Considerado a alternativa mais pesquisada para substituir o diesel, o biodiesel, oriundo da transesterificação, é cotado como a mais promissora opção de combustível obtido de fontes renováveis para o lugar dos ameaçados combustíveis de origem fóssil. A reação de transesterificação para produção do biodiesel pode ocorrer de forma catalítica, a mais utilizada atualmente, e não-catalítica, por meio de fluidos supercríticos. A grande diversidade de matérias-primas que pode ser usada na obtenção do biodiesel supercrítico é apenas um dos atrativos para sua produção, porém uma produção em larga escala esbarraria nos altos custos operacionais do processo. Devido ao potencial revelado nos processos supercríticos, o estudo do comportamento de fases dentro de um reator se mostra relevante ao domínio do processo, visto que pesquisas indicam que é possível balancear os custos de uma produção de biodiesel em condições supercríticas com os custos de uma produção de biodiesel com uso de catalisadores. Na termodinâmica, a modelagem é um método prático e rápido de se estimar o comportamento do equilíbrio líquido-vapor (ELV) do sistema e reduzir gastos com excessivos experimentos, através de um modelo termodinâmico apropriado. Para isso, os modelos testados foram obtidos pela equação de estado (EdE) de Peng-Robinson com as regras de misturas de van der Waals com um (vdW1) e dois (vdW2) parâmetros de interação binária em sistemas formados por componentes presentes na produção do biodiesel. Utilizando a abordagem phi-phi e o método de BOLHA P, sistemas binários em condições próximas ao ponto crítico e em condições supercríticas, encontrados na literatura, foram modelados. A modelagem termodinâmica foi realizada após a aplicação de um teste de consistência termodinâmica, uma vez que foram encontradas diferenças nas propriedades críticas de um mesmo composto em diferentes referências. A adequação dos modelos termodinâmicos variou de acordo com as condições do processo, o que fará necessária uma análise específica da situação de acordo com o caso em que estiver sendo empregada. Na simulação termodinâmica, as redes neurais artificiais foram utilizadas para o ajuste computacional dos dados experimentais, produzindo os melhores resultados com a introdução dos descritores moleculares, junto às variáveis independentes do processo (temperatura e composição na fase líquida), na primeira camada de neurônios nas diversas configurações analisadas dentre as arquiteturas utilizadas, demonstrando ser uma ferramenta interessante para o estudo do equilíbrio de fases. / Considered the most researched alternative to replace the diesel fuel, the biodiesel, from transesterification, is rated as the most promising fuel option from renewable sources for the place of threatened fossil fuels. The transesterification reaction for biodiesel production can occur catalytically, commonly used, and non-catalytic, through supercritical fluids. The diversity of raw materials that can be used to obtain supercritical biodiesel is only one of the attractions for its production, but a large-scale production would encounter obstacles in the high operating costs of the process. Due to the potential revealed in the supercritical processes, the study of phase behavior in a reactor is relevant for domaining the process, since researches indicates that it is possible to balance the costs of producing biodiesel in supercritical conditions with the costs of a production of biodiesel using catalysts. In thermodynamics, modeling is a quick and practical method of estimating the vapor-liquid equilibria (VLE) behavior of the system and reducing expenses with excessive experiments, using an appropriated thermodynamic model. For this, the models tested were obtained by the Peng-Robinson equation of state (EoS) with the mixture rules of van der Waals with one (vdW1) and two (vdW2) binary interaction parameters in systems formed by components present in the production of biodiesel. Using the phi-phi approach and the BOL P method, binary systems in conditions near to the critical point and under supercritical conditions, found in the literature, were modeled. The thermodynamic modeling was performed after the application of a thermodynamic consistency test, since differences were found in the critical properties of the same compound in different references. The suitability of the thermodynamic models varied according to the process conditions, which will require a specific analysis of the situation according to the case in which it is being used. In the thermodynamic simulation, the artificial neural networks were used for the computational adjustment of the experimental data, producing the best results when the molecular descriptors were used with the independent variables of the process (temperature and composition of the liquid phase) in the first layer of nodes in the different configurations analyzed among the architectures used, proving to be a tool of interest for the study of phase equilibria.

