Orientador: Carlos Roberto de Souza Filho / Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Geociencias / Made available in DSpace on 2018-08-12T04:50:06Z (GMT). No. of bitstreams: 1 Costa_FabianeHilariodosSantos_D.pdf: 3757483 bytes, checksum: 369720c360cc4dec0417fd66b15d21f8 (MD5) Previous issue date: 2008 / Resumo: A área de estudo situa-se o Vale do Ribeira, região sul do Estado de São Paulo e nordeste do Estado do Paraná, dentro da Faixa de Dobramentos Apiaí e comporta depósitos de chumbo e zinco. Esteve sob a influência das atividades de mineração de chumbo e de uma usina de refino dos minérios que eram produzidos nas minas da região até o final de 1995. A área exibe solos enriquecidos em As e metais pesados, derivados do intemperismo de rochas metassedimentares e metabásicas hospedeiras de mineralizações. O presente trabalho foi desenvolvido visando demonstrar à evolução dos processos erosivos e está estruturado através de quatro abordagens. Primeiramente, através de técnicas de sensoriamento remoto e geoprocessamento aplicou-se o modelo EUPS (Equação Universal de Perda de Solo), tendo como saída do modelo mapas potenciais de erosão. A segunda abordagem foi à modelagem espaçotemporal baseada em autômatos celulares como ferramenta de análise das mudanças de uso do solo, incrementado pela análise de demandas pela cadeia de Markov, e com cálculo de preferências de alocação através da Regressão Logística. Gerou-se a evolução do uso do solo de 1990 a 2010, demonstrando que há um aumento nas áreas com solos expostos, fazendo-se necessário o uso de práticas conservacionistas. Sabendo que a erosão é um problema grave, a terceira abordagem buscou quantificar a produção de sedimentos utilizando os caminhos do escoamento com auxílio do modelo numérico do terreno. Como resultado, obteve-se mapas temporais de perdas de sedimento, sendo possível quantificar as áreas com altas perdas e sua relação com a anomalia natural existente na área de estudo. Finalmente, com o intuito de reconhecer padrões em solos, realizou-se modelagem espacial em dados multifonte através de redes neurais artificiais. Foi possível reconhecer a assinatura dos padrões nos mapas multifonte e em áreas onde não se tem análises geoquímicas. Para validação desta modelagem, realizou-se o mesmo procedimento para dados de chumbo em sedimentos de corrente, que abrangem uma área maior de amostragem, mostrando-se coerentes com as áreas obtidas para solos. / Abstract: This paper comprises an experiment to map hidden patterns in multi-source data that could be associated with Pb geochemical soil anomalies. The study area is confined between the Apiaí Fold-Belt, hosts numerous Pb and Zn deposits; it was under the influence of regional Pb mining and Pb refinery factory activities until 1995; and exhibits soils enriched in Pb, As and other heavy metals yielded from the supergenic alteration of metavolcanic and metasedimentary rocks that host the metallic mineralizations. Using Neural Networks available in the ArcSDM (Arc Spatial Data Modeler) package, it was demonstrated that there is a signature indicated by the data that agrees with anomalous concentrations of Pb in soil over control areas. This signature was also detected in sectors for which no soil geochemical surveys were available, but a regional stream sediment survey. This survey also revealed a coincidence among tracts with local multi-source signatures and high concentration in Pb, indicating the consistency of the pattern against both soil and stream sediment Pb anomalies. This results have several implications to the use of scarcely spaced sampling geochemistry to detect patterns that can be linked to environmental risk areas. / Doutorado / Metalogenese / Doutor em Ciências

Orientador: Peter Sussner / Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Matemática Estatística e Computação Científica / Made available in DSpace on 2018-08-25T00:54:31Z (GMT). No. of bitstreams: 1 Esmi_Estevao_D.pdf: 1836434 bytes, checksum: 5c3a2879200ff2c7bb59b21e24a173fc (MD5) Previous issue date: 2014 / Resumo: Muitas das memórias associativas fuzzy (FAMs) da literatura correspondem a redes neurais com uma única camada de pesos que armazenam de forma distributiva as informações das associações desejadas. As principais aplicações deste tipo de mémorias associativas são encontradas em sistemas baseados em regras fuzzy. Nesta tese introduzimos a classe de memórias associativas fuzzy-T (T-FAMs) que, em contraste com estes outros modelos, representam redes neurais fuzzy com duas camadas. Caso particulares de T-FAMs, denominadas S-FAMs (duais) e E-FAMs, são baseadas em medidas de subsethood e equivalência fuzzy. Resultados gerais sobre a capacidade de armazenamento e a capacidade de correção de erro das T-FAMs também foram providenciados. Adicionalmente, introduzimos um algoritmo geral de