Este trabalho desenvolve um modelo para análise de variáveis craniométricas que utiliza as Redes Neurais Artificiais Paraconsistentes, assentadas na Lógica Paraconsistente Anotada de dois valores. Tal lógica possui a capacidade de mensurar incerteza, inconsistência e paracompleteza. A Lógica Paraconsitente vem sendo empregada em diversas aplicações sujeitas a estas situações, constituindo nova ferramenta matemática em Inteligência Artificial. O trabalho tem como principal objetivo melhorar o diagnóstico cefalométrico. O modelo desenvolvido recebe as medidas das variáveis craniométricas de um determinado paciente e as compara com as médias das variáveis craniométricas normais de uma amostra da população brasileira. Esta amostra é composta de crianças e adolescentes de ambos os sexos, na faixa etária de 6 a 18 anos, utilizadas neste trabalho como valores de referência de normalidade. A análise cefalométrica aqui proposta consiste em quantificar discrepâncias esqueletais e dentárias sob a Lógica Paraconsistente. O uso das Redes Neurais Artificiais Paraconsistentes permite agregar ao méto do um fator de incerteza, respeitando o diagnóstico ortodôntico tradicional, e ao mesmo tempo, contextualiza diferentes regiões craniofaciais. O resultado da análise consiste dos graus de discrepância esqueletal, anteroposterior e vertical, e graus de discrepância dentárias, relativas aos incisivos inferiores e superiores. Variáveis craniométricas de 120 pacientes foram processadas pelo modelo proposto e avaliadas por três especialistas em Ortodontia. De acordo com o índice Kappa, houve desde concordância satisfatória até concordância quase perfeita entre o modelo e os especialistas, de acordo com as variáveis consideradas. As opiniões inter-especialista são substancialmente similares às comparações entre os especialistas e o modelo apresentado, o que reflete o potencial do modelo como um sistema especialista. A utilização de técnicas de Inteligência Artificial através da Lógica Paraconsistente, permitiu significante melhora na análise cefalométrica proposta. O modelo apresentado pode ser adaptado a outras amostras ou populações, com a adaptação dos valores de referência iniciais de normalidade. / This work shows the development of an unequal craniometric analysis model, which uses Paraconsistent Neural Network, based upon Paraconsistent Logic with two values. Such logical approach has the capability to handle concepts as uncertainness, inconsistency and paracompleteness. It has been used on diverse applications which present such features, constituting a new mathematical tool in Artificial Intelligence. The presented methodology had as main goal to booster diagnosis in Orthodontics. The developed model processes craniometric measures of a specific person, and compares to the expected means drawn from a Brazilian sample, comprised of children and adolescent individuals, ranging from 6 to 18 year-old, of both genders. The current cephalometric analysis, developed under the approach of Paraconsistent Logic, quantifies skeletal and dental discrepancies. The use of Paraconsistent Neural Network allows aggregating a factor of vagueness, respecting the limits of traditional orthodontic classification. At the same time, it contextualizes variables of different craniofacial regions. The results of the analysis are expressed through degrees of skeletal discrepancies, in the anteroposterior and vertical dimensions, and degrees of dental discrepancies, for the upper and lower incisors. Cephalometric va lues of a sample of 120 patients were processed by the paraconsistent model and analyzed by three specialists in Orthodontics. According to Kappa index, the agreement between the model and the specialists ranged from moderate to almost perfect, according to the variables considered. The inter-observer opinions were substantially similar to the mathematical model, which reflects the potential of the model as a specialist system. The use of Artificial Intelligence methods throughout Paraconsistent Logics, allowed significant improvement in cephalometric assessment. The presented model can be applied in different samples or populations, with adaptation of the degrees of normality as initial references.

