando como ferramenta as redes neurais artificiais, metodologia inserida na linha de pesquisa do CDPA (Centro de Diagnóstico e Pesquisa em Patologia Aviária). A utilização de inteligência artificial, especificamente, as redes neurais artificiais (RNAs), está sendo crescentemente empregada como ferramenta para a análise de dados não lineares e multivariados, característica comum em fenômenos biológicos. O objetivo do presente trabalho foi demonstrar que é possível predizer o uso de antimicrobianos, utilizando trinta e oito genes responsáveis por distintos fatores de virulência, oriundos das amostras de Escherichia coli isoladas de frango de corte, através das redes neurais artificiais (RNAs). Além disso, verificou-se a relação entre o índice de patogenicidade (IP) e a resistência aos quatorze antimicrobianos que fazem parte do banco de dados usado para o desenvolvimento deste estudo. Neste trabalho foram utilizados os dados disponíveis referentes a 256 amostras de E. coli isoladas de camas de aviários, lesões de celulite e quadros respiratórios de frangos de corte. Para a confecção das redes neurais artificiais as entradas escolhidas foram: os índices de patogenicidade, as lesões induzidas em pintos de um dia de idade, a caracterização dos genes associados à patogenicidade, o bioquimismo, a origem das amostras e por fim, a motilidade. As redes neurais artificiais foram criadas realizando associações entre as variáveis de entrada com o objetivo de encontrar o modelo mais ajustado. As saídas utilizadas de acordo com Salle (2009) foram o comportamento das cepas de Escherichia coli frente aos 14 antimicrobianos. Para verificar se existia diferença significativa entre as médias dos índices de patogenicidade (IP) e as amostras sensíveis e resistentes aos 14 antimicrobianos utilizados neste estudo, realizou-se análise estatística com o auxílio do software JMP® 9.0.1 (SAS Institute Inc., 2010). Os resultados obtidos demonstram que as redes neurais artificiais foram capazes de realizar a classificação correta do comportamento das amostras com amplitude de 74,22% a 98,44%, desta forma tornando possível predizer a resistência antimicrobiana da Escherichia coli, através de modelo das RNAs. A análise estatística realizada para verificar a relação entre o IP e a resistência aos 14 antimicrobianos demonstrou que estas são variáveis independentes. Ou seja, podem haver picos no IP sem alteração na resistência antimicrobiana, ou até mesmo o contrário, alterações na resistência antimicrobiana sem mudanças no IP. / The avian pathogenic Escherichia coli (APEC), belongs to the family Enterobacteriacea, is responsible for various pathological processes in poultry, acting as an agent in the primary or secondary lesion such as: sacculitis, pericarditis, perihepatitis, peritonitis, salpingitis, omphalitis, cellulitis, among others. This study addresses the antimicrobial resistance of E. coli (APEC) strains in an innovative way, using tools such as artificial neural networks, methodology embedded in the CDPA´s search line (Center for Diagnostics and Research in Avian Pathology). The use of artificial intelligence, specifically artificial neural networks (RNAs), is being increasingly used as a tool for data analysis and nonlinear multivariate, common feature in biological phenomena. The objective of this study was to demonstrate that it is possible to predict the use of antimicrobials, using thirty-eight distinct genes responsible for virulence factors, derived from Escherichia coli isolates from broiler, through artificial neural networks (ANNs). Besides, it was found the relationship between pathogenicity index (PI) and resistance to fourteen antimicrobial forming part of the database used for the development of this study. In this study was used the data available for 256 samples of E. coli isolated from broiler litter, lesion of cellulitis and respiratory symptoms in broilers. To make the neural network inputs have been chosen: the indices of pathogenicity, the induced lesions in chicks at day old, characterization of genes associated with pathogenicity, biochemism, the source of samples and finally motility. Artificial neural networks have been created making associations between the input variables in order to find the best adjusted model. The outputs used according Salle (2009) was the behavior of Escherichia coli strains compared to 14 antimicrobials. To check whether there was a significant difference between the average indices for pathogenicity (IP) and the sensitive and resistant samples to 14 antimicrobials used in this study, statistical analysis was performed with the help of software JMP ® 9.0.1 (SAS Institute Inc., 2010). The results show that artificial neural networks were able of performing correct classification of the behavior of the samples with an amplitude of 74.22% to 98.44%, thereby making it possible to predict the antibiotic resistance of Escherichia coli, using ANNs model. The statistical analysis performed to assess the relationship between IP and resistance to 14 antibiotics showed that these variables are independent. That is, it can happen peaks in IP without change in antimicrobial resistance, or even the opposite, changes in antimicrobial resistance without changes in IP.