treinamento para T-FAM cuja convergência é sempre garantida. Apresentamos ainda um algoritmo alternativo para treinamento de uma certa classe de E-FAMs que além de ajustar os seus parâmetros também determina automaticamente a topologia da rede. Finalmente, comparamos as taxas de classificação produzidas pelas T-FAMs com alguns classificadores bem conhecidos em diversos problemas de classificação disponíveis na internet. Além disso, aplicamos com sucesso as T-FAMs em um problema de auto-localização de robô móvel baseado em visão / Abstract: Most fuzzy associative memories in the literature correspond to neural networks with a single layer of weights that distributively contains the information about the associations to be stored. The main applications of these types of associative memory can be found in fuzzy rule-base systems. In contrast, we present in this thesis the class of T-fuzzy associative memories (T-FAMs) that represent fuzzy neural networks with two layers. Particular cases of T-FAMs, called (dual) S-FAMs and E-FAMs, are based on fuzzy subsethood and equivalence measures. We provide theoretical results concerning the storage capability and error correction capability of T-FAMs. Furthermore, we introduce a general training algorithm for T-FAM that is guaranteed to converge in a finite numbers of iterations. We also proposed another alternative training algorithm for a certain type of E-FAM that not only adjusts the parameters of the corresponding network but also automatically determines its topology. We compare the classification rates produced by T-FAMs with that ones of some well-known classifiers in several benchmark classification problems that are available on the internet. Finally, we successful apply T-FAM approach to a problem of vision-based selflocalization in mobile robotics / Doutorado / Matematica Aplicada / Doutor em Matemática Aplicada

Orientador: Ana Maria Frattini Fileti / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Química / Made available in DSpace on 2018-08-22T17:41:17Z (GMT). No. of bitstreams: 1 Silva_BrunoGuzzoda_M.pdf: 3572224 bytes, checksum: 769121ab368a29b801674c746404c405 (MD5) Previous issue date: 2013 / Resumo: A pimenta-rosa, produzida a partir dos frutos da aroeira-vermelha (Schinus terebinthifolius Raddi), é um dos mais sofisticados condimentos da culinária internacional e que vem apresentando um aumento na sua demanda. No entanto, na literatura encontram-se poucos estudos sobre o seu processamento, em que a secagem é uma etapa indispensável e que ainda é realizada de forma empírica. Nas empresas beneficiadoras, a etapa de secagem tem por finalidade aumentar a vida de prateleira do produto, além de agregar valor aos frutos da aroeira-vermelha. Neste contexto, este trabalho teve por objetivo realizar investigações no processo de secagem de frutos de aroeira-vermelha, focando principalmente no estudo de modelos matemáticos para a simulação do processo. As amostras de frutos de aroeira-vermelha, utilizadas nos ensaios de caracterização e secagem, foram classificadas manualmente e reumidificadas artificialmente. Para a caracterização do sistema particulado, os seguintes parâmetros foram determinados: teor de umidade em base seca; diâmetro médio e massa específica aparente dos frutos; e massa específica e porosidade do leito de frutos. Também foram determinadas, através do método estático, as isotermas de dessorção de umidade dos frutos em temperaturas de 30, 50 e 70 ºC. Um Delineamento Composto Central Rotacional (DCCR) com 11 experimentos foi desenvolvido e foram investigadas as influências da temperatura (40 a 70 ºC) e da velocidade do ar de secagem (0,4 a 0,8 m/s) no processo. Em cada um dos ensaios do DCCR foram analisadas a cinética de secagem e a curva de taxas de secagem dos frutos de aroeira-vermelha. Os modelos de difusão, de Lewis, de Henderson e Pabis, de Page modificado e de Henderson foram ajustados aos dados experimentais da cinética de secagem, sendo realizada a comparação destes modelos com um modelo fundamentado na Inteligência Artificial. Os resultados revelaram que, para as condições operacionais estudadas neste trabalho, a temperatura do ar de secagem apresenta uma influência maior no processo. A cinética de secagem ocorre principalmente no período de taxa decrescente. Isto indica que a secagem ocorre pela remoção da umidade interna do sólido. O modelo via Redes Neurais Artificiais (RNA's) e o modelo de Henderson apresentaram os resultados mais satisfatórios no ajuste aos dados da cinética de secagem dos frutos de aroeira-vermelha. No entanto, observou-se que a principal vantagem do modelo de RNA, em relação aos modelos clássicos, foi a sua generalidade. O modelo de RNA foi capaz de descrever uma série de experiências com precisão, enquanto que a aplicação de modelos clássicos foi limitada a uma experiência específica. Para