A estimativa de viagens por domicílio é fundamental para a tomada de decisões relativas ao planejamento urbano e de transportes. Em geral, a obtenção destas informações é por meio de modelos tradicionais como o modelo clássico de quatro etapas, e a primeira etapa do modelo é a geração de viagens. Entretanto, modelos clássicos apresentam inúmeras falhas, muitas delas relacionadas a suposições prévias matemáticas (normalidade ou continuidade da variável dependente). Desta forma, surge a necessidade de testar outras técnicas de modo a minimizar as falhas apresentadas pelos modelos clássicos e utilizá-las como uma ferramenta auxiliar, como por exemplo, as Redes Neurais Artificiais (RNAs), que podem ser aplicáveis na modelagem de problemas complexos e não lineares na área de engenharia de transportes, pois apresentam capacidade de aprendizagem, adaptação e generalização. Assim, para estimar viagens por domicílio, seja pela modelagem tradicional ou pela modelagem RNA são necessários dados desagregados dos domicílios, incluindo dados dos indivíduos, como as atividades diárias que exerce me dados sócio demográficos, etc. Esses dados são geralmente obtidos por uma Pesquisa O/D, que fornece um banco de dados detalhado sobre o comportamento de viagem da população de uma cidade. No entanto, a maioria das cidades enfrenta problemas para a aquisição desses dados, uma vez que este tipo de pesquisa possui alto custo de preparação, execução, processamento e análise. Portanto, percebe-se a necessidade de novos métodos que forneçam dados confiáveis e com baixo custo, para estimar a demanda por viagens, capazes de gerar resultados com rapidez, qualidade e acurácia e sem a necessidade dos dados provenientes de uma Pesquisa O/D. Devido a dificuldade de aquisição de dados desagregados, foi proposto neste trabalho, a geração da população sintética com dados agregados a partir da aplicação do Método Monte Carlo. Este trabalho tem por objetivo gerar uma população sintética baseada em dados censitários agregados e testar a adequabilidade das RNAs para estimar viagens por domicílio. Neste estudo, a modelagem tradicional foi utilizada para comparar nos resultados obtidos com a modelagem RNA, pois o objetivo não foi checar minuciosamente a qualidade dos modelos lineares, e sim, testar a adequabilidade das RNAs para estimar viagens por domicílio. A abordagem tradicional se baseou em um modelo de regressão linear enquanto que a abordagem de redes neurais consistiu da rede perceptron multi camadas. Na execução do trabalho foram calibrados quatro modelos (dois de cada abordagem) com os dados desagregados da Pesquisa O/D e foram comparados os resultados obtidos de cada abordagem. Ao final do trabalho, foi possível escolher o modelo mais adequados de cada abordagem e em seguida, foram utilizados para prever viagens por domicílio com os dados obtidos pela população sintética. Os resultados indicaram que 70% das variáveis obtidas na população sintética foram consideradas aptas para o estudo e que a estimativa de viagens por domicílio da população sintética obtida em ambos os modelos (Modelo 3-RNA) e (Modelo 4-RLM) obtiveram uma boa previsão, ou seja, mais de 70% das viagens por domicílio da população sintética foram consideradas válidas. Isso demonstrou que, o uso de da modelagem RNA é uma técnica alternativa eficiente e promissora na área de planejamento de transportes, especificamente para a previsão de viagens por domicílio. / The estimated number of household travels is essential in the decision-making process related to urban and transportation planning. Usually, this information is obtained through traditional models, such as four-step classic model, for example, which has trip generation as a first step. However, classic models feature numerous failures. Many of these failures are related to mathematical prior assumptions (normality or continuity of the dependent variable). Thus, it is important to test other techniques in order to reduce the failures and use these techniques as an auxiliary tool, i.e. Artificial Neural Networks (ANN). ANN are applicable in the modeling of complex and nonlinear transportation problems, due to its learning, adaptation and generalization capacities. Thus, to estimate the number of household travel, either by traditional or by ANN models, it is required disaggregated data of the households. It might include information of individuals, as daily activities and sociodemographic information. Usually, these data are obtained by a O/D survey, which provides a detailed database of the population travel behavior of the city. However, the obtainment of this information leads to high costs of preparation, execution, processing and analysis of the data. Thus, most cities have faced problems to attain this information. Therefore, new methods of estimation providing reliable data and low cost, are required. It will enable to estimate the demand of travel, rapidly with quality and accuracy, without the need of data provided through an O/D survey. Due to the difficulty of acquiring disaggregated data, this study proposes the generation of synthetic population through aggregated data by applying the method of Monte Carlo. This study aims to generate a synthetic population based on aggregated census data, and test the suitability of ANN to estimate the number of household travels. Since the aim was not thoroughly check the quality of linear models, instead, test the suitability of ANN to estimate the number of household travels, obtained results of traditional and ANN models were compared. The traditional approach was based on a linear regression while the neural network consisted of Multilayer Perceptron network. Four models (two of each approach) were proposed and calibrated with disaggregated data of an O/D Survey. Then, the results were compared. It enabled to choose the most appropriate model of each approach. Hence, these models were used to forecast the number of household travels, using the data obtained by the synthetic population proposed. The results indicated that 70% of the variables obtained through the synthetic population, were considered suitable for the study. Besides, the estimated number of household travels of the synthetic population obtained for both models (Model 3-RNA and 4-MLR model) presented a good forecast, indicating that more than 70% of household travels of the synthetic population were considered valid. Finally, it is concluded that the use of ANN modeling is an effective and promising alternative technique in the transportation-planning field, specifically to forecast the number of household travels.

