A indústria automobilística é um dos mais importantes setores da economia no Brasil e no mundo. Nos últimos anos viu-se praticamente obrigada a melhorar o desempenho de seus veículos produzidos e reduzir seus custos. Um dos marcos desta transformação foi o desenvolvimento do sensor de oxigênio, sendo este um dos principais elementos dos sistemas gerenciadores de motor. Esta dissertação propõe o estudo de arquiteturas de sistemas inteligentes para sensoriamento virtual de oxigênio em veículos bicombustíveis, utilizando-se redes neurais artificiais supervisionadas, com arquitetura Perceptron multicamadas. As topologias implementadas atingiram resultados com erros relativos médios menores que 1% em centenas de topologias. Verificou-se também que para o sensoriamento virtual de oxigênio em veículos bicombustíveis, a abordagem de se realizar treinamentos com todos os tipos de combustíveis, segmentando conjuntos de todo o universo de dados, mostra-se a mais adequada. / The automotive industry is one of the most important sectors in Brazilians economy and in the world. In recent years, this industry has been forced to improve the performance of their produced vehicles and to reduce their costs. One of the landmarks of this transformation was the development of the oxygen sensor, which is one of the main elements of the engine management systems. This dissertation proposes the use of intelligent systems architectures for virtual oxygen sensing of bi-fuel vehicles, using multilayer Perceptron artificial neural networks. The implemented topologies reach results with mean relative errors less than 1% in hundreds of topologies. It was also noted that the approach to train the neural network with all types of fuels, using subsets of data universe, it is the most appropriate to have a virtual sensing of oxygen in bi-fuel vehicles.

FundaÃÃo Cearense de Apoio ao Desenvolvimento Cientifico e TecnolÃgico / This paper presents an automatic fault location method in transmission lines based on the Travelling Waves Theory (TWT) using the Stockwell Transform (ST) to determine the travelling waves propagation time and the dominant frequency of transient signals generated by faults. The method considers the case where there is no communication between terminals or loss of synchronism between the devices responsible for estimating the location of faults using, therefore, only data from one terminal. Single-phase faults only involving one of the phases and the earth area evaluated, which occur in the first half of a transmission line of unknown parameters. It is observed that the method (i) wasnât sensitive to fault resistance variations and inception angle and (ii) the obtained results presented errors between 0,10% and 5,82% for faults that occurred between 7km and 99km from the monitoring terminal. To improve the accuracy of estimating the fault location, an Artificial Neural Network (ANN) of the type MLP (Multi-Layer Perceptron) is designed, and trained with characteristics extracted from the faulty signals using ST. The ATP (Alternative Transient Program) software was adopted for simulation of a three phase transmission line which voltage signals were sampled at 200kHz. The simulations were performed exploring 1280 combinations of the following parameters: fault locations, fault resistances and inception angle. The method was developed using the software MATLABÂ. According to the obtained results, the combination of ST with ANN presented better results than the application of ST and TWT. Such improvement is highlighted for the estimation of fault location at greater distances from the monitoring terminal, with errors between 0,02% and 1,56% for faults that occurred between 7km and 99km from the monitoring terminal. / Este trabalho apresenta um mÃtodo automÃtico de localizaÃÃo de faltas em linhas de transmissÃo baseado na Teoria das Ondas Viajantes (TOV) utilizando a Transformada de Stockwell (TS) para determinaÃÃo dos tempos de propagaÃÃo das ondas viajantes e da frequÃncia dominante dos sinais transitÃrios gerados pelas situaÃÃes de falta. O mÃtodo considera o caso em que nÃo hà comunicaÃÃo entre terminais ou hà perda de sincronismo entre os equipamentos responsÃveis pela estimaÃÃo da localizaÃÃo das faltas utilizando, portanto, dados provenientes de apenas um terminal. Consideram-se faltas monofÃsicas envolvendo uma das fases e a terra, as quais ocorrem na primeira metade de uma linha de transmissÃo de parÃmetros desconhecidos. Observa-se que o mÃtodo (i) nÃo se mostrou sensÃvel a variaÃÃes de resistÃncia de falta e Ãngulo de incidÃncia e (ii) os resultados obtidos apresentam erros entre 0,10% e 5,82% para faltas que ocorreram entre 7km e 99km do terminal de monitoramento. Para a melhoria da precisÃo na estimaÃÃo da localizaÃÃo das faltas foi projetada uma Rede Neural Artificial (RNA) do tipo MLP (Multi-Layer Perceptron), treinada a partir de caracterÃsticas dos sinais faltosos extraÃdas atravÃs da TS. Foram utilizados os sinais trifÃsicos de tensÃo amostrados na frequÃncia de 200kHz gerados a partir de simulaÃÃes no software ATP (Alternative Transiente Program), no qual foram realizadas 1280 simulaÃÃes explorando diversas localizaÃÃes e resistÃncias de falta e Ãngulo de incidÃncia. O mÃtodo foi aplicado utilizando o software MATLABÂ. De acordo com os resultados obtidos, a combinaÃÃo da TS e RNA projetada apresentou melhores resultados do que a aplicaÃÃo da TS e TOV, destacando-se na estimaÃÃo da localizaÃÃo de faltas que ocorreram a maiores distÃncias do terminal de monitoramento, com erros entre 0,02% e 1,56% para faltas que ocorreram entre 7km e 99km do terminal de monitoramento.