o modelo neural, esta gama de condições experimentais pode ser expandida através da adição de novos conjuntos de experimentos de treinamento. Deste modo, os resultados satisfatórios da utilização de um modelo baseado em RNA's em processos de secagem indicam a potencialidade da aplicação desta ferramenta na modelagem de processos industriais de secagem / Abstract: The pink pepper, produced from the Brazilian pepper-tree fruits (Schinus terebinthifolius Raddi), is one of the most sophisticated condiments of the international cuisine. The demand for pink pepper is increasing because it adds taste and refinement to international cuisine. Until now, rare are the studies that investigated the drying of Brazilian pepper?tree fruits. In the processing companies, the process is carried out empirically and the drying operation is an important step. The Brazilian pepper?tree fruits are dried to inhibit microbial development and quality decay. Another benefit of drying is a reduction in weight. In this context, this study aimed to perform investigations in the drying process of Brazilian pepper?tree fruits, focusing mainly in the study of mathematical models to simulate drying kinetics. Before each test, the fruits were sorted manually and humidified artificially. In this study, physical characterization of Brazilian pepper?tree fruits was obtained by evaluating the moisture content on dry basis; mean diameter and apparent density; bulk density and porosity. The moisture sorption isotherm, at temperatures of 30, 50 and 70 ºC, were determined by the static method. A Central Composite Rotable Design (CCRD) with 11 experiments was developed. In each experiment, the drying kinetics and the drying rate were investigated, as well as the influence of input variables on the drying process. Classical models were fitted to the drying data, as well as a model based on Artificial Intelligence. In the operating conditions of this study, the results revealed that the air temperature has a greater influence on the thin layer drying process of Brazilian pepper?tree fruits. The drying kinetics occurs mainly in the falling-rate period of drying. This indicates that drying occurs mainly by removal of internal moisture of the solid. The artificial neural network model and the Henderson model fitted to the experimental data more accurately in comparison to the various mathematical models. However, it was observed that the main advantage of the artificial neural network model over classical models was their generality. The ANN model was able to describe a range of experiments accurately, while the application of classical models is limited to a specific experiment. For the neural model, this range of experimental conditions may be expanded by addition of new sets of experiments in training / Mestrado / Sistemas de Processos Quimicos e Informatica / Mestre em Engenharia Química

Orientador: Romis Ribeiro de Faissol Attux / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação / Made available in DSpace on 2018-08-22T21:42:43Z (GMT). No. of bitstreams: 1 Boccato_Levy_D.pdf: 9602973 bytes, checksum: 0bfc5a3c46d2a9041890600ab877144c (MD5) Previous issue date: 2013 / Resumo: As redes neurais com estados de eco (em inglês, echo state networks, ESNs) são estruturas recorrentes capazes de aliar processamento dinâmico a um processo de treinamento relativamente simples, o qual se resume à adaptação dos coeficientes do combinador linear da saída no sentido de mínimo erro quadrático médio (em inglês, mean squared error, MSE), enquanto os pesos das conexões no reservatório de dinâmicas são ajustados de maneira antecipada e permanecem fixos. A presente tese trata dos principais elementos que caracterizam as ESNs e propõe: (i) uma unificação entre as abordagens de computação com reservatórios, como as ESNs e as liquid state machines (LSMs), e as extreme learning machines (ELMs), sob o termo geral de máquinas desorganizadas, o qual estabelece uma conexão com as pioneiras idéias conexionistas de Alan Mathison Turing; (ii) uma nova arquitetura de ESN, cuja camada de saída é composta por um filtro de Volterra e por um estágio de compressão baseado em Análise de Componentes Principais (em inglês, Principal Component Analysis, PCA); (iii) o uso de critérios de aprendizado baseados em teoria da informação e em normas Lp em lugar do critério MSE para a adaptação dos parâmetros da camada de saída de ESNs; e (iv) uma estratégia não-supervisionada de projeto da camada recorrente de ESNs baseada em interações laterais, modeladas segundo a função chapéu mexicano, e na auto-organização dos pesos de entrada. As propostas elaboradas neste trabalho são analisadas através de simulações no contexto de diferentes problemas de processamento da informação, como equalização de canais de comunicação, separação de fontes e predição de séries