Este trabalho apresenta um procedimento para auxiliar na determinação da vida útil de pavimentos flexíveis através da determinação de tensões e deformações causadas pela solicitação de um eixo padrão na estrutura de pavimentos flexíveis utilizando Redes Neurais Artificiais. Para treinamento e validação das redes foram utilizadas bacias de deflexões hipotéticas geradas com o auxílio do programa ELSYM5, simulando o carregamento com falling weight deflectometer. Foram criados quatro conjuntos de bacias hipotéticas, dois para pavimentos de três camadas e dois para pavimentos de quatro camadas. As redes neurais artificiais foram treinadas e validadas utilizando-se o simulador EasyNN-plus, que utiliza redes multilayer perceptron com algoritmo de aprendizagem backpropagation. Os dados de entrada das redes são as espessuras das camadas do pavimento e a bacia de deflexão. Como saída, têm-se as tensões e deformações na face inferior do revestimento e no topo do subleito e os módulos de resiliência das camadas do pavimento. Foram determinadas retas de regressão, coeficientes de regressão e histogramas de erros entre os valores reais (ELSYM5) e os valores previstos (RNA). Os resultados obtidos pelas redes neurais artificiais apresentaram boa correlação com os valores reais, demonstrando a capacidade das redes neurais para auxiliar na determinação da vida útil de pavimentos flexíveis, ao estimar diretamente as tensões e deformações em pontos específicos da estrutura. / This paper presents a procedure to assist the evaluation of the remaining life of flexible pavements by means of the determination of stresses and strains caused by a standard load in flexible pavements structures using artificial neural networks. Hypothetical deflections basins, generated by the ELSYM5 program, simulating the load applied by a falling weight deflectometer, were used to train and to validate the networks. Four sets of hypothetical basins were created, two for pavements with three layers and two for pavements with four layers. The artificial neural networks were trained and validated using the EasyNN-plus simulator, which uses multilayer perceptron networks with back-propagation learning algorithm. The networks input data are the pavements layers thickness and the deflection basin. The networks outputs are the stresses and strains in the bottom of the asphalt layer and at the top of the subgrade and resilience modulus of the pavement layers. The results obtained by the artificial neural networks showed good correlation with the real values, demonstrating that neural networks have capacity to assist in the evaluation of the remaining life of flexible pavements, estimating directly the stresses and strains of specific points of the pavement structure.

