Submitted by Lucienne Costa (lucienneferreira@ufcg.edu.br) on 2018-04-25T18:49:44Z No. of bitstreams: 1 GIRLENE LIMA RIBEIRO – DISSERTAÇÃO (PPGEE) 2017.pdf: 3769966 bytes, checksum: 1e2c04beeac23084837591c1bfec0869 (MD5) / Made available in DSpace on 2018-04-25T18:49:44Z (GMT). No. of bitstreams: 1 GIRLENE LIMA RIBEIRO – DISSERTAÇÃO (PPGEE) 2017.pdf: 3769966 bytes, checksum: 1e2c04beeac23084837591c1bfec0869 (MD5) Previous issue date: 2017-03-31 / CNPq / Nesta pesquisa é desenvolvida uma metodologia para aprimoramento da classificação de isoladores poliméricos por medições termográficas e radiação UV utilizando o Processamento Digital de Imagens (PDI) e Redes Neurais Artificiais (RNAs). A metodologia é baseada na análise da ocorrência de descargas corona e nas variações de temperatura ao longo do isolador a fim de classificá-los quanto seu estado de degradação. Cada isolador utilizado foi submetido à tensão de 133 kV fase-terra durante um período de 30 minutos, com o objetivo de ocasionar aquecimento e evidenciar descargas corona nos isoladores. As medições foram realizadas utilizando um detector de corona para medição de UV e os dados de temperatura foram adquiridos utilizando-se um termovisor. As imagens adquiridas pelos instrumentos de monitoramento, durante os ensaios, foram submetidas a um processamento digital de imagem, para extrair informações de densidade de pixels, persistência das descargas e distâncias relativas das áreas de descargas ao isolador. A partir de informações obtidas de imagens de infravermelho (temperatura) foi aplicada a estatística descritiva e o teste discriminante de Fisher, para apresentar ao sistema de classificação, parâmetros objetivos e com alto nível de separabilidade. O sistema de classificação utilizou RNA para determinar o estado de degradação dos isoladores. A classificação foi realizada de forma individual e combinada, com vetores formados pelos atributos UV e infravermelho. O sistema desenvolvido permitiu o auxílio à tomada de decisões quanto à necessidade de intervenção ou não aos isoladores. A classificação dos isoladores, de forma individual, obteve acurácia média para temperatura de 80,00% e UV 74,05%. A classificação dos isoladores, de forma combinada (UV e infravermelho), obteve acurácia média de 92,58%, evidenciando o aprimoramento na classificação. / This research presents a methodology for the improvement of the classification of polymeric insulators by using thermographic measurements and UV radiation in combination with Digital Image Processing (DIP) and Artificial Neural Networks (ANNs). The methodology is based on the analysis of the occurrence of corona discharges and temperature variations along the insulator in order to classify their stage of degradation. Each insulator was subjected to the 133 kV phase-to-ground voltage over a period of 30 minutes, in order to cause heating and corona discharges in the insulators. The experiments were performed using a corona detector for UV measurement and the temperature data were acquired using a thermal imager. The images acquired by the monitoring instruments during the tests were subjected to digital image processing to extract information of pixel density, persistence of discharges and relative distances from the discharge areas to the insulator. From information obtained through infrared (temperature) images descriptive statistics and Fisher's discriminant test were applied to present objective parameters with high level of separability to the classification system. The classification system used ANN to determine the insulators degradation state. The classification was performed in individual and in combination ways, with vectors formed by UV and infrared attributes. The developed system helped on the decision making, concerning to the necessity of intervention or not to the insulators. The classification of the insulators, in an individual way, obtained accuracy for temperature of 80.00% and UV 74.05%. The classification of the isolators, combined (UV and infrared), obtained an average accuracy of 92.58%, evidencing the improvement in the classification.