temporais / Abstract: Echo state networks (ESNs) are recurrent structures capable of allying dynamic processing to a relatively simple training process, which amounts to adapting the coefficients of the linear combiner at the output in the minimum mean squared error (MSE) sense, while the connection weights in the dynamical reservoir are adjusted in advance and remain fixed. The present thesis deals with the main elements that characterize ESNs and proposes: (i ) a unification between reservoir computing approaches, such as ESNs and liquid state machines (LSMs), and extreme learning machines (ELMs), under the general term of unorganized machines, which establishes a connection with the pioneering connectionist ideas of Alan Mathison Turing; (ii ) a novel ESN architecture whose output layer is composed of a Volterra filter and of a compression stage based on Principal Component Analysis (PCA); (iii ) the use of information-theoretic learning criteria and those based on Lp norms instead of the MSE criterion for the adaptation of the parameters of the ESN output layer; and (iv) an unsupervised strategy for designing the recurrent layer of ESNs based on lateral interactions, modeled according to the mexican hat function, and on the self-organization of the input weights. The proposals developed in this work are analyzed through simulations in the context of different information processing problems, such as channel equalization, source separation and time series prediction / Doutorado / Engenharia de Computação / Doutor em Engenharia Elétrica

Orientador: Janito Vaqueiro Ferreira / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica / Made available in DSpace on 2018-08-23T16:12:48Z (GMT). No. of bitstreams: 1 ArcilaGago_ManuelFelipe_M.pdf: 7192169 bytes, checksum: 7b23a08769656a07765344e20d1f6ad4 (MD5) Previous issue date: 2013 / Resumo: A variedade de materiais no setor aeronáutico para redução de peso e custo tem se proliferado a um grau intensivo, onde têm sido revisadas diferentes pesquisas para encontrar outros tipos de materiais de fácil maneabilidade para construção de peças que satisfazem as restrições impostas. Assim, existe uma procura constante de soluções para facilitar a produção, e ao mesmo tempo aumentar a segurança das aeronaves levando em consideração pontos importantes como a fadiga e ruptura do material. Um material frequentemente utilizado que atende a estes requisitos devido a suas propriedades de densidade e resistência é o alumínio, e é neste ambiente que existe um processo de manufatura utilizado para a soldagem conhecido como "Friction Stir Welding" (FSW). No presente momento, estudos para criação de modelos que representem características mecânicas utilizadas em projetos em função de parâmetros do processo tem sido pesquisados. Embora este processo seja de difícil modelagem devidos as suas complexidades, tem sido estudado e utilizado diferentes algoritmos que possibilitem o melhoramento da representação do modelo, tais como os relacionados com máquinas de aprendizagem (ML) e suas diferentes otimizações. Neste contexto, a presente pesquisa tem seu foco na obtenção de um modelo baseado no algoritmo de aprendizagem de Máquina de Vetores de Suporte (SVM), e também com outros algoritmos tais como Regressão Polinomial (RP) e Rede Neural Artificial (RNA), buscando encontrar modelos que representem o processo de soldagem por FSW através das propriedades mecânicas obtidas pelos ensaios de tração e por análise de variância (ANOVA), entendendo suas vantagens e, posteriormente, recomendar quais dos algoritmos de aprendizagem tem maior beneficio / Abstract: In the aerospace industry to reduce weight and cost, a great quantity of materials has been used, which has generated research to find types of materials, that have been better maneuverability and to guarantee the properties required to development of pieces for the industry. Thus, the studies look for optimize between production easiness and increase the aircraft safety, taking into consideration important issues such as fatigue and fracture of the materials. One of the most common approach used is aluminum by their mechanical properties (density and strength), although it has many problems to be welding with the traditional methods. Currently, the Friction Stir Welding (FSW) process is used in the industry, as well in the academy. However, the FSW is difficult to model by the complexities in the physical phenomenal occurred during the weld process, as result, has been studied and used different algorithms that allow enhance the model representation. The Machine Learning (ML) is a methodology studied to obtain the model optimized. In this context, the present research focus by to obtain a model-based in learning algorithm using Support Vector Machine (SVM). Although comparisons were made with other algorithms such as Polynomial Regression (PR) and Artificial Neural Network (ANN), searching to find models that represent the FSW process weld using the mechanical properties obtained by tensile tests and analysis of variance (ANOVA). Finally, conclusions to understand the advantages learning algorithms are presented / Mestrado / Mecanica dos Sólidos e Projeto Mecanico / Mestre em Engenharia Mecânica

