Made available in DSpace on 2014-06-11T19:24:47Z (GMT). No. of bitstreams: 0 Previous issue date: 2002-10-11Bitstream added on 2014-06-13T18:21:15Z : No. of bitstreams: 1 carvalho_am_me_bauru.pdf: 4008376 bytes, checksum: 97703b4fe724c6225cc9bc7cc1913c4f (MD5) / Este trabalho apresenta uma contribuição ao estudo de técnicas para a detecção de defeitos em tubulações metálicas, causados pela ação agressiva dos fluidos conduzidos pelos mesmos, ou ações atmosféricas. O trabalho consiste no mapeamento e classificação da assinatura magnética que cada defeito, em uma tubulação metálica. A assinatura magnética do defeito pode ser entendida como sendo o padrão apresentado pela indução magnética na superfície do tubo, na presença de defeitos, objetos de investigação deste trabalho. Os defeitos simulados tiveram uma variação na altura e largura. Após as simulações, foram gerados vetores com valores da indução magnética na superfície logo acima de cada defeito simulado (assintura magnética). Os vetores obtidos foram utilizados para o treinamento de duas redes... / This work presents an investigation into the use of the finite element method and artificial neural networks in the identification of defects in industrial plants metallic tubes, due to the aggressive actions of the fluids contained by them, and/or atmospheric agents. The methodology used in this study consists of simulating a very large number of defects in a metallic tube, using the finite element method. Both variations in width and height of the defects are considered. Then, the obtained results are used to generate a set of vectors for the training of two perception multilayer artifical neural network. The first one was used to classify a group of new defects, simulated by the finite element method and the second one was used... (Complete abstract click electronic access below)

Orientador : Prof. Dr. Geraldo Picheth / Co-orientadora : Profª. Drª. Jeroniza Nunes Marchaukoski / Dissertação (mestrado) - Universidade Federal do Paraná, Setor de Educação Profissional e Tecnológica, Programa de Pós-Graduação em Bioinformática. Defesa: Curitiba, 13/04/2015 / Inclui referências / Resumo: O Diabetes mellitus gestacional (DMG) afeta cerca de 7% das gestações e tem impacto importante para a gestante, o feto e o neonato. O diagnóstico do DMG é realizado com base na determinação da glicemia em jejum e após sobrecarga. A identificação de padrões com base em características antropométricas e laboratoriais pode ser de interesse no processo de triagem do DMG. Nesse trabalho, o toolbox, open source, "WEKA" foi empregado, utilizando os algoritmos simple k-means e simple logistic, para a classificação de variáveis não-glicêmicas. A rede neural artificial, multilayer perceptron (MLP), foi aplicada na busca da identificação automática do DMG. A base do estudo foi uma amostra de 997 gestantes (699 = gestantes saudáveis (controle); 298 = gestantes com diabetes gestacional (DMG)) utilizando critérios glicêmicos estabelecidos pela American Diabetes Association. Os marcadores discriminantes selecionados com auxílio dos algoritmos k-means e simple logistic foram idade, peso, índice de massa corporal, pressão arterial sistólica, pressão arterial diastólica, ácido úrico, triglicérides, colesterol não HDL e Log(TG/HDL-C). Estas variáveis foram aplicadas na rede neural MLP para a classificar gestantes com DMG. A MLP devidamente treinada e testada permitiu 88% de predições corretas, estabelecendo uma sensibilidade de 92,1%, especificidade de 83,8% e acurácia de 87,5%. Em síntese, a metodologia desenvolvida neste trabalho é de baixo custo e uma alternativa de "segunda opinião" para a triagem do DMG. Palavras-chave: Diabetes mellitus gestacional; sistemas de apoio à decisão clínica; WEKA, k-means, simple-logistic, redes neurais artificiais. / Abstract: The gestational diabetes mellitus (GDM) affects about 7% of pregnancies and has an important impact on the mother, the fetus and the newborn. The diagnosis of GDM is based on the determination of fasting and post-load glycemia. The identification of patterns based on anthropometric and laboratory parameters can be of interest in the screening process of DMG. In this work, the toolbox, open source, "WEKA" was employed, using the simple k-means and simple logistic algorithms, for non-glycemic variables rating. The artificial neural network, multilayer perceptron (MLP), was applied in the search for automatic identification of the DMG. The basis of the study was a sample of 997 patients (699 = healthy pregnant women (control); 298 = pregnant women with gestational diabetes (GDM)) using glycemic criteria established by the American Diabetes Association. The discriminant markers selected with the help of k-means and simple logistic algorithms were age, weight, body mass index, systolic blood pressure, diastolic blood pressure, uric acid, triglycerides, non-HDL cholesterol and Log(TG/HDL-C). These variables were applied in MLP to classify pregnant women with GDM. The MLP network properly trained and tested allowed 88% of correct predictions, establishing a sensitivity of 92.1%, specificity of 83.8% and accuracy of 87.5%. In summary, the methodology developed in this work is low cost and an appropriate alternative to "second opinion", allowing GDM screening. Keywords: gestational diabetes; decision support systems; WEKA; k-means; simple logistic; artificial neural networks.