Este trabalho contempla os estudos realizados para elaboração de uma carta de eventos perigosos (hazard) de uma área de aproximadamente 45 km², no município de Ouro Preto/MG, a partir de dados geológicos e geotécnicos, gerados em trabalhos de mapeamento geotécnico, com o uso dos recursos de redes neurais artificiais e da probabilidade condicional. Os dados prévios foram tratados e um conjunto de 15 mapas e cartas elaborado, a saber: topográfico, de substrato rochoso, material inconsolidado, de uso e ocupação, de inventário dos movimentos de massa gravitacionais (escorregamentos translacionais, escorregamentos translacionais tipo de material), de declividade, de rumo da inclinação das encostas, das unidades geológico-geotécnicas, das seções típicas das unidades geológico-geotécnicas, da resistência ao cisalhamento, do contraste de permeabilidade e da superfície potencial de ruptura, associado a uma tabela com as características das unidades geológico-geotécnicas. Os modelos de redes neurais artificiais e probabilidade condicional foram desenvolvidos para o uso em MATLAB utilizando um conjunto de 11 mapas e cartas dentre os citados anteriormente. A análise dos dados prévios frente aos modelos foi desenvolvida no sentido de avaliar a sua qualidade e a sua adequação ao modelo proposto. Concluiu-se sobre a necessidade de dados específicos que nem sempre são gerados em trabalhos rotineiros, como: levantamento da atividade, velocidade, volume e data de ocorrência, entre outros para caracterização das feições de movimentos de massa gravitacionais; estudo detalhado dos parâmetros de resistência dos materiais e das descontinuidades presentes no substrato rochoso; dados de estações pluviométricas para estudos da intensidade e distribuição da chuva na região, entre outras informações. / This work shows the studies developed for elaboration of the landslide hazard map of the area of 45 km², approximately, in the municipality of Ouro Preto, in the state of Minas Gerais, Brazil, from data generated in geotechnical mapping, with the use of artificial neural networks and conditional probability methods. The previous data were processed and was elaborated a set of 15 maps and charts: topographic, lithologies, unconsolidated material, land uses, inventory (landslides, translational slides, translational inventory - type of geological material, slope, slope inclination direction, geological - geotechnical units, typical topographic profile of the geological and geotechnical units, the shear strength categories, hydraulic conductivity contrasts, potential failure surfaces and a table with characteristic of the geological and geotechnical units. The procedures of the artificial neural networks and conditional probability were developed for use in MATLAB using a set of 11 maps among the 15 elaborated. A analysis of the previous data prepared and the data necessary for models was developed to evaluate its suitability. The main conclusion is that the routine mapping and inventories do not consider important attributes, such as activity, movement rate, volume, landslide date and others aspects of the features; detailed study about shear strength of geological materials and discontinuities and rainfall data.

O desenvolvimento tecnológico proporciona uma melhoria na qualidade de vida devido à facilidade, rapidez e flexibilidade no acesso à informação. Na área biomédica, a tecnologia é reconhecidamente uma importante aliada, permitindo o rápido desenvolvimento de métodos e técnicas que auxiliam o profissional na atenção à saúde. Recentes avanços na análise computadorizada de imagens médicas contribuem para o diagnóstico precoce de uma série de doenças. Nesse trabalho é apresentada uma metodologia para o desenvolvimento de um sistema computacional para caracterização de padrões em imagens pulmonares, baseado em técnicas de redes neurais artificiais. No estudo, buscou-se verificar a utilização de redes neurais auto-organizáveis como ferramenta de extração de atributos e redução de dimensionalidade de imagens radiográficas de tórax, objetivando a caracterização de lesões intersticiais de pulmão. Para a redução de dimensionalidade e extração de atributos, implementou-se um algoritmo baseado nos mapas auto-organizáveis (SOM), com algumas variações, obtendo-se uma redução dos cerca de 3 milhões de pixels que compõe uma imagem, para 240 elementos. Para a classificação dos padrões, utilizou-se uma rede Perceptron multi-camadas (MLP), validada com a metodologia leave-one-out. Com uma base contendo 79 exemplos de padrão linear, 37 exemplos de padrão nodular, 30 exemplos de padrão misto, e 72 exemplos de padrão normal, o classificador obteve a média de 89,5% de acerto, sendo 100% de classificação correta para o padrão linear, 67,5% para o padrão nodular, 63,3% para o padrão misto, e 100% para o padrão normal. Os resultados obtidos comprovam a validade da metodologia. / The technological development provides an improvement in the quality of life due to easiness, speed and flexibility in the access to the information. In the biomedical area, the technology is admitted as an important allied, allowing the fast development of methods and techniques that assist the professional in the health care. Recent advances in the computerized analysis of medical images contribute for the precocious diagnosis of a series of diseases. In this work a methodology for the development of a computational system for characterization of patterns in pulmonary images, based in techniques of artificial neural networks is presented. In the study, has searched for the verification the use of self-organizing neural networks as a feature extraction and dimensionality reduction tool of chest radiographs, willing to characterize interstitial lung disease. For the dimensionality reduction and feature extraction, an algorithm based on Self-Organizing Maps (SOM) was implemented, with some variations, getting a reduction of about 3 million pixels that it composes an image, for 240 elements. For the pattern classification, a Multilayer Perceptron (MLP) was used, validated with the leave-one-out methodology. With a database containing 79 samples of linear pattern, 37 samples of nodular pattern, 30 samples of mixed pattern, and 72 samples of normal pattern, the classifier provided an average result of 89.5% of right classification, with 100% of right classification for linear pattern, 67.5% for nodular pattern, 63.3% for mixed pattern, and 100% for normal pattern. The results prove the validity of the methodology.