A rugosidade é um parâmetro de acabamento importante nos processos de fabricação por usinagem e é determinado de acordo com a aplicação técnica da superfície usinada. A rugosidade afeta atributos funcionais dos produtos como desgaste, atrito, reflexão da luz, capacidade de manter e espalhar um lubrificante, etc.. Como a inspeção da superfície é normalmente feita com rugosímetros após a operação de usinagem, essa tarefa consome tempo e demanda trabalho, gerando custo adicional ao produto. Assim, este trabalho tem como objetivo estimar os valores das rugosidades média (Ra) e total (Rt) geradas no processo de fresamento frontal a seco do aço SAE 1045 com fresa de topo reto via redes neurais artificiais (RNA). Dessa forma, os valores de rugosidade Ra e Rt podem ser obtidos somente informando os parâmetros do processo ao modelo. Foram considerados como variáveis de entrada do processo a velocidade de corte (vc), o avanço por dente (fz) e o raio de ponta da ferramenta (r). Após uma análise estatística, constatou-se que as variáveis de saída que melhor se correlacionavam com os valores de rugosidade foram a força média no eixo x (Fx) (direção de avanço) e a variação da força no eixo z (Fz) (direção axial). Os dados de força foram obtidos usando um sistema sensório constituído de plataforma piezelétrica, placa de aquisição de dados e computador com software apropriado. Portanto, os cinco parâmetros de entrada utilizados nos 16 modelos testados foram vc, fz, r, Fx e Fz. O algoritmo de treinamento usado foi o de Levemberg-Marquardt. Dentre os testados, os modelos com topologia 5-10-10-1 (cinco entradas e uma saída) apresentaram as melhores capacidade de estimação para os valores de Ra e Rt, mostrando a eficiência da técnica de modelagem da rugosidade por RNA. / The surface roughness is an important finishing parameter in the machining manufacturing processes and it is determined according with the technical application of the machined surface. The surface roughness affects functional attributes of parts such as wear, friction, light reflection, ability to spreading and retaining a lubricant etc. As the surface inspection is usually done with the rugosimeter after the machining operation, this task is time consuming and labor demand, generating additional cost to the product. Thus, this work aims to estimate the values of average roughness (Ra) and total roughness (Rt) generated in the dry end milling process of the SAE 1045 steel via artificial neural networks (ANN). Thus, the roughness values of Ra and Rt may be obtained only by informing the process parameters to the model. Cutting speed (vc), feed per tooth (fz) and tool nose radius (r) were considered as input variables. After statistical analysis, it was found that output variables that best correlate with roughness values were the average force on the x axis (Fx) (feed direction) and the force variation in the z-axis (Fz) (axial direction). The cutting force data signals were obtained using a sensory system composed by piezoelectric platform, data acquisition board and personal computer with appropriate software. Therefore, the five input parameters applied in the 16 models tested were vc, fz, r, Fx and Fz and the training algorithm used was the Levemberg-Marquardt. Among the models tested, those with 5-10-10-1 topology (five inputs and one output) showed the best capacity for estimation of the Ra and Rt values that can demonstrate the modeling technique effectiveness of the surface roughness using ANN.

Este trabalho apresenta um novo modelo de redes neurais para análise e previsão de séries temporais: o modelo ARMA-CIGMN (do inglês, Autoregressive Moving Average Classical Incremental Gaussian Mixture Network) além dos resultados obtidos pelo mesmo. Este modelo se baseia em modificações realizadas em uma versão reformulada da IGMN. A IGMN Clássica, CIGMN, é similar à versão original da IGMN, porém baseada em uma abordagem estatística clássica, a qual também é apresentada neste trabalho. As modificações do algoritmo da IGMN foram feitas para melhor adpatação a séries temporais. O modelo ARMA-CIGMN demonstra boa capacidade preditiva e a modelagem ainda pode ser auxiliada por conhecidas ferramentas estatísticas como a função de autorrelação (acf, do original em inglês autocorrelation function) e a de autocorrelação parcial (pacf, do original em inglês partial autocorrelation function), já utilizadas em modelagem de séries temporais e nos modelos da IGMN original. As comparações foram feitas utilizando-se séries conhecidas e dados simulados. Foram selecionados para comparação os modelos estatísticos clássicos ARIMA (do inglês, Autoregressive Integrated Moving Average), a IGMN original e duas modificações feitas ainda na IGMN original:(i) um modelo similar ao modelo ARMA (do inglês, Autoregressive Moving Average) clássico e (ii) um modelo similar ao modelo NOE (do inglês, Nonlinear Output Error). Também é apresentada um versão reformulada da IGMN, usando a abordagem clássica da estatística, necessária para o desenvolvimento do modelo ARMA-CIGMN. / This work presents a new model of neural network for time series analysis and forecasting: the ARMA-CIGMN (Autoregressive Moving Average Classical Incremental Gaussian Mixture Network) model and its analysis. This model is based on modifications made to a reformulated IGMN, the Classical IGMN (CIGMN). The CIGMN is similar to the original IGMN, but based on a classical statistical approach. The modifications to the IGMN algorithm were made to better fit it to time series. The proposed ARMA-CIGMN model demonstrates good forecasts and the modeling procedure can also be aided by known statistical tools as the autocorrelation (acf) and partial autocorrelation functions (pacf), already used in classical statistical time series modeling and also with the original IGMN algorithm models. The ARMA-CIGMN model was evaluated using known series and simulated data. The models used for comparisons were the classical statistical ARIMA model and its variants, the original IGMN and two modifications over the original IGMN: (i) a modification similar to a classical ARMA (Autoregressive Moving Average) model and (ii) a similar NOE (Nonlinear Output Error) model. It is also presented a reformulated IGMN version with a classical statistical approach, which is needed for the ARMA-CIGMN model.