Orientador : Prof. Dr. Anselmo Chaves Neto / Co-orientador : Prof. Dr. Luiz Albino Teixeira Júnior / Tese (doutorado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Métodos Numéricos em Engenharia. Defesa: Curitiba, 21/12/2015 / Inclui referências : f.123-128 / Área de concentração: Programação matemática / Resumo: A proposta deste trabalho é apresentar uma nova metodologia híbrida WARIMAX-GARCH Neural para a previsão pontual e intervalar de séries temporais estocásticas. Fundamentalmente, é aplicada a decomposição Wavelet em séries históricas compostas por registros de monitoramento de barragens e suas componentes de aproximação e detalhe, as quais são modeladas, individualmente, via ARIMA-GARCH e Redes Neurais Artificiais (RNA). A partir de então, são realizadas as previsões pontuais fora da amostra pelas técnicas de modelagem e os resultados são combinados linearmente. As componentes de aproximação e detalhe são completadas com as previsões combinadas e passam a ser utilizadas como variáveis de entrada (exógenas híbridas) na modelagem da série em estudo. Em cada série temporal é aplicada a metodologia WARIMAX-GARCH Neural e são realizadas as previsões pontuais e intervalares, sob a suposição de inovações gaussianas. As séries temporais utilizadas neste trabalho de tese foram as séries temporais dos deslocamentos horizontais de blocos da barragem principal da Usina Hidrelétrica de Itaipu, aferidas pelos pêndulos diretos automatizados. Os desempenhos preditivos alcançados pela metodologia proposta, em relação aos resultados obtidos pelas modelagens tradicionais ARIMA-GARCH e RNA, foram consideravelmente vantajosos. Nas comparações dos resultados obtidos através do modelo WARIMAX-GARCH Neural com métodos tradicionais, a redução do erro preditivo chegou a 91%. Palavras-chave: Monitoramento de Barragens, Previsão de Séries Temporais, Modelos ARIMA, Modelos GARCH, Redes Neurais Artificiais, Decomposição Wavelet. / Abstract: This research proposes a new WARIMAX-GARCH Neural hybrid methodology for point and interval prediction of stochastic time series. Fundamentally, it is applied the wavelet decomposition on the time series made of monitoring data and its approximation and detail components were modeled by ARIMA-GARCH and Artificial Neural Networks (ANN). Thereafter, the point forecasts are performed out the sample by both modeling techniques and these results are combined linearly. The approximation and detail components are completed with the combined forecasts and are used as input variables (hybrid exogenous) in the modeling time series under study. In each time series is applied the WARIMAX-GARCH Neural methodology and are made the point and interval forecast, under the assumption of Gaussian innovations. The time series used in this research were the time series of horizontal displacements of the main dam blocks of Itaipu hydroelectric plant, measured by automated direct pendulums. The predictive performances achieved by the proposed method compared to the results obtained by traditional modeling ARIMA-GARCH and RNA were considerably advantageous. Comparing the results obtained by WARIMAX-GARCH Neural model to traditional methods there was a reduction of up to 91% of the predictive error. Keywords: Dams Monitoring, Forecast Time Series, ARIMA Models, GARCH Models, Artificial Neural Networks, Wavelet Decomposition.