Submitted by Geyciane Santos (geyciane_thamires@hotmail.com) on 2015-12-02T21:18:51Z No. of bitstreams: 1 Dissertação - Mafran Martins Ferreira Júnior.pdf: 2373705 bytes, checksum: ffd481c7fb68c5e26d7888b9d927dd89 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2015-12-03T19:00:48Z (GMT) No. of bitstreams: 1 Dissertação - Mafran Martins Ferreira Júnior.pdf: 2373705 bytes, checksum: ffd481c7fb68c5e26d7888b9d927dd89 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2015-12-03T19:14:41Z (GMT) No. of bitstreams: 1 Dissertação - Mafran Martins Ferreira Júnior.pdf: 2373705 bytes, checksum: ffd481c7fb68c5e26d7888b9d927dd89 (MD5) / Made available in DSpace on 2015-12-03T19:14:41Z (GMT). No. of bitstreams: 1 Dissertação - Mafran Martins Ferreira Júnior.pdf: 2373705 bytes, checksum: ffd481c7fb68c5e26d7888b9d927dd89 (MD5) Previous issue date: 2015-07-31 / Não informada / The amazon biome has a range of natural resources with high economic value, which can be exploited in a sustainable way to generate jobs and income. Among these resources, we can spotlight the tucuman, native fruit from the Amazonian region used in cooking, crafts and sold by local producers. The tucuman palm tree presents many varieties within the same specie, each one differs from the other in its morphology, population, origin, among other factors. Scientifically, the tucuman taxonomic classification refers to its species. There isn’t yet a manual or an automatic way of classifying varieties of Astrocaryum aculeatum G. Mey., also known as Amazonian tucuman. The indication of the variety to which a fruit unit belongs is performed empirically and may be confused when there are fruits with a large difference in their characteristics. In this scenario, this study aimed to generate and evaluate computer models able to classify and get into groups four varieties of tucuman found in the Itacoatiara-AM region. The secondary objective of this study was to indicate which of the varieties have the best economic potential regarding to the harvested fruit characteristics. To generate the models, three machine learning techniques were used: Decision Trees and Artificial Neural Networks in the classification task, and to the grouping task the K-Means technique was applied, using Euclidean and Manhattan distance measurements. The results obtained based on the data set show that the models generated with machine learning techniques presented satisfactory indexes for predicting of varieties' classes of tucuman. / O bioma amazônico possui uma gama de recursos naturais com alto valor econômico, os quais podem ser explorados de maneira sustentável para gerar emprego e renda. Dentre esses recursos destaca-se o tucumã, fruta nativa da região utilizada na culinária, no artesanato e comercializada pelos produtores locais. A palmeira do tucumã apresenta ampla variedade dentro de uma mesma espécie, cada uma diferenciando-se quanto à sua morfologia, população, procedência, entre outros fatores. Cientificamente, a classificação taxonômica do tucumã é referente às suas espécies, ainda não existe nenhuma forma manual ou automática de classificar variedades da espécie Astrocaryum aculeatum G. Mey., também conhecida como tucumã do Amazonas. A indicação da variedade a qual uma unidade do fruto pertence é realizada de forma empírica, podendo ser confusa perante o aparecimento de frutos com grande diferença em suas características. Nesse cenário, esta pesquisa objetivou gerar e avaliar modelos computacionais capazes de classificar e agrupar quatro variedades de tucumã, encontradas na região do município de Itacoatiara-AM. O estudo teve como objetivo secundário indicar qual das variedades possui melhor potencial econômico quanto às características do fruto já colhido. Para gerar os modelos foram utilizadas três técnicas de Aprendizado de Máquina: Árvores de Decisão e Redes Neurais Artificiais na tarefa de classificação, e na tarefa de agrupamento a técnica K-Médias, usando as medidas de distância Euclidiana e de Manhattan. Os resultados obtidos com base no conjunto de dados mostram que os modelos gerados com as técnicas de aprendizado de máquina apresentaram índices satisfatórios para a predição de classes de variedades de tucumã.