Submitted by Marcele Costal de Castro (costalcastro@gmail.com) on 2017-09-27T15:49:43Z No. of bitstreams: 1 CESAR MARQUES SALGADO D.PDF: 3287236 bytes, checksum: e8cb423520d25b201049a40e5dc0babf (MD5) / Made available in DSpace on 2017-09-27T15:49:43Z (GMT). No. of bitstreams: 1 CESAR MARQUES SALGADO D.PDF: 3287236 bytes, checksum: e8cb423520d25b201049a40e5dc0babf (MD5) Previous issue date: 2010-02 / Este trabalho apresenta uma nova metodologia baseada nos princípios de atenuação de raios gama, por meio de simulações de Monte Carlo (MC), e redes neurais artificiais (RNAs) supervisionadas para predições de frações de volume e identificação de regimes de fluxo em sistemas multifásicos tipo, gás, água e óleo encontrados na indústria petrolífera off-shore. O princípio baseia-se no reconhecimento das distribuições de altura de pulsos obtidas por detectores cintiladores que são utilizadas inteiramente para alimentar de forma simultânea as RNAs. As curvas-resposta (resolução energética e eficiência) de um detector real são consideradas. O sistema de detecção simulado utiliza dois detectores NaI(Tl) e duas energias de raios gama com feixe largo. A geometria proposta considera os feixes transmitido e espalhado tornando o sistema menos dependente do regime de fluxo. O conjunto de padrões necessário para treinamento e avaliação das RNAs foi gerado por meio do código computacional MCNP-X baseado no método de MC a partir de modelos teóricos ideais e estáticos de regimes multifásicos - anular, estratificado e homogêneo. As RNAs mapearam adequadamente os dados simulados com as frações de volume sem a necessidade do conhecimento, a priori, do regime de fluxo. As RNAs identificaram corretamente todos os regimes com predição satisfatória das frações de volume em sistemas multifásicos indicando a possibilidade de aplicação desta metodologia para tal propósito. / This work presents a new methodology for flow regimes identification and volume fractions prediction in gas-water-oil multiphase systems found in off-shore petroleum industry. The approach is based on gamma-ray pulse height distributions (PHDs) pattern recognition by means the artificial neural networks (ANNs). The detection system uses appropriate fan beam geometry, comprised of a dual-energy gamma-ray source and two NaI(Tl) detectors adequately positioned in order calculate transmitted and scattered beams, which makes it less dependent on the flow regime. The system comprises four ANNs, the first identifies the flow regime and the other three ANNs are specialized in volume fraction prediction for each specific regime. The PHDs are directly used by the ANNs without any parameterization of the measured signal. The energy resolution and efficiency of NaI(Tl) detectors are also considered on the mathematical model. The ideal and static theoretical models for annular, stratified and homogenous flow regimes have been developed using MCNP-X mathematical code (simulations by means of Monte Carlo method), which was used to provide training, test and validation data for the ANNs. The proposed ANNs could correctly identified all three different regimes with satisfactory prediction of volume fraction in gas-water-oil multiphase system demonstrating to be a promising approach for this purpose.