Este estudo utilizou uma série histórica de dados de quatro etapas de uma produção avícola: reprodutoras pesadas, um incubatório, produção de frangos de corte e um abatedouro de frangos de corte pertencente a uma integração avícola do Rio Grande do Sul, no período de junho de 2009 a janeiro de 2010. As linhagens utilizadas foram COBB, ROSS e AVIAN. A diferença entre as médias das variáveis dos dados iniciais e a estatística descritiva foram calculadas com o programa computacional SigmaStat® Statistical Software para Windows 2.03. Foram analizados dados de 27 produtores de matrizes de frango de corte, um incubatório, 147 produtores de frango de corte e um abatedouro onde continham registro de: origem do nascedouro no incubatório, origem da incubadoura no incubatório, quantificação da contaminação por Salmonella sp., Aspergillus sp., Escherichia Coli, Pseudomonas sp. nos nascedouros, número de aviários por incubadoura, ovo de cama/ninho, percentual de linhagem, ovo trincado, minutos de incubação, minutos de nascedouro, horas de estoque, eclosão total, eclosão vendável, ovos incubáveis, aproveitamento de ovos, idade da matriz, perda de peso de ovo, peso de pinto, peso de ovo, contaminação na transferência, tipo de pinto, fertilidade, tipo de máquina, produtor, extensionista, peso do frango de primeira semana, peso do frango de segunda semana, peso do frango de terceira semana, peso do frango de quarta semana, peso do frango de quinta semana, mortalidade do frango na primeira semana, mortalidade do frango na segunda semana, mortalidade do frango na terceira semana, mortalidade do frango na quarta semana, mortalidade do frango na quinta semana, linhagem, condenação total, condenação parcial. As redes neurais foram construídas através do programa computacional NeuroShell®Predictor e NeuroShell®Classifier, desenvolvido pela Ward Systems Group. O programa identificou as variáveis escolhidas como “entradas” para o cálculo do modelo preditivo e variável de “saída” aquela a ser predita. Na primeira parte foram apresentados o treinamento das redes neurais artificiais onde foram utilizadas 50% das linhas de registro de junho de 2009 a janeiro de 2010, utilizou-se todas as variáveis de entrada que antecedem as seguintes variáveis de saída para cada rede: eclosão total, eclosão vendável, fertilidade, mortalidade de 1 semana, mortalidade de 5 semanas, perda de peso de ovo, peso de 5 semanas, tipo de pinto, condenação parcial e condenação total. A segunda parte destinou-se à validação dos modelos, onde se utilizou os outros 50% das linhas de registro com todas as variáveis de entrada que antecedem as mesmas variáveis de saída. Pode-se concluir que as redes neurais artificiais foram capazes de explicar os fenômenos envolvidos entre as quatro etapas da cadeia avícola, matrizes de frango de corte, incubatório, produção de frangos de corte e abatedouro. Esta técnica demonstra cientificamente que se podem criar critérios objetivos, onde estes se tornam uma importante ferramenta nas decisões que serão tomadas pelos gestores destes importantes setores da cadeia avícola. / This study used a historic series of four stages of poultry production: breeders, hatchery, production of broilers and broiler chicken slaughterhouse owned by a poultry integration of Rio Grande do Sul in the period from June 2009 to January 2010. The strains used were COBB, ROSS and AVIAN. The difference between the averages of the initial data and descriptive statistics were calculated with the computer program SigmaStat ® Statistical Software for Windows 2.03. We analyzed data from 27 breeders, 1 hatchery, 147 broiler producers and a slaughterhouse where contained the records of: origin of the hatcher in the hatchery, the origin of incubator in the hatchery, and quantification of Salmonella sp., Aspergillus sp., E. coli, Pseudomonas sp. contamination in hatcher, number of poultry per incubator, egg floor / nest, percentage of lineage, cracked egg, minutes of incubation, the birthplace of minutes, hours in inventory, total hatch, hatching salable, hatching eggs, usable eggs, breeder age, egg weight loss, chick weight, egg weight, contamination in the transfer, type of chick, fertility, machine type, producer, extension workers, the chicken weight of the first week, chicken weight of the second week, chicken weight of the third week, chicken weight of the fourth week, chicken weight of the fifth week, mortality of the chicken in the first week, mortality of chickens in the second week, mortality of the chicken in the third week, mortality of the chicken in the fourth week, mortality of the chicken in the fifth week, lineage, total condemnation, partial condemnation. The neural networks have been built through the computer program NeuroShell Predictor ® and NeuroShell®Classifier, developed by Ward Systems Group. The program identified the variables selected entries as “inputs” for the calculation of the predictive model