CoordenaÃÃo de AperfeÃoamento de Pessoal de NÃvel Superior / Este trabalho investiga o grau de influÃncia que a inclusÃo de mecanismos de memÃria de curta duraÃÃo (MCD) exercem sobre o desempenho de classificadores neurais quando aplicados em tarefas de navegaÃÃo de robÃs. Em particular, trata da navegaÃÃo do tipo Wall Following. Para este fim, quatro conhecidas arquiteturas neurais (Perceptron LogÃstico, Perceptron Multicamadas, Mistura de Especialistas e rede de Elman) sÃo usadas com o intuito de associar diferentes padrÃes de leituras sensoriais com quatro classes de aÃÃes prÃ-determinadas. Todas as etapas dos experimentos - aquisiÃÃo dos dados, seleÃÃo e treinamento das arquiteturas em simulador, alÃm da execuÃÃo das mesmas em robà mÃvel real (SCITOS G5) - sÃo escritas em detalhes. Os resultados obtidos sugerem que a tarefa de seguir paredes, formulada como um problema de classificaÃÃo de padrÃes, à nÃo-linearmente separÃvel, resultado este que favorece a rede MLP quando os classificadores sÃo treinados sem MCD. Contudo, se mecanismos de MCD sÃo usados, entÃo atà mesmo uma rede linear à capaz de executar a tarefa de interesse com sucesso / This work reports results of an investigation on the degree of influence that the inclusion of short-term memory mechanisms has on the performance of neural classifiers when applied to robot navigation tasks. In particular, we deal with the well-known strategy of navigating by âwall-followingâ. For this purpose, four neural architectures (Logistic Perceptron, Multilayer Perceptron, Mixture of Experts and Elman network) are used to associate different sensory input patterns with four predetermined action categories. All stages of the experiments - data acquisition, selection and training of the architectures in a simulator and their execution on a real mobile robot - are described. The obtained results suggest that the wall-following task, formulated as a pattern classification problem, is nonlinearly separable, a result that favors the MLP network if no memory of input patterns are taken into account. If short-term memory mechanisms are used, then even a linear network is able to perform the same task successfully

Diversas atividades humanas são fortemente dependentes do clima e da sua variabilidade, especialmente aquelas relacionadas ao uso da água. A operação integrada de reservatórios com múltiplos usos requer uma série de decisões que definem quanta água deve ser alocada, ao longo do tempo para cada um dos usos, e quais os volumes dos reservatórios a serem mantidos. O conhecimento antecipado das condições climáticas resulta de vital importância para os operadores de reservatórios, pois o insumo dos reservatórios é a vazão dos rios, que por sua vez é dependente de condições atmosféricas e hidrológicas em diferentes escalas de tempo e espaço. A pesquisa trata sobre três importantes elementos de subsídio à tomada de decisão na operação de reservatórios baseada na previsão de variáveis hidrológicas: (a) as previsões de vazão de curto prazo; (b) as previsões de precipitação de longo prazo e (c) as medidas de desempenho das previsões. O reservatório de Furnas, localizado na bacia do Rio Grande, em Minas Gerais, foi selecionado como estudo de caso devido, principalmente, à disponibilidade de previsões quantitativas de chuva e pela importância desse reservatório na região analisada. A previsão de curto prazo de vazão com base na precipitação foi estimada com um modelo empírico (rede neural artificial) e a previsão de precipitação foi obtida pelo modelo regional ETA. Uma metodologia de treinamento e validação da rede neural artificial foi desenvolvida utilizando previsões perfeitas de chuva (considerando a chuva observada como previsão) e utilizando o maior número de dados disponíveis, favorecendo a representatividade dos resultados obtidos. A metodologia empírica alcançou os desempenhos obtidos com um modelo hidrológico conceitual, mostrando-se menos sensitiva aos erros na previsão quantitativa de precipitação nessa bacia. Os resultados obtidos mostraram que as previsões de vazão utilizando modelos empíricos e conceituais e incorporando previsões quantitativas de precipitação são melhores que a metodologia utilizada pelo ONS no local de estudo. A redução dos erros de previsão relativos à metodologia empregada pelo ONS foi em torno de 20% quando usadas previsões quantitativas de precipitação definidas pelo modelo regional ETA e superiores a 50% quando usadas previsões perfeitas de precipitação. Embora essas últimas previsões nunca possam ser obtidas na prática, os resultados sugerem o quanto o incremento do desempenho das previsões quantitativas de chuva melhoraria as previsões de vazão. A previsão de precipitação de longo prazo para a bacia analisada foi também estimada com um modelo empírico de redes neurais artificiais e utilizando índices climáticos como variáveis de entrada. Nesse sentido, foram estimadas previsões de precipitação acumulada no período mais chuvoso (DJF) utilizando índices climáticos associados a fenômenos climáticos, como o El Niño - Oscilação Sul e a Oscilação Decadal do Pacífico, e a modos de variabilidade climática, como a Oscilação do Atlântico Norte e o Modo Anular do Hemisfério Sul. Apesar das redes neurais artificiais terem sido aplicadas em diversos problemas relacionados a hidrometeorologia, a aplicação dessas técnicas na previsão de precipitação de longo prazo é ainda rara. Os resultados obtidos nesse trabalho mostraram que consideráveis reduções