Orientadores: Takaaki Ohishi, Ricardo Menezes Salgado / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação / Made available in DSpace on 2018-08-23T18:34:18Z (GMT). No. of bitstreams: 1 FrancoJunior_EdgarFonseca_M.pdf: 7364704 bytes, checksum: be747ce93528de5661be3b2b3bf77cbc (MD5) Previous issue date: 2013 / Resumo: Em um sistema de energia elétrica em corrente alternada, a geração, a transmissão e o consumo de energia elétrica são divididos em potência ativa e reativa. O planejamento, a operação e análise destes sistemas são baseados em estimativas futuras do consumo de energia, e neste contexto são importantes os modelos de previsão de carga ativa e reativa. Nesta dissertação são testados modelos de previsão de curto prazo para carga ativa e reativa utilizando modelos de redes neurais artificiais. Em particular, são implementados e testados várias metodologias de seleção de entradas. A seleção de um subconjunto apropriado de variáveis para a inclusão em um sistema é um passo vital no desenvolvimento de qualquer modelo. Isto é particularmente importante nos modelos de previsão como redes neurais artificiais, pois o desempenho do modelo final é fortemente dependente das variáveis de entrada utilizadas. Esta dissertação desenvolveu um modelo que dá suporte à integração de algumas técnicas de seleção (informação mútua e informação mútua parcial) tendo o intuito de facilitar a utilização destas, assim como a sua comparação quando aplicada a determinados problemas de previsão. Para os experimentos, foram trabalhados 3 barramentos (com faixas de demanda diferentes), sendo que para cada um utilizou-se da carga de potência ativa e reativa. Os resultados alcançados são dados em função do erro médio absoluto e do erro percentual médio absoluto; além dessas medidas, foi realizada uma análise sobre o fator de potência para os valores reais e previstos / Abstract: In a system of alternating current electricity, generation, transmission and consumption of electricity are divided into active and reactive power. The planning, operation and analysis of these systems are based on estimates of future energy consumption, and in this context are important predictive models of active and reactive load. This dissertation tested forecasting models for short-term active and reactive load models using artificial neural networks. In particular, are implemented and tested many methods of selection enters. The selection of an appropriate subset of variables for inclusion in a system is a vital step in the development of any model. This is particularly important in forecasting models such as artificial neural networks, due to the performance of the final model is strongly dependent on the input variables used. This dissertation developed a model that supports the integration of some techniques for selection (mutual information and partial mutual information) with the aim to facilitate the use of these, as well as, its comparison when applied to certain prediction problems. For the experiments have been worked 3 buses (with different ranges of demand), and for each one used the load active and reactive power. The results obtained are given in function of the mean absolute error and mean absolute percentage error; in addition to these measures, an analysis was made of the power factor for the actual and target values / Mestrado / Engenharia de Computação / Mestre em Engenharia Elétrica

Orientadores: Christiano Lyra Filho, Romis Ribeiro de Faissol Attux / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação / Made available in DSpace on 2018-08-24T05:06:09Z (GMT). No. of bitstreams: 1 Siqueira_HugoValadares_D.pdf: 10867937 bytes, checksum: 512652380d6dd25b8717bfd5c8f5f0f8 (MD5) Previous issue date: 2013 / Resumo: Este trabalho explora a possibilidade de aplicação de arquiteturas de redes neurais artificiais - redes neurais de estado de eco (ESN) e máquinas de aprendizado extremo (ELM) - aqui denominadas coletivamente por máquinas desorganizadas (MDs), para a previsão de séries de vazões. A previsão de vazões é uma das etapas fundamentais no planejamento da operação dos sistemas de energia elétrica com predominância hidráulica, como é o caso brasileiro. Os modelos mais comumente utilizados para previsão de vazões pelo Setor Elétrico Brasileiro (SEB) são baseados na metodologia Box & Jenkins, lineares, sobretudo modelos periódicos auto-regressivos (PAR). Todavia, técnicas mais abrangentes, que alcancem melhores desempenhos, vêm