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / A forecast of future demand for the products is the main variable to be considered in the planning and in production control in organizations. Two methods of time series forecasting often used in the literature are the ARIMA and MLP/RNA models. A practice that began in 1969 and has consolidated for greater accuracy is the combination of individual forecasts from two or more models. Considering the need for organizations by predictive techniques that generate better results, this study aims to predict the future values of a time series of the demand for UHT milk in a dairy industry, through the combination of ARIMA and MLP/RNA models, and to compare the results obtained by the combinations compared to individual models, exemplifying the achievement of combined forecasting in production planning. Accuracy measures to measure the results and to select the best model were the RMSE and MAPE for forecasting. The results showed that the combination of models SARIMA(3,0,1)(1,1,0)12 and DMLP the inverse mean square method provided a performance forecast for the six months ahead, up to 66.5% higher than individual models used, where the combination of the predictions obtained a RMSE of 1.43, and a MAPE of 2.16. In the 12 month ahead prediction for the performance of the combination was up to 56.5% higher compared to individual models, in which case obtained a RMSE of 2.86 and 3.70% MAPE. The combination of time series models enabled a significant increase in performance prediction models, but in order to produce satisfactory absolute results should be used to complement their predictive abilities mutually. / A previsão da demanda futura dos produtos é a principal variável a ser considerada no planejamento e controle da produção nas organizações. As técnicas de previsão de demanda são fundamentais no planejamento da produção de nível tático e operacional, especialmente as séries temporais, pois não requerem do planejador, uma investigação mais aprofundada acerca dos fatores que influenciam a demanda. Dois métodos de previsão de séries temporais frequentemente utilizados na literatura são os modelos ARIMA e os modelos MLP/RNA. Uma prática que surgiu em 1969 e já consolidada para obter maior acurácia é a combinação das previsões individuais de dois ou mais modelos. Considerando a necessidade das organizações por técnicas preditivas que gerem melhores resultados, este estudo tem como objetivo prever os valores futuros de uma série temporal da demanda de leite UHT em uma indústria de lácteos, por meio da combinação dos modelos ARIMA e MLP/RNA, e comparar os resultados obtidos pelas combinações em relação aos modelos individuais, exemplificando a obtenção da previsão combinada no planejamento da produção. As medidas de acurácia para mensurar os resultados obtidos e selecionar o melhor modelo, foram o RMSE e o MAPE de previsão. Os resultados mostraram que a combinação dos modelos SARIMA(3,0,1)(1,1,0)12 e DMLP pelo método inverse mean square forneceu um desempenho na previsão para 6 meses adiante, de até 66,5% superior em relação aos modelos individuais utilizados, onde a combinação das previsões obteve um RMSE de 1,43 e um MAPE de 2,16. Na previsão para 12 meses adiante, o desempenho da combinação foi de até 56,5% superior em relação aos modelos individuais, caso em que obteve um RMSE de 2,86 e um MAPE de 3,70%. A combinação de modelos de séries temporais possibilitou um aumento significativo no desempenho de previsão dos modelos, mas para que se obtenham resultados absolutos satisfatórios, devem-se utilizar modelos previsores que complementem mutuamente a capacidade preditiva.