dos erros da previsão relativos ao uso apenas da média climatológica como previsão podem ser obtidos com a metodologia utilizada. Foram obtidas reduções dos erros de, no mínimo 50%, e chegando até um valor próximo a 75% nos diferentes testes efetuados no estudo de caso. Uma medida de desempenho da previsão foi desenvolvida baseada no uso de tabelas de contingência e levando em conta a utilidade da previsão. Essa medida de desempenho foi calculada com base nos resultados do uso das previsões por um modelo de operação de reservatório, e não apenas na comparação de vazões previstas e observadas. Nos testes realizados durante essa pesquisa, ficou evidente que não existe uma relação unívoca entre qualidade das previsões e utilidade das previsões. No entanto, em função de comportamentos particulares das previsões, tendências foram encontradas, como por exemplo nos modelos cuja previsão apresenta apenas defasagem. Nesses modelos, a utilidade das previsões tende a crescer na medida que a qualidade das mesmas aumenta. Por fim, uma das grandes virtudes da medida de desempenho desenvolvida nesse trabalho foi sua capacidade de distinguir o desempenho de modelos que apresentaram a mesma qualidade. / Several human activities are strongly dependent on climate and its variability, especially those related to water use. The operation of multi-purpose reservoirs systems defines how much water should be allocated and the reservoir storage volumes to be maintained, over time. Knowing in advance the weather conditions helps the decision making process, as the major inputs to reservoirs are the streamflows, which are dependent on atmospheric and hydrological conditions at different time-space scales. This research deals with three important aspects towards the decision making process of multi-purpose reservoir operation based on forecast of hydrological variables: (a) short-term streamflow forecast, (b) long-range precipitation forecast and (c) performance measures. The Furnas reservoir on the Rio Grande basin was selected as the case study, primarily because of the availability of quantitative precipitation forecasts from the Brazilian Center for Weather Prediction and Climate Studies and due to its importance in the Brazilian hydropower generation system. Short-term streamflow forecasts were estimated by an empirical model (artificial neural network – ANN) and incorporating forecast of rainfall. Quantitative precipitation forecasts (QPFs), defined by the ETA regional model, were used as inputs to the ANN models. A methodology for training and validating the ANN models was developed using perfect precipitation forecasts (i.e., using the observed precipitation as if it was a forecast) and considering the largest number of available samples, in order to increase the representativeness of the results. The empirical methodology achieved the performance obtained with a conceptual hydrological model and seemed to be less sensitive to precipitation forecast error relative to the conceptual hydrological model. Although limited to one reservoir, the results obtained show that streamflow forecasting using empirical and conceptual models and incorporating QPFs performs better than the methodology used by ONS. Reduction in the forecast errors relative to the ONS method was about 20% when using QPFs provided by ETA model, and greater than 50% when using the perfect precipitation forecast. Although the latter can never be achieved in practice, these results suggest that improving QPFs would lead to better forecasts of reservoir inflows. Long-range precipitation forecast was also estimated by an empirical model based on artificial neural networks and using climate indices as input variables. The output variable is the summer (DJF) precipitation over the Furnas watershed. It was estimated using climate indices related to climatic phenomena such as El Niño - Southern Oscillation and the Pacific Decadal Oscillation and modes of climate variability, such as the North Atlantic Oscillation and the Southern Annular Mode. Despite of ANN has been applied in several problems of hydrometeorological areas, the application of such technique for long-range precipitation forecast is still rare. The results obtained demonstrate how the methodology for seasonal precipitation forecast based on ANN can be particularly helpful, with the use of available time series of climate indices. Reductions in the forecast errors achieved by using only the climatological mean as forecast were considerable, being at least of 50% and reaching values close to 75% in several tests. A performance measure based on the use of contingency tables was developed taking into account the utility of the forecast. This performance measure was calculated based on the results of the use of the forecasts by a reservoir operation model, and not only by comparing streamflow observed and forecast. The performed tests show that there is no unequivocal relationship between quality and utility of the forecasts. However, when the forecast has a particular behavior, trends were found in the relationship between utility and quality of the forecast, such as models that generate streamflow forecast with lags in comparison to the observed values. In these models, the utility of the forecasts tends to enhance as the quality increases. Finally, the ability to distinguish the performance of forecast models having similar quality was one of the main merits of the performance measure developed in this research.