and the variable “output” those to be predicted. In the first part were presented the training of artificial neural networks were used 50% of the lines of record from June 2009 to January 2010, was used all the input variables that precedes the following output variables for each network: total hatching , salable hatch, fertility, mortality of one week, mortality of five week , egg weight loss, weight of five weeks, type of chick, partial-condemnation and total condemnation. The second part was intended to validate the models, where were used the other 50% of the records lines with all input variables s that precedes the same output variables. It can be concluded that artificial neural networks were able to explain the phenomena involved between the four stages of poultry production, breeders, hatchery, broiler production and slaughterhouse. This technique proves scientifically that we can create objective criteria, and this methodology become an important tool in making decisions taken by managers of these important sectors of the poultry chain.

Este trabalho aborda o desafio da modelagem da fragilidade ambiental, que implica em, além de compreender a intrínseca e dinâmica relação existente entre as componentes físicas, bióticas e sócio-econômicas dos sistemas ambientais, em traduzir esse conhecimento num modelo matemático. Para elucidar essa dificuldade foram apresentados e comparados os resultados gerados por dois modelos empíricos de fragilidade ambiental amplamente utilizados no planejamento físico-territorial brasileiro (CREPANI et al. 2001 e ROSS, 1994). Estes dois modelos foram aplicados em duas áreasteste, com resultados bastante divergentes. Neste contexto de incertezas, este trabalho testou a viabilidade e a confiabilidade de uma nova ferramenta a ser aplicada na elaboração de modelos de fragilidade ambiental, as redes neurais artificiais (RNAs). Empregando os conhecimentos e experiências de especialistas na área em questão, extraídos das respostas dadas por estes durante a comparação de variáveis e cenários aplicados através dos programas adaptados para esta finalidade: Pesquisa de Calibração, Pesquisa de Escalonamento de Variáveis e Pesquisa de Avaliação de Cenários. Estes programas geraram uma base de dados referente ao modo de avaliação de cada especialista quanto à fragilidade ambiental, sendo aplicada no treinamento das RNAs, para que a rede assimilasse o padrão de avaliação deste especialista. Os resultados comprovam de que é possível emular, com razoável confiabilidade, o padrão de avaliação de especialistas na definição da fragilidade dos sistemas ambientais, eliminando assim, a arbitrariedade e a subjetividade do processo de elaboração de modelos de fragilidade ambiental. Este trabalho não propõe um novo modelo, mas uma metodologia para a construção de modelos, utilizando redes neurais artificiais, dando um primeiro passo em busca de novas técnicas, temidas pelos geógrafos, mas necessárias para a evolução da ciência geográfica. / This paper deals with the challenge in modeling environmental fragility, which implies not only the understanding of the intrinsic and dynamic relationship that exists between the physical, biotic and socio-economic components of environmental systems, but also in translating this knowledge in a mathematical model. In order to shed light on this difficulty, the results generated by two empirical models of environmental fragility were presented and compared, models that are widely used in Brazilian physical-territorial planning. (CREPANI et al. 2001 and ROSS, 1994). These two models were applied in two thesis-areas with very diverging results. Within this context of uncertainties, this paper tested the feasibility and reliability of a new tool to be applied in the elaboration of environmental fragility models, the artificial neural networks (ANN). Tapping on the knowledge and experience of specialists in this area, extracted from the answers given by them during the comparison of variables and scenarios applied in programs adapted for this objective: Gauging Research, Scheduling of Variables Research and Scenario Evaluation Research. These programs generated a databank related to the evaluation format of each specialist regarding environmental fragility applied in the training of ANNs, so that the network would assimilate the evaluation standard of that specialist. The results proved that it is possible to emulate, with reasonable reliability, the evaluation standard of specialists in the definition of environmental systems fragility, eliminating in this way, arbitrariness and subjectivity in the elaboration process of environmental fragility models. This work does not presuppose a new model, rather a methodology for the construction of models, using artificial neural networks, taking the first step in the search of new techniques, albeit feared by the geographers, however, necessary for the evolution of geographic science.