Resumo

Orientador : Prof. Dr. Cassius Tadeu Scarpin / Coorientador : Prof. Dr. Luiz Albino Teixeira Junior / Tese (doutorado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Métodos Numéricos em Engenharia. Defesa: Curitiba, 14/04/2016 / Inclui referências : f. 117-127 / Área de concentração : Programação matemática / Resumo: A previsão de séries temporais é empregada em várias áreas de conhecimento. O presente estudo tem como foco auxiliar, a partir de previsões de séries temporais, a tomada de decisão da equipe responsável do monitoramento e segurança de barragens na Usina Hidrelétrica de Itaipu no Paraná. Busca-se melhorar a assertividade das previsões por meio de uma metodologia híbrida composta das técnicas de Box e Jenkins (método ARIMA), das Redes Neurais Artificiais de Funções de Bases Radiais e da Decomposição Wavelet. As três técnicas são associadas de forma única gerando ajustes de teste e previsões que são similares e, por vezes, com erros menores do que os modelos híbridos da literatura, como Zhang (2003); Khashei e Bijari (2011). A inovação da metodologia elaborada neste trabalho se dá em relação a estrutura e a forma de compor a combinação das técnicas. Dado que o tipo de Wavelet influencia nas previsões, desenvolveu-se uma lógica elementar para a sua escolha. As séries temporais consagradas na literatura, dos Linces Canadenses, das Manchas Solares e da Taxa de Câmbio, são aplicadas na metodologia proposta visando determinar a melhor configuração. Esta configuração obtida foi utilizada para a aplicação na série do Piezômetro, instrumento que monitora a subpressão da Usina Hidrelétrica de Itaipu. Foi realizado o ajuste de teste (quando se faz a aplicação do método um passo a frente, empregando os dados originais da série referente ao conjunto de teste) e previsão (quando a aplicação do método resulta em valores futuros e estes são empregados para a obtenção das próximas previsões). Os resultados obtidos, considerando o ajuste de teste da série temporal, em relação às séries da literatura foram comparados aos resultados publicados e verificou-se que nas três séries testadas a metodologia proposta obteve melhor desempenho. No que se refere a previsões destaca-se o resultado da série da Taxa de Câmbio, a qual tinha como melhor resultado da literatura um erro MSE de 3,648x10-5 em Khashei e Bijari (2011), sem a utilização da Decomposição Wavelet (DW); com a metodologia proposta, realizando a DW, obteve-se um MSE de 1,943x10-6. No que diz respeito a série do Piezômetro da Usina Hidrelétrica de Itaipu pode-se verificar que o erro MSE de 0,086, é menor em relação aos modelos ARIMA e Rede Neural de Função de Bases Radiais. / Abstract: The time series forecasting is used in various fields of knowledge. The focus of this study is to support the decision making from time-series forecasting, by the committee responsible for monitoring of dam safety in the Itaipu hydroelectric dam on the Paraná. Searching to improve the assertiveness of forecasts by a hybrid methodology consists of the techniques of Box and Jenkins (ARIMA method), the Artificial Neural Networks Radial Basis Functions and Wavelet Decomposition. The three techniques are uniquely associated with generating test settings and predictions which are similar to and sometimes better than the hybrid models from the literature, such as Zhang (2003); Khashei and Bijari (2011). The innovation of the methodology developed in this work is given regarding the structure and form to compose a combination of techniques. Given that kind of influence on Wavelet forecasting, developed an elementary logic to the choice. The time series usually used in literature, Canadian Lynx, Wolf's Sunspot and Exchange Rates are applied in the proposed methodology to determine the best configuration. This configuration obtained was used for the application in the Piezometer series instrument that monitors the underpressure of the Itaipu hydroelectric dam. It conducted the test adjustment (when do the method a step ahead, using the original data series regarding the test set) and forecast (when the application of the method results in future values and these are employees to obtain the next estimates). The results obtained, considering the time series test setting, in relation to the series in the literature were compared to the published results and found that the three series tested the proposed method performed better. As regards the highlight the estimates is the result series Exchange rate, which had the best result literature 3,648x10-5 MSE error by Khashei and Bijari (2011), without the Wavelet Decomposition; the proposed method with the Wavelet Decomposition, was obtained MSE of 1,943x10-6. Regarding the Itaipu hydroelectric dam piezometer series can be seen which the MSE error of 0.086 is lower compared to ARIMA and Neural Network Radial Basis Function models.