A otimização estrutural, utilizando ferramentas computacionais é um grande campo de pesquisa na atualidade. Os métodos utilizados, dependendo da complexidade do problema, demandam um grande custo computacional, e por isso vem sendo avaliandas várias técnicas para diminuí-lo. Uma delas é o emprego de técnicas de aproximação de análises, dentre as quais destacam-se as redes neurais, que combinadas aos métodos de otimização e de análises clássicos conseguem bons resultados e reduzem significativamente o tempo de processamento. O emprego dos compósitos laminados como material estrutural vem crescendo nos últimos tempos, incentivado pela suas excelentes propriedades mecânicas e baixo peso. Em consenso com todo o esforço científico dedicado a essa área, o presente trabalho visa a implementação de uma ferramenta computacional capaz de otimizar estruturas complexas fabricadas com tais materiais, a um baixo custo computacional. Com isto em mente, é desenvolvido um sistema de otimização, aproveitando módulos implementados previamente para a análise estática linear e não linear através do método dos elementos finitos (MEF), e o módulo de otimização por algoritmos genéticos. Serão desenvolvidos os módulos de análise modal, para otimizar também estruturas com critérios baseados em freqüências e modos, e o modulo de redes neurais de tipo perceptron para aproximações das análises feitas através do MEF. Alguns exemplos são apresentados para demonstrar que bons resultados são obtidos com a utilização de redes neurais artificiais, cujo treinamento permite poupar tempo computacional proveniente do grande número de análises usualmente necessárias no processo de otimização. / Structural optimization using computational tools has become a major research field in recent years. Methods commonly used in structural analysis and optimization may demand considerable computational cost, depending on the problem complexity. Therefore, many techniques have been evaluated in order to diminish such impact. Among these various techniques, artificial neural networks may be considered as one of the main alternatives, when combined with classic analysis and optimization methods, to reduce the computational effort without affecting the final solution quality. Use of laminated composite structures has been continuously growing in the last decades due to the excellent mechanical properties and low weight characterizing these materials. Taken into account the increasing scientific effort in the different topics of this area, the aim of the present work is the formulation and implementation of a computational code to optimize manufactured complex laminated structures with a relatively low computational cost by combining the Finite Element Method (FEM) for structural analysis, Genetic Algorithms (GA) for structural optimization and Artificial Neural Networks (ANN) to approximate the finite element solutions. The modules for linear and geometrically non-linear static finite element analysis and for optimize laminated composite plates and shells, using GA, were previously implemented. Here, the finite element module is extended to analyze dynamic responses to optimize problems based in frequencies and modal criteria, and a module with perceptron ANN is added to approximate finite element analyses. Several examples are presented to show the effectiveness of ANN to approximate solutions obtained using the FEM and to reduce significatively the computational cost.