sendo investigadas. Destacam-se as redes neurais artificiais, sobretudo arquiteturas do tipo perceptron de múltiplas camadas (MLP), muito conhecidas por serem aproximadores universais com elevada capacidade de aprendizado e mapeamento não-linear, características desejáveis para solução do problema em questão. Por outro lado, as máquinas desorganizadas têm apresentado resultados promissores na previsão de séries temporais. Estes modelos têm um processo de treinamento simples, baseado em encontrar os coeficientes de um combinador linear; em particular, não precisam fazer ajuste dos pesos de sua camada intermediária, ao contrário das redes MLP. Por isso, este trabalho investigou as MDs do tipo ESN e ELM, versões recorrente e não-recorrente, respectivamente, para previsão de vazões médias mensais. Serão avaliadas também três técnicas para retirada da componente sazonal característica destas séries ¿ médias móveis, padronização e diferenças sazonal ¿ além da exploração de técnicas de seleção de variáveis do tipo filtro e wrapper, no intuito de melhorar performance dos modelos preditores. Na maioria dos casos estudados, os resultados obtidos pelas MDs na previsão das séries associadas a importantes usinas hidrelétricas brasileiras - Furnas, Emborcação e Sobradinho - em cenários com horizontes variados, mostraram-se de melhor qualidade do que os obtidos pelo modelo PAR e as redes neurais MLPs / Abstract: This work explores the possibility of application of neural network architectures ¿ echo state networks (ESN) and extreme learning machines (ELM) ¿ collectively referred as unorganized machines (UMs), to seasonal streamflow series forecasting. Streamflow forecasting is one of the key steps in the planning of operation of power systems with hydraulic predominance, as in the Brazilian case. The models most commonly used to streamflow prediction by the Brazilian Electric Sector are based on the Box & Jenkins methodology, with linear and especially periodic autoregressive models. However, more extensive techniques that achieve better performances have been investigated to this task. We highlight artificial neural networks, especially architectures such as multilayer perceptron (MLP), known to be universal approximators with high learning ability skills ability to perform nonlinear mapping, desirable characteristics for the solution of this problem. On the other hand, unorganized machines have shown promising results in time series forecasting. These models have a simple training process, based on finding the coefficients of a linear combiner; they do not require adjustments in the weights of the hidden layer, which are necessary with MLP architecture. Therefore, this study investigated the UMs such as ESN and ELM, recurrent and nonrecurrent versions, respectively, to seasonal streamflow series forecasting. Three techniques to remove the seasonal component of streamflow series will also be evaluated - moving averages, standardization and seasonal differences. In addition, In order to improve the performance of predictive models techniques for variable selection, such as filters and wrappers, will also be explored. In the most cases, the computational results obtained by the UMs in streamflow series forecasting associated to important Brazilian hydroelectric plants - Furnas, Emborcação and Sobradinho - with scenarios including several horizons, presented better performance when compared to forecasting obtained with PAR models and MLPs / Doutorado / Energia Eletrica / Doutor em Engenharia Elétrica

Orientador: Philippe Remy Bernard Devloo / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Civil, Arquitetura e Urbanismo / Made available in DSpace on 2018-08-19T19:01:38Z (GMT). No. of bitstreams: 1 Santos_ThiagoDiasdos_M.pdf: 3063221 bytes, checksum: 5d64512942a835687c68946975bc53ef (MD5) Previous issue date: 2012 / Resumo: No presente trabalho, desenvolveu-se uma biblioteca para geração de redes neurais artificiais (NeuralLib) e aplicou-se a mesma para aproximação do acoplamento de escoamento em poços horizontais com reservatório. A biblioteca NeuralLib foi desenvolvida em linguagem C++. A arquitetura de rede gerada e utilizada foi a Multilayer Perceptron (MLP) com uma única camada oculta. Optouse em gerar 3 arquiteturas com diferentes números de neurônios ocultos com objetivo de analisar o comportamento das MLPs. O algoritmo de treinamento adotado foi o de retropropagação ou backpropagation. A rede neural foi utilizada para mapear o fluxo do reservatório tridimensional para o poço horizontal. O escoamento no poço é simulado utilizando leis constitutivas turbulentas e laminares. Foi elaborada uma técnica para gerar os conjuntos de padrões para o processo de treinamento das MLPs, utilizando para tal as curvas de fluxo do reservatório para o poço provenientes de um modelo tridimensional. As MLPs