This work proposes a hybrid system for alarm processing and fault diagnosis in electrical networks which use two methods of computational intelligence: Generalized Regression Neural Network and Genetic Algorithms. The neural network has the function of processing the set of received alarms and present as a response the characteristic(s) event(s), using for this, an elaborated knowledge based on the functional diagrams for protection and interviews with operators. Six modules were implemented for different neural components of a test system, according to their protection schemes. The output of these modules is used as input to the GA which has to do a combined analysis along with its database and provide the operator with the main protective components involved in the incident, as well as the probable causes of defects and actions to be taken in order to return the system in the shortest possible time and greater safety. For average inserted random errors of 0%, 7,73%, 15,46% and 23,19% in the received alarms, the system was able to diagnoses correctly in 100%, 93,60%, 74,26% and 48,07% of the cases respectively. It was found that the genetic algorithm improved the results obtained by neural network with good capability of generalization and condition to present multiple solutions, and the response time of the hybrid system was acceptable to the under consideration problem. / O presente trabalho propõe um sistema híbrido para processamento de alarmes e diagnóstico de faltas em redes elétricas com a utilização de dois métodos de inteligência computacional: Generalized Regression Neural Network e Algoritmos Genéticos. A rede neural tem a função de processar o conjunto de alarmes reportados e apresentar como resposta o evento(s) característico(s), utilizando-se, para isso, de um conhecimento elaborado com base nos diagramas funcionais da proteção e entrevista com operadores. Foram implementados seis módulos neurais para diferentes componentes de um sistema teste, de acordo com os seus respectivos esquemas de proteção. A saída destes módulos é utilizada como entrada para o AG que deve fazer uma análise combinatória juntamente com sua base de dados e apresentar ao operador os principais componentes de proteção envolvidos na incidência, bem como as prováveis causas do defeito e ações a serem tomadas de forma a restabelecer o sistema no menor tempo possível e com maior segurança. Para erros aleatórios médios inseridos de 0%, 7,73%, 15,46% e 23,19% nos alarmes reportados, o sistema se mostrou capaz de diagnosticar corretamente em respectivamente 100%, 93,60%, 74,26% e 48,07% dos casos. Verificou-se que o algoritmo genético melhorou os resultados obtidos pela rede neural, apresentando boa capacidade de generalização e condições de apresentação de múltiplas soluções, sendo o tempo de resposta do sistema híbrido aceitável para o problema tratado.

[pt] Nesta dissertação é proposto um modelo híbrido para previsão de carga de curtíssimo prazo, combinando amortecimento exponencial simples e redes neurais artificiais do topo feed-forward. O modelo fornece previsões pontuais e limites superiores e inferiores para um horizonte de quinze dias. Estes limites formam um intervalo ao qual pode ser associado um nível de confiança empírico, estimado através de um teste fora da amostra. O desempenho do modelo é avaliado ao longo de uma simulação realizada com dados reais de duas concessionárias de energia elétrica brasileiras. / [en] This thesis presents an hibrid short term load forecasting model that mixes simple exponential smoothing with feed- forward neural networks. The model gives point predictions with upper and lower limits for 15-day-ahead horizon. These limits yields an interval with associated empirical confidence level, estimated by an out of sample test. The model's performance is evaluated through a simulation with real data obtained from two Brazilian utilities. / [es] En esta disertación se propone un modelo híbrido para previsión de carga de cortísimo plazo, combinando amortecimiento exponencial simple y redes neurales artificiales tipo feed-forward. EL modelo nos da las previsiones puntuales y los límites superiores e inferiores para un horizonte de quince días. Estos límites forman un intervalo al cual se le puede asociar un nível de confianza empírico, estimado a través de un test out of sample. EL desempeño del modelo se evalúa utilizando datos reales de dos concesionarias de energía eléctrica brasileras.

[pt] Quando ocorre algum tipo de falta em uma Linha de Transmissão (LT), sua localização exata é essencial para uma rápida recomposição do Sistema Elétrico. Métodos que utilizam tensão e corrente de apenas um terminal contêm simplificações que podem acarretar erros. Esta dissertação investiga a aplicação de Redes Neurais Artificiais (RNA) na obtenção de uma nova forma de identificar o tipo do curto- circuito e determinar a sua localização, utilizando dados obtidos em somente um terminal. O trabalho consiste de 4 partes principais: estudo bibliográfico da área de Redes Neurais; simulações de faltas para a obtenção de padrões; definição e implementação dos modelos de Redes Neurais para identificação e localização da falta; e estudos de casos. Na fase do estudo bibliográfico sobre RNA, foi verificado que as topologias de redes mais usuais são as Feed- Forward, que podem ter uma ou mais camadas