Orientador: Maria de Lourdes Bueno Trindade Galo / Banca: Luciana de Resende Londe / Banca: Aluir Porfirio Dal Poz / Resumo: O conhecimento da distribuição espacial da concentração de componentes da água é de fundamental importância para inferir a respeito dos processos ecológicos que ocorrem num sistema hídrico sendo, entretanto, de difícil obtenção. Dentre as variáveis que merecem atenção no monitoramento de ambientes aquáticos, destaca-se a clorofila a, a qual é uma substância presente em algas responsáveis pela fotossíntese, organismos que constituem a base da cadeia alimentar nesses ambientes. Por se tratar de um pigmento fotossintetizante, a clorofila a apresenta a propriedade de interagir com a radiação eletromagnética, e dessa interação resultam diferentes processos, identificáveis por meio de sensores remotos. Assim sendo, a presente pesquisa se propôs a desenvolver um método de inferência da concentração de clorofila a utilizando Redes Neurais Artificiais (RNA). Utilizou-se como dados de entrada para a inferência combinações de bandas espectrais de uma imagem World View-2 e valores de concentração de clorofila a obtidos com um fluorômetro de campo, o qual possibilitou uma amostragem densa na área de estudos. A imagem multiespectral foi corrigida radiometricamente, eliminando efeitos de instrumentação e atmosféricos. Ainda, efetuou-se uma suavização espectral em cada uma das bandas e foi avaliado se esse tratamento na imagem possibilitaria... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: The knowledge of the spatial distribution of water components concentrations is of fundamental importance to infer about the ecological processes that occur in an aquatic system, however, is difficult to obtain it. Among the variables that deserve attention in the monitoring of aquatic environments, cite the chlorophyll a, which is a substance of photosynthetic algae, organisms that are the basis of the food chain in these environments. Because it is a photosynthetic pigment, chlorophyll a has the property to interact with electromagnetic radiation, and it results in different processes, identifiable through remote sensing. Thus, this research intended to develop a chlorophyll a concentration inference method using Artificial Neural Networks (ANN). As input for the inference, it was used combinations of World View-2 spectral bands and chlorophyll a concentration values obtained with a field fluorometer, which allowed a dense sampling in the study area. The multispectral imagery was radiometrically corrected, eliminating the instrumentation and atmospheric effects. Still, it was performed a spectral smoothing in each of the spectral bands and evaluated whether this treatment would give... (Complete abstract click electronic access below) / Mestre

Orientador: Ricardo Tokio Higuti / Banca: Aparecido Augusto de Carvalho / Banca: Ivan Nunes da Silva / Resumo: Na indústria de laticínios, a qualidade do leite é medida por alguns parâmetros como gordura, lactose, proteína e água adicionada. Baixos teores de gordura podem diminuir suas propriedades nutricionais, e o que pode ser um indicativo de adulteração, com consequências econômicas e para a saúde. Por estas razões, o leite recebido de produtores deve passar por alguns testes antes de sua aceitação nos laticínios. Atualmente, as técnicas utilizadas para medição de parâmetros do leite em geral envolvem manipulação de produtos químicos e podem ser demoradas e destrutivas. Desta forma, observa-se a necessidade do desenvolvimento de métodos rápidos, de fácil manipulação e que não tragam perigo ao ser humano. Este trabalho apresenta um estudo sobre a caracterização de leite fluido utilizando técnicas de ultra-som e redes neurais artificiais. Métodos de ultra-som podem ser rápidos, não destrutivos e não agressivos enquanto que redes neurais possuem a vantagem de aprender através de exemplos apresentados e de generalizar as informações aprendidas. As redes neurais também são capazes de extrair informações não apresentadas de forma explícita, através de exemplos. Utiliza-se uma célula de medição de parâmetros acústicos para obter dados como a velocidade de propagação, coeficiente de atenuação e densidade de amostras. Esses valores são correlacionados com as propriedades do leite, como teor de gordura e teor de agua adicionada, que são medidos com métodos convencionalmente utilizados em laticínios e laboratórios de tecnologia de alimentos, como o método Gerber e o crioscópio. Esses dados são utilizados para projetar uma rede neural artificial do tipo MLP (Multi-Layer Perceptron), que fornece na saída o teor de gordura e a quantidade de água adicionada ao leite, a partir dos... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: In the dairy industry, quality of milk is measured by some parameters such as fat, lactose, protein and water content (or added water). Lower values of fat content can decrease its nutritional properties, while higher values of water content may be an indicative of adulteration, for example, resulting in health and economic impacts. For these reasons, in dairy industries, milk that is received from producers must be tested or certificated before its acceptance. Nowadays, the techniques used for milk parameters measurement, in general, involve manipulation of chemical products, may be time-consuming and destructive. Consequently, the development of faster methods, with ease of manipulation and that are not harmful to the human being are important. This work presents a study about the characterization of milk using ultrasound techniques and neural networks. Ultrasound methods can be fast, non destructive and non aggressive, while neural networks techniques have the advantage of learning through presented examples and of generalizing the learned information. An ultrasonic liquid measurement cell is used to obtain data as acoustic propagation velocity, attenuation coefiicient and density of samples. Those values are correlated with milk properties, as fat content and added water, that are measured with con- ventional methods used in dairy industries and food technology laboratories, such as the Gerber method and the crioscope. Using these data, MLP (Multi-Layer Percep- tron) neural networks are obtained, that determine the fat content and the amount of added water to the milk, having as inputs the measured acoustic parameters from the measurement cell. The developed neural networks resulted in more than 95% of correct classifications, with a resolution of 0,1% in the determination of the fat content. For added water, the... (Complete abstract click electronic access below) / Mestre

Orientador: Anna Diva Plasencia Lotufo / Resumo: O dióxido de carbono (CO2) é considerado um dos principais gases do efeito estufa adicional e contribui significativamente para as mudanças climáticas globais. Áreas agrícolas oferecem uma oportunidade para mitigar esse efeito, uma vez que, dependendo de seu uso e manejo, são capazes de armazenar grandes quantidades de carbono, retirando-as da atmosfera. A produção de CO2 no solo é resultado de processos biológicos, como a decomposição da matéria orgânica e respiração de raízes e organismos do solo, fenômeno chamado de emissão de CO2 do solo (FCO2). O objetivo deste trabalho foi utilizar as redes neurais artificiais para estudo e previsão de padrões espaço-temporais da emissão de CO2 do solo em áreas de cana-de-açúcar em sistema de cana crua, colheita mecanizada, quando grandes quantidades de palhas são depositadas sobre a superfície do solo. Valores de FCO2 foram coletados em áreas de cultivo comercial no Sudeste do Estado de São Paulo, registrados por meio do sistema LI-8100, em gradeados amostrais para determinação da variabilidade espaçotemporal de FCO2, e atributos físicos e químicos do solo. Foram utilizados dados referentes a estudos realizados nos anos de 2008, 2010 e 2012, no período após a operação de colheita mecânica da cultura. Uma rede neural Perceptron Multi-Camadas via algoritmo backpropagation foi aplicada para estimar a emissão de FCO2 do ano de 2012, utilizando os dados referentes aos anos de 2008 e 2010 para treinamento da rede neural. A rede neural inici... (Resumo completo, clicar acesso eletrônico abaixo) / Doutor