treinadas foram utilizadas na resolução de um modelo unidimensional fornecendo valores de um parâmetro de fluxo do reservatório. Nesse processo, o modelo unidimensional produziu curvas de fluxo no poço semelhantes aos gerados pelo modelo tridimensional. Os resultados são avaliados com relação ao processo de treinamento das MLPs e com relação às curvas de fluxo e vazão total de produção dos poços / Abstract: In this work, an object-oriented library was developed which implements neural networks (Neural- Lib). The library was used to model the coupling of the fluid flow in a three-dimensional reservoir with a one-dimensional well model. The architecture of the neural network is the Multilayer Perceptron (MLP) with a single hidden layer. Three different architectures with varying number of hidden neurons were tested to evaluate the behaviour of the MLP. The backpropagation algorithm was used to train the network. The neural network was applied to estimate the mass flux from a three dimensional reservoir to a horizontal well. The fluid flow in the horizontal well uses laminar and turbulent constitutive models. A technique was developed to generate a set of patterns which were used to train the MLP's. The MLP's output data is a function which represents the mass flux from the reservoir to the one dimensional well. Using the mass flux function, the pressure function in the horizontal well and well flux were very close to the pressure and flux computed using the three dimensional model. The effectiveness of the neural network was evaluated by comparing cases which were not included in the original training set / Mestrado / Estruturas / Mestre em Engenharia Civil

Orientador: Fernando José Von Zuben / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação / Made available in DSpace on 2018-08-19T17:59:57Z (GMT). No. of bitstreams: 1 PumaVillanueva_WilfredoJaime_D.pdf: 4821342 bytes, checksum: 521a056fca2c42985a2fad34069b7255 (MD5) Previous issue date: 2011 / Resumo: Esta tese apresenta duas metodologias de síntese automática de redes neurais artificiais com conexões à frente arbitrárias, com a proposição da arquitetura via computação evolutiva ou via um método construtivo, enquanto que os pesos sinápticos são definidos por técnicas de otimização não-linear. O processo de treinamento supervisionado visa parcimônia do modelo e máxima capacidade de generalização. Quando comparada a iniciativas similares encontradas na literatura, a versão construtiva da metodologia, denominada CoACFNNA, inova também ao permitir a síntese de arquiteturas mais flexíveis, com capacidade de mapeamento linear e não-linear, e ao promover baixo custo computacional. Este algoritmo construtivo parte de uma rede neural mínima, toma decisões de inserção/poda baseadas em análise de sensibilidade e em índices de informação mútua, relaxa o erro de treinamento para evitar convergência prematura e ajusta os pesos sinápticos via um método quasi- Newton com escalonamento automático. Estudos comparativos envolvendo abordagens alternativas baseadas em redes neurais, tais como MLPs, mistura heterogênea de especialistas, Cascade Correlation e a EPNet, baseada em programação evolutiva, indicam que a metodologia é promissora, tendo sido aplicada junto a problemas artificiais e reais, de classificação e de regressão / Abstract: This thesis presents two methodologies for the automatic synthesis of artificial neural networks with arbitrary feed-forward connections, with the proposition of the architecture based on evolutionary computation and on a constructive method, whereas the synaptic weights are defined by nonlinear optimization techniques. The supervised learning process aims at parsimony of the model and maximum generalization capability. When compared to similar approaches in the literature, the constructive version of the methodology, denoted CoACFNNA, innovates also by allowing the synthesis of more flexible architectures, with linear and nonlinear mapping capability, and by promoting low computational cost. This constructive algorithm starts with a minimum neural network, takes decisions of insertion/pruning based on sensitivity analysis and also mutual information indices, relaxes the training error to avoid premature convergence, and adjusts the synaptic weights by means of a quasi-Newton method with automatic scaling. Comparative studies involving alternative approaches based on neural networks, such as MLPs, mixture of heterogeneous experts, cascade correlation and the EPNet, based on evolutionary programming, indicate that the proposal is promising, being applied to artificial and real problems, for classification and regression / Doutorado / Engenharia de Computação / Doutor em Engenharia Elétrica