de Elementos Processadores (EP), sendo as redes com múltiplas camadas (Multi-Layer) a configuração mais completa. Para treinamento da rede, o algoritmo de aprendizado mais utilizado é o Back Propagation. Como fruto deste estudo bibliográfico é apresentado neste trabalho um resumo sobre RNA. Nas simulações de faltas para obtenção dos padrões de treinamento e teste, foi utilizado um sistema automático que, através da combinação de vários parâmetros do sistema elétrico, gera situações diferentes de falta. Este sistema utiliza como base o programa Alternative Transient Program - ATP. Neste trabalho o sistema elétrico está representado por uma LT de 345 KV, com fontes equivalentes representando um sistema real de Furnas Centrais Elétricas. Todos o sinais de tensão e corrente utilizados são representados por fasores de 60 Hz, obtidos através da Transformada Discreta de Fourier (TDF). Os modelos de RNAs para identificação e localização de falta foram implementados com sub-rotinas de redes neurais do programa MATLAB ver. 6.0, representados por Redes Perceptron Multicamadas (Multi Layer Perceptron), treinadas com algoritmo Back Propagation com taxa de aprendizado adaptativa e o termo momentum fixo. Um modelo único de RNA identifica quais as fases (A, B, C e T) envolvidas, classificando o tipo de falta, que pode ser: Monofásica; Bifásica; Bifásica-Terra ou Trifásica. Para a localização da falta, foram definidas 4 arquiteturas de RNA, uma para cada tipo de falta. A ativação de cada topologia de RNA para localização é definida em função do tipo de falta classificada no modelo de identificação com RNA. Na etapa de estudo de casos testou-se o desempenho de cada modelo de RNA utilizando casos de testes em outras situações de falta, diferentes dos conjuntos de treinamento. A RNA de identificação de falta foi avaliada para situações de faltas envolvendo outras LTs, com diferentes níveis de tensão. Os resultados das 4 RNAs de localização da falta foram comparados com os resultados obtidos utilizando o método tradicional, tanto para os casos simulados quanto para algumas situações reais de falta. A utilização de RNAs para a identificação e a localização de falta mostrouse bastante eficiente para os casos analisados, comprovando a aplicabilidade das redes neurais nesse problema. / [en] When a kind of fault occurs in a Transmission Line, its exact location is essential for a fast reclosing of the Electric System. Methods that use voltages and currents from only one terminal contain simplifications that can to cause mistakes. This paper presents an investigation about application of Artificial Neural Network (ANN) obtaining a new way of identification for the type of the short circuit and its location, using data obtained only in one terminal. The work consists on the following 4 main parts: bibliographical study of Neural Network`s area; simulations of faults in order to obtain of patterns; definition and implementation of Neural Network`s models for identification and location of the fault; and studies of cases. In the bibliographical study step on ANN, it was verified that the topologies for the more usual nets are Feed- Forward,that can have one or more layers of Processor Elements (PE), being the nets with multiple layers the most complete configuration. For the net training, the more used learning algorithm is Back Propagation. Product of this bibliographical study presents in this work a summary about ANN. In the faults simulations in order to obtain the training patterns and test, it was used an automatic system that, through the combination of several parameters of the electric system, generates different fault situations. This system uses as base the program Alternative Transient Program - ATP. In this work the electric system is represented by a Transmission Line of 345 KV, with equivalent sources representing a real system of Furnas Centrais Elétricas. All the voltages and currents signs used are represented by fasors of 60 Hz, obtained from Discret Fourier Transformer (DFT). The ANN models for identification and fault location were implemented with subroutines of neural network of the program MATLAB version 6.0, represented by Multi Layer Perceptron, with algorithm Back Propagation with tax of adaptive learning and the term momentum fixed. Only one model of ANN identifies which phases (A, B, C and T) are involved, classifying the fault type, that can be: Singlephase; Phase-to-Phase; Double Phase-to-Ground or Three-phase. For the fault location, they were defined 4 architectures of ANN, one for each type of fault. The activation of each topology of ANN for location is defined depending on of the fault type classified in the identification model with ANN. In the stage of cases study the representation of each model of ANN was tested using cases of tests in other fault situations, different from the training groups. The ANN of fault identification was evaluated for situations of faults involving other Transmission Line, with different voltage levels. The results of 4 ANNs of fault location were compared with the obtained results using the traditional method, so much for the simulated cases as for some real situations of fault. The use of ANNs for the identification and the fault location has shown quite efficient for the analyzed cases, proving the applicability of the neural networks in that problem.