O presente trabalho teve como objetivo principal utilizar a metodologia das análises multivariadas, modelagem matemática e redes neurais artificiais, na avaliação da eficiência produtiva de propriedades produtoras de suínos no Rio Grande do Sul. Os dados utilizados foram coletados em 47 municípios da região do Vale do Taquari, estado do Rio Grande do Sul, entre fevereiro e março de 2012, compreendendo o universo de 120 produtores. Utilizou-se um diagnóstico com perguntas estruturadas fechadas, em conjunto com os resultados produtivos de 494 abates realizados nos anos de 2010 e 2011. Analisou-se as variáveis produtivas na terminação de suínos criados em dois momentos climáticos anuais distintos, primavera/verão e outono/inverno, comparando as diferenças ocorridas nas variáveis de produtividade, o que resultou no capítulo 2, “Análise das variáveis produtivas de suínos na fase de terminação em duas estações climáticas”, no qual se identificou o perfil ideal para produtores terminadores de suínos através de um modelo matemático capaz de predizer quais as chances de o produtor obter um melhor desempenho na suinocultura, que resultou no capítulo 3, “Uso da otimização de desempenho interativo na identificação do perfil ideal de produtores terminadores de suínos”. Com o auxílio da Inteligência Artificial, uma tecnologia cada vez mais usada, na tentativa de avaliar com maior precisão quais os fatores que na criação de suínos podem contribuir significativamente para um aumento da produtividade, resultou no capítulo 4, “A utilização da Inteligência Artificial para a predição dos parâmetros produtivos da suinocultura”. Com esses resultados, pode-se dizer que: identificou-se quais as condições ambientais e climáticas impactaram sobre a eficiência produtiva dos suínos, observando-se maior peso médio vivo, ganho médio diário e taxa de mortalidade nos animais criados na estação outono/inverno. Já a Conversão Alimentar não apresentou efeito significativo da estação do ano. Ainda, identificou-se o perfil ideal para produtores terminadores de suínos através de um modelo matemático capaz de predizer quais as chances de o produtor obter um melhor desempenho na suinocultura e, por meio de predições geradas, a partir do auxílio das Redes Neurais Artificiais, obteve-se como principal resultado a condição de se afirmar que o uso da metodologia das Redes Neurais Artificiais pode predizer com reduzidas margens de erro, as variáveis produtivas, conversão alimentar, mortalidade e ganho médio diário. / The main objective of the present work2 is to use the methodology of multivariate analysis, mathematical modeling and artificial neural networks in the production evaluation efficiency of swine-producing farms in Rio Grande do Sul state. The data used were collected in 47 municipalities in the region of Vale do Taquari, between February and March 2012, covering the universe of 120 producers. There are used a diagnosis with structured questions, in conjunction with the productive results of 494 slaughterings carried out in the years 2010 and 2011. Productive variables examined in swine termination phase reared in two distinct annual weather moments, spring/ summer and autumn/winter, comparing the differences occurring in the productivity variables, which resulted in section 2, "Analysis of the productive variables of swine on termination phase in two climatic seasons", where it was identified the ideal profile for producers s through a mathematical model to predict the chances of the better performance in swine production, which resulted in section 3, "Using the interactive performance optimization in identifying the ideal profile of swine terminators phase producers", and with the aid of artificial intelligence, a technology increasingly used in an attempt to assess with greater precision what factors in swine breeding can contribute significantly to improved productivity, resulted in sector 4 "The use of artificial intelligence for prediction of swine productive parameters". With these results, it can be said that: what are the identified environmental and climatic conditions that impacted on the swine productive efficiency, observing a greater average weight, daily gain and mortality rate in animals reared in autumn/winter seasons. The feed conversion did not provide any significant effect . Still, although the ideal profile for terminators producers through a mathematical model to predict the chances of the producer better performance and, by generated predictions from the artificial neural networks, obtained as main result the condition to assert that this method can aid for the predictionm with reduced margins of error, productive variables, feed conversion ratio, mortality and average daily gain.

O objetivo deste trabalho foi propor uma metodologia para investigar os possíveis efeitos das mudanças climáticas na disponibilidade hídrica e as alterações da demanda hídrica no futuro, através de uma abordagem estocástica, que considera projeções climáticas, hidrológicas, populacionais e agropecuárias. O trabalho foi aplicado à bacia hidrográfica do rio Ijuí, noroeste do Rio Grande do Sul, Brasil. A metodologia foi composta por cinco módulos, envolvendo: i) a modelagem hidrológica para transformação da precipitação e evapotranspiração em vazão, utilizando Redes Neurais Artificiais (RNAs), ii) a correção e análise dos cenários climáticos para o futuro, oriundos do modelo Eta CPTEC/HadCM3, iii) a modelagem estocástica das vazões mensais no futuro, iv) a modelagem estocástica das variáveis populacionais e agropecuárias para geração de séries de demanda hídrica no futuro e, v) a simulação do balanço hídrico para geração de curvas de regularização, objetivando uma análise da relação entre a disponibilidade e a demanda hídrica no futuro. Como resultados relacionados ao processo de modelagem hidrológica, destaca-se que o modelo com RNAs mais adequado para a simulação das vazões mensais apresentou apenas três variáveis de entrada, obtendo um coeficiente de Nash-Sutcliffe igual a 0,904. Através da análise de sensibilidade, foi observado que a RNA escolhida relacionou corretamente as variáveis de entrada com a saída da