Orientadores: Sandra Lúcia da Cruz, Ana Maria Frattini Fileti / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Química / Made available in DSpace on 2018-08-20T02:02:28Z (GMT). No. of bitstreams: 1 Sousa_ElisangelaOrlandide_D.pdf: 7481778 bytes, checksum: c6a75eef8a6e332ab1da367733280fd8 (MD5) Previous issue date: 2012 / Resumo: Redes de tubulação são conhecidas como sistemas complexos de dutos deste a antiguidade e são utilizadas no transporte de líquidos e gases a longas distâncias. Um pequeno vazamento em uma tubulação pode provocar grandes perdas de produtos e sérios danos ao meio ambiente até serem detectados. Com o propósito de rastrear estes tipos de vazamentos, este trabalho tem como objetivo propor metodologias para a detecção de vazamentos em uma tubulação, de natureza rígida ou flexível, baseando-se no método acústico e na análise de transientes de pressão gerados a partir do vazamento, visando à localização e a determinação da magnitude dos vazamentos através da utilização de redes neurais artificiais. As metodologias propostas se destacam por não apresentarem impactos prejudiciais ao meio ambiente. Variações de transientes de pressão e o ruído sonoro gerados pela ocorrência de vazamentos foram detectados e analisados a partir de experimentos realizados em uma tubulação de ferro galvanizado de 60 m e uma tubulação flexível de 100 m de comprimento operando com escoamento contínuo de gás (ar), em várias condições de operação. O vazamento foi provocado em mais que uma posição ao longo das duas tubulações e utilizaram-se orifícios de diâmetros diferentes. Os transientes de pressão e os ruídos sonoros foram captados por um transdutor de pressão e um microfone, respectivamente, ambos instalados em um vaso de pressão, localizado no início da tubulação e acoplados a uma placa de aquisição de dados em um microcomputador. O sinal gerado pelo microfone foi amplificado e passou por um banco de filtros passa faixa sendo transformado em três sinais com amplitudes independentes, cada uma com uma faixa de freqüência específica de 1kHz, 5kHz e 9kHz. O programa de aquisição de dados foi escrito em linguagem C para ler e processar os dados. Os dados resultantes dos experimentos mostraram que foi possível detectar vazamentos, para todos os orifícios utilizados, baseado nos transientes de pressão e no método acústico. A dinâmica desses dados foi utilizada como entrada para o modelo neural para localizar e determinar a magnitude dos vazamentos, simultaneamente. O método de Levenberg-Marquardt com Regularização Bayesiana foi utilizado no treinamento dos modelos neurais. Os resultados apresentados pelo modelo neural desenvolvido indicaram com sucesso ao mesmo tempo a localização e a magnitude dos vazamentos / Abstract: Pipeline networks are complex systems of ducts used nowadays for gas and chemical products transporting through long distances. They frequently cross highly populated regions, water supplies or natural reserves. Even small leaks in pipelines can lead to great losses of products and serious damages to the environment before it could be detected. With the purpose to track these leaks, this work developed a technique to detection of leaks in pipelines, of rigid or flexible nature, based on acoustic method and on analysis of pressure transients generated by leak occurrence, in order to localization and determination the magnitude of leaks by using neural artificial networks. The methodologies proposed are notated for not having impacts on the environment. Variations of pressure transients and the noise generated by leakage will be detected and analyzed in a 60m-galvanized iron pipe and in a 100m-flexible pipe operating with continuous flow of gas (air) under various operating conditions. Leakages were provoked in many positions along the two pipes and used hole of distinct magnitudes. The pressure transients and the audible noise was captured by the pressure transducer and the microphone, respective, both installed inside the pressure vessel connected to a data acquisition system at a computer. The signal generated by the microphone was amplified and also passed through a bank of band pass filters being transformed into three signals with independent amplitude, each one with a band of specific frequency of 1 kHz, 5 kHz and 9 kHz. The data acquisition software was written in C language to read and process all data. The experimental results showed that it is possible to detect leaks in pipelines, for all holes, based on a pressure transient and on acoustic methods. The dynamics of these data in time is used as input to the neural model to location and determine of the leaks magnitude, simultaneously. The method chosen for training the neural networks was the Levenberg-Marquardt with Bayesian Regularization. The results of neural models indicated successfully in the same time the location and the magnitude of the leaks / Doutorado / Sistemas de Processos Quimicos e Informatica / Doutor em Engenharia Química