Orientador: Norian Marranghello / Banca: Aledir Silveira Pereira / Banca: Henrique Dezani / Resumo: Neste trabalho foi desenvolvido um sistema de controle híbrido bioinspirado para o planejamento de rota com vistas para a robótica móvel autônoma, baseado em redes neurais artificiais e algoritmos genéticos. O controlador tem como principal objetivo auxiliar o robô móvel em sua navegação quando aplicado em ambientes dinâmicos. Para este trabalho, o ambiente dinâmico utilizado é um "chão de fábrica" industrial, em que alguns obstáculos não são fixos e permanecem em movimentação constante. O controlador desenvolvido neste trabalho pode ser adaptado facilmente para operar em outros ambientes dinâmicos. Independentemente do ambiente utilizado, o controlador deve ser capaz de traçar uma rota possível entre o ponto inicial e o ponto de objetivo, tendo o potencial de evitar todo tipo de obstáculo que surgir nessa rota, seja um obstáculo estático ou dinâmico. O algoritmo foi implementado na linguagem C e simulado no software de modelagem e simulação de robôs V-REP (Virtual Robot Experimentation Platform). O controlador neurogenético mostrou ser eficiente para auxiliar o robô em sua navegação quando aplicado em ambientes dinâmicos / Abstract: In this work, a bioinspired hybrid control system was developed for route planning, aiming autonomous mobile robots based on artificial neural networks and genetic algorithms. The main objective of the controller is to assist the mobile robot in its navigation when applied in dynamic environments. For this work, the dynamic environment chosen was a " factory floor", in which some industrial obstacles are not fixed and remain in constant movements. The controller developed in this work can easily be adapted to operate in other dynamic environments. Regardless the environment chosen in this work, the controller must be able to map out a possible route between the starting point and the goal point with the potential to avoid all types of obstacles that appear along the routes, either a static or a dynamic one. The algorithm was implemented in C language and simulated on a robots modeling and simulation software called V-REP (Virtual Robot Experimentation Platform). The neurogenetic controller was efficient to assist the mobile robot in its navigation when applied in dynamic environments / Mestre

Orientador: Nobuo Oki / Banca: Jozue Vieira Filho / Banca: Marcelo Arturo Jara Perez / Resumo: Este trabalho apresenta a implementação de uma Rede Neural de Base Radial (RNBR) utilizando tecnologia 0.8æm BiCMOS da ÁustriaMicroSystems (AMS) e seu respectivo treinamento utilizando a Computação Evolucionária (CE). O Algoritmo Genético (AG) foi o algoritmo de treinamento utilizado, pois é de simples operação, fácil implementação, eficaz na busca da região onde, provavelmente, encontra-se o mínimo global e é aplicável em situações onde não se conhece o modelo matemático ou este é impreciso. A finalidade deste trabalho é mostrar a capacidade de se fazer o treinamento de uma rede neural em um hardware, utilizando a Computação Evolucionária. Para demonstrar a viabilidade desta rede foram implementadas duas aplicações: a conversão de um sinal triangular em um sinal senoidal e a linearização de um oscilador controlado por tensão. Os resultados experimentais obtidos mostram a viabilidade deste treinamento. / Abstract: This work describes the implementation of Radial Basis Neural Netwoks (RBNN) in 0.8æm BiCMOS technology of AustriaMicroSystems (AMS) and it is training using the Evolutionary Computation. The Genetic Algoritmic (AG) was the training algorithmic choice due its simple operation, easy implementation and efficient way to find the minimum global point. Also it can be applied when the mathematical model was not well formulated or inaccurate. The aim of this work is show the capacity of training the neural network implemented in hardware using the Evolutionary Computation. For show the feasibility of this neural network two application were implemented: the triangular sinusoidal signal conversion and the voltage controlled oscillator linearization. The experimental results show the feasibility of this training. / Mestre