rede, respeitando os princípios físicos envolvidos no sistema hidrológico. Quanto à análise dos cenários climáticos e vazões resultantes do processo de modelagem hidrológica, as diferenças entre os valores simulados com base no modelo Eta e os valores observados, no período de avaliação dos modelos (1976-1990), atingiram erros algumas vezes superiores a 20%. A vazão média de longo período, por exemplo, apresentou uma alteração de 141,6 m³/s (1961-1990) para 200,3 m³/s (2011-2040). Também foi observado um incremento na vazão média e no desvio padrão mensal entre os meses de janeiro e outubro. Entre os meses de fevereiro e junho, o percentual de aumento na vazão média mensal foi mais acentuado, superando o índice de 100%. Considerando-se os intervalos de confiança das estimativas de vazão para o futuro, pode-se concluir que existe uma tendência de aumento na variabilidade hidrológica no período entre 2011 e 2040, o que indica a possibilidade de ocorrência de séries temporais com períodos mais acentuados de estiagem e de cheias. Quanto às alterações na demanda hídrica, foi constatado que a tendência de crescimento das atividades agrícolas irrigadas no período analisado é bem superior à tendência observada em relação à criação animal e ao abastecimento humano. Mantida a tendência e os resíduos modelados entre 2003 e 2010, a média das séries estocásticas geradas para o futuro indica que haverá 1.954 km² de áreas irrigadas em 2040, fazendo com que a demanda aumente de 6,3 m³/s (2011) para 28 m³/s (2040), no mês de maior demanda hídrica (janeiro). Na etapa final, ao calcular a razão entre a demanda para usos consuntivos e a disponibilidade hídrica (demanda/disponibilidade), no período entre 2011 e 2040, foi observada uma tendência de aumento neste percentual ao longo dos anos. Em média, a relação demanda/disponibilidade em 2011 foi de apenas 6,06%, variando entre 0,81% (maio) e 20,15% (dezembro). Já em 2040 esta proporção aumentou para 13,82%, variando entre 1,09% (maio) e 43,3% (dezembro). Quanto às mudanças nas curvas de regularização obtidas através da simulação do balanço hídrico em um reservatório fictício, os resultados atestam que, em caso de confirmação do cenário de mudança climática utilizado, haverá a necessidade de reservatórios com capacidade cada vez maior para atender à demanda para usos consuntivos, em virtude do agravamento das estiagens no início do verão. / The purpose of this study was to propose a methodology to investigate the possible effects of climate change on water availability and changes in water requirement in the future, through a stochastic approach that considers climate, hydrological, agricultural and population projections. The method was applied to Ijuí river basin, northwest of Rio Grande do Sul, Brazil. The methodology consisted of five modules, involving: i) hydrological modeling of monthly flows using Artificial Neural Networks (ANNs), ii) correction and analysis of climate scenarios for the future, derived from the Eta model CPTEC / HadCM3, iii) the stochastic modeling of monthly flows in the future, iv) the stochastic modeling of population and agricultural variables to generate water requirement series in the future and, v) the simulation of the water balance for the generation of curves regularization aiming an analysis of the relationship between water availability and water requirement in the future. Regarding the results of the hydrologic modeling, it is highlighted that ANN model more suitable model for the flow simulation presented only three input variables, obtaining a Nash-Sutcliffe coefficient equal to 0.904. It was observed, through sensitivity analysis, that the ANN related correctly chosen input variables with the output of the network, respecting the physical principles involved in the hydrological system. The analysis of climate scenarios and flows resulting from the hydrologic modeling process showed that the differences between the simulated values based on the Eta model and the observed values for the period of assessment models (1976-1990), errors sometimes reached more than 20 %. Therefore, one must consider that these uncertainties will be replicated in future scenarios, as to analysis of the effects of climate change on water availability. Overall, the results related to stochastic modeling of monthly flows for the future (2011-2040) showed a tendency to increase in flows. The average flow of long period, for example, introduced an amendment to 141.6 m³ / s (1961-1990) to 200.3 m³ / s (2011-2040). We observe an increase in the average flow and monthly standard deviation between January and October. The percentage increase in the monthly average flow was more pronounced between the months of February and June, exceeding the rate of 100%. Considering the confidence intervals of the estimates of flow for the future, it can be concluded that there is an increasing trend in hydrological variability in the period between 2011 and 2040, which indicates the possibility of time series with more severe periods of drought and flood. We found an increasing trend of irrigated agricultural activities above the trend towards livestock and human consumption. If the trend and residues modeled between 2003 and 2010 is maintained, irrigated areas in 2040 should reach 1,954 km², increasing water demand of 6.3 m³ / s (2011) to 28 m³ / s (2040), in the month of higher water demand (in January). The final step is to calculate the ratio between the demand for consumptive uses and water availability (demand / availability), we observe an increasing trend in the percentage in the period between 2011 and 2040. On average, the demand / availability in 2011 was only 6.06%, with values between 0.81% (May) to 20.15% (December). By 2040, this proportion increased to 13.82%, with values between 1.09% (May) to 43.3% (December). Finally, with regard to changes in the curves obtained for regularization by simulating the water balance in a fictitious reservoir, the results show that there is a need for reservoirs with increasing capacity to meet the demand for consumptive uses, upon confirmation of the scenario climate change used, because of worsening drought in early summer.

Made available in DSpace on 2014-06-12T15:58:28Z (GMT). No. of bitstreams: 2 arquivo4572_1.pdf: 1149011 bytes, checksum: 92aae8f6f9b5145bfcecb94d96dbbc0b (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2004 / Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco / Um nariz artificial é um sistema modular composto de duas partes principais: um sistema sensor, formado de elementos que detectam odores e um sistema de reconhecimento de padrões que classifica os odores detectados. Redes neurais artificiais têm sido utilizadas como sistema de reconhecimento de padrões para narizes artificiais e vêm apresentando resultados promissores. Desde os anos 80, pesquisas para criação de narizes artificiais, que permitam detectar e classificar odores, vapores e gases automaticamente, têm tido avanços significativos. Esses equipamentos podem ser utilizados no monitoramento ambiental para controlar a qualidade do ar, na área de saúde para realizar diagnóstico de doenças e nas indústrias de alimentos para o controle de qualidade e o monitoramento de processos de produção. Esta dissertação investiga a utilização de quatro técnicas diferentes de redes neurais para criação de sistemas de reconhecimento de padrões em narizes artificiais. O trabalho está dividido em quatro partes principais: (1) introdução aos narizes artificiais, (2) redes neurais artificiais para sistema de reconhecimento de padrões, (3) métodos para medir o desempenho de sistemas de reconhecimento de padrões e comparar os resultados e (4) estudo de caso. Os dados utilizados para o estudo de caso, foram obtidos por um protótipo de nariz artificial composto por um arranjo de oito sensores de polímeros condutores, expostos a nove tipos diferentes de aguarrás. Foram adotadas as técnicas Multi-Layer Perceptron (MLP), Radial Base Function (RBF), Probabilistic Neural Network (PNN) e Time Delay Neural Network (TDNN) para criar os sistemas de reconhecimento de padrões. A técnica PNN foi investigada em detalhes, por dois motivos principais: esta técnica é indicada para realização de tarefas de classificação e seu treinamento é feito em apenas um passo, o que torna a etapa de criação dessas redes muito rápida. Os resultados foram comparados através dos valores dos erros médios de classificação utilizando o método estatístico de Teste de Hipóteses. As redes PNN correspondem a uma nova abordagem para criação de sistemas de reconhecimento de padrões de odor. Estas redes tiveram um erro médio de classificação de 1.1574% no conjunto de teste. Este foi o menor erro obtido entre todos os sistemas criados, entretanto mesmo com o menor erro médio de classificação, os testes de hipóteses mostraram que os classificadores criados com PNN não eram melhores do que os classificadores criados com a arquitetura RBF, que obtiveram um erro médio de classificação de 1.3889%. A grande vantagem de criar classificadores com a arquitetura PNN foi o pequeno tempo de treinamento dos mesmos, chegando a ser quase imediato. Porém a quantidade de nodos na camada escondida foi muito grande, o que pode ser um problema, caso o sistema criado deva ser utilizado em equipamentos com poucos recursos computacionais. Outra vantagem de criar classificadores com redes PNN é relativa à quantidade reduzida de parâmetros que devem ser analisados, neste caso apenas o parâmetro relativo à largura da função Gaussiana precisou ser investigado

Made available in DSpace on 2014-06-12T16:01:05Z (GMT). No. of bitstreams: 2 arquivo7154_1.pdf: 1370997 bytes, checksum: 1580b7b5979343826e4d0a3b88b57dac (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2005 / Esta dissertação propõe modificações na metodologia yamazaki para a otimização simultânea de arquiteturas e pesos de redes Multilayer Perceptron (MLP). O objetivo principal é propô-las em conjunto com as respectivas validações, visando tornar mais eficiente o processo de otimização. A base para o algoritmo híbrido de otimização são os algoritmos simulated annealing, tabu search e a metodologia yamazaki. As modificações são realizadas nos critérios de implementação tais como mecanismo de geração de vizinhança, esquema de esfriamento e função de custo. Um dos pontos principais desta dissertação é a criação de um novo mecanismo de geração de vizinhança visando aumentar o espaço de busca. O esquema de esfriamento é de grande importância na convergência do algoritmo. O custo de cada solução é medido como média ponderada entre o erro de classificação para o conjunto de treinamento e a porcentagem de conexões utilizadas pela rede. As bases de dados utilizadas nos experimentos são: classificação de odores provenientes de três safras de um mesmo vinho e classificação de gases. A fundamentação estatística para as conclusões observadas através dos resultados obtidos é realizada usando teste de hipóteses. Foi realizado um estudo do tempo de execução separando as fases de otimização global da fase de refinamento local. Concluiu-se que com o novo mecanismo de geração de vizinhança fez desnecessário o uso do backpropagation obtendo assim um alto ganho em tempo de execução. O algoritmo híbrido de otimização apresentou, para ambas as bases de dados, o menor valor da média do erro de classificação do conjunto de teste e o menor valor da quantidade de conexões. Além disso, o tempo de execução foi reduzido em média 46.72%

Orientador: Prof. Dr. Ricardo Caneloi dos Santos / Dissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Engenharia Elétrica, 2017. / O Sistema Elétrico de Potência (SEP) possui como função básica fornecer energia elétrica aos consumidores, com qualidade adequada e no instante em que for solicitada. Os eventos de falta no SEP, podem resultar em problemas de qualidade e confiabilidade no fornecimento de energia, tornando necessária a correta detecção, classificação e localização destes eventos. Além da complexidade inerente a realização dessas tarefas, a inserção de Geração Distribuída (GD) no SEP traz novos desafios para as funções de proteção, devido à bidirecionalidade do fluxo de potência resultante. Dessa maneira, para contextualizar esse cenário, esta pesquisa apresenta alguns métodos propostos na literatura para a detecção, classificação e localização de faltas em SEPs, considerando ou não a presença da GD. Nesse sentido, como foco principal deste trabalho, propõe-se um sistema inteligente baseado em redes neurais artificiais (RNAs) para detecção, classificação e localização de faltas em SEPs. O esquema proposto utiliza os valores de tensão pós-falta nas barras do sistema para determinar as seguintes informações, em caso de falta: a) a linha transmissão (LT) com defeito; b) o tipo de defeito; c) a localização do defeito na LT previamente identificada. As RNAs do esquema proposto foram treinadas para os diferentes tipos de falta que podem ocorrer ao longo das LTs, considerando diversos valores de resistência de falta. A principal característica deste algoritmo é dispensar complexas formulações e análises de fluxo de potência para a detecção, classificação e localização de faltas nas LTs de um SEP, mesmo frente aos desafios trazidos pela inserção da GD. Para validar o esquema proposto foram utilizadas centenas de novos casos de falta, considerando diversas situações operativas em três diferentes SEPs (sistema base de 4 barras, IEEE de 9 barras e IEEE de 14 barras). Os resultados revelam que o esquema proposto é capaz de identificar corretamente o trecho de linha com defeito, classificar o tipo de falta que ocorreu, bem como apontar o local exato da falta, utilizando como entrada somente os valores de tensão medidos nas barras do sistema elétrico de potência / The basic function of the Electric Power System (EPS) is to provide high-quality power supply to consumers whenever demand occurs. However, fault events on the EPS can cause problems of quality and reliability in the power supply requiring schemes to correctly detect, classify and locate these events. In addition to the inherent complexity in performing these schemes, the penetration of Distributed Generation (DG) in the EPS brings new challenges to the protection functions due to the resulting bi-directional power flow capabilities. Thus, in order to contextualize this scenario, this research presents some methods proposed in the literature for the detection, classification and location of faults in the EPS, considering or not the presence of DG. In this sense, as the main focus of this work, it is proposed an intelligent system based on artificial neural networks (ANNs) to detect, classify and locate faults in the EPS. The proposed scheme uses the post-fault voltage values in the system buses to determine, in the event of a fault, the following information: a) the transmission line (TL) where the fault occurred; b) the type of fault; and c) the location point of the fault in the previously identified TL. The ANNs of the proposed scheme were trained for different types of fault that can occur along the TLs and considering several values of fault resistances. The main characteristic of this algorithm is to dispense with complex formulations and power flow analysis for detection, classification and location of faults in TLs of the EPS, even in the face of challenges brought by the presence of DG. To confirm the validity of the proposed scheme, hundreds of new fault cases were used considering several operating situations from three different EPSs (IEEE 4-bus system, IEEE 9-bus system and IEEE 14-bus system). The results show that the proposed scheme is able to properly identify the line segment with fault, to classify the type of fault that occurred, as well as to indicate the exact location point of the fault, using as input only the voltage values measured in the buses of the electric power system