A evolução de redes neurais artificiais encontra aplicações em diversos campos na área de aprendizado de máquina, em particular, simulações de vida artificial onde uma população de indivíduos controlados por redes neurais se adaptam num ambiente virtual a fim de realizar uma determinada tarefa. Similar ao processo natural pelo qual o comportamento do organismo se modifica filogeneticamente através da complexificação do sistema nervoso, tais simulações oferecem uma nova abordagem sintética no estudo da inteligência, em contraposição aos métodos simbólicos tradicionais. Um recente método, conhecido por NEAT (NeuroEvolution of Augmenting Topologies), é capaz de obter os pesos e a própria topologia de rede neural utilizando algoritmos genéticos. A codificação utilizada pelo NEAT é flexível o suficiente para permitir evolução aberta e arquiteturas neurais arbitrárias. Este trabalho apresenta uma implementação do NEAT que pode ser utilizada em conjunto com um simulador de propósito geral, chamado Breve, formando uma plataforma para experimentos de vida artificial. A implementação proposta também estende o NEAT para lidar com redes neurais dinâmicas, onde o nível de ativação dos neurônios varia continuamente no tempo. Este novo modelo é comparado com o método tradicional numa tarefa clássica de controle não-supervisionado, mostrando um aumento de eficiência na busca pela solução do problema. Os resultados obtidos motivam o uso desta plataforma para experimentos de vida artificial, onde uma população de indivíduos interage continuamente com um ambiente dinâmico, se adaptando ao longo das gerações. / The evolution of artificial neural networks has a wide range of applicability in diverse areas in the field of machine learning, particularly, in artificial life simulations where a population of individuals, controlled by neural networks, adapts in a virtual environment in order to solve a given task. Resembling the natural process in which an organism\'s behavior is subjected to phylogenetic modifications through the complexification of the nervous system, such simulations offer a new synthetic approach in the investigation of intelligence, counter posing traditional symbolic methods. A recent method known as NEAT (NeuroEvolution of Augmenting Topologies), is able to obtain the synaptic weights and the topology with the aid of genetic algorithms. The encoding used by NEAT is flexible enough to allow for open-ended evolution and arbitrary neural architectures. This work presents a NEAT implementation especially suitable to be used with a general purpose simulator known as Breve, constituting a framework for artificial life experiments. The proposed implementation extends NEAT to include dynamical neuron models, where their inner state continuously varies over time. The new model is then compared to the traditional method in a classic unsupervised control benchmark task, showing an efficiency increase while solving the problem. The obtained results motivate the proposed framework for general experiments in artificial life, in which a population of individuals continuously interact with a dynamical environment, adapting through generations.

Este trabalho está inserido com contexto da modelagem cartográfica e cartografia de síntese dentro do universo dos sistemas de informações geográficas (SIG). Serão apresentadas três metodologias distintas para obtenção de mapas sínteses através de inferências geográficas, são elas: Operações Pontuais de Soma (OPS), Processo Analitico hierarquico (AHP) e Redes Neurais Artificais (RNA). Aqui serão desenvolvidos e apresentados todos os procedimentos técnicos e metodológicos para a obtenção desses produtos cartográficos através do uso de dois softwares: o SPRING (SIG) e o SNNS (simulador de rede neural artificial). Também será apresentada uma discussão sobre a qualidade dos modelos gerados por essas distintas metodologias e a importância do papel do pesquisador na obtenção desses produtos. / This work is inserted in the context of cartographic modeling and mapping of synthesis within the universe of geographic information systems (GIS). We will present three different methodologies for obtaining maps synthesis by geographic inferences, they are: Operations Locations Sum, Analytic Hierarchy Process and Artificial Neural Network. Here will be developed and presented all the technical and methodological procedures to obtain these cartographic products through the use of two software: SPRING (GIS) and SNNS (artificial neural network simulator). It will also be a discussion of the quality of models generated by these different methodologies and the importance of the researcher in obtaining these products

A determinação de cada espécie que compõe uma mistura gasosa tem sido alvo de muitas pesquisas. Existem equipamentos para tal finalidade tais como, cromatografia gasosa, espectroscopia de infravermelho e sensores. A fim de viabilizar uma aplicação de baixo custo para a determinação da concentração de espécies em uma mistura gasosa, neste trabalho, é proposto um aparato para sensoriamento de H₂, CH₄ e CO encontrados em gases combustíveis. O sensoriamento é efetuado por quimioresistores de SnO₂ comercialmente disponíveis. O aparato consiste de um sistema de coleta da mistura gasosa e de sua diluição antes de seguir com a análise feita pelos sensores, obedecendo aos requisitos de segurança contra explosões. O aparato foi submetido a 125 diferentes misturas oriundas da combinação das concentrações de 0, 200, 800, 1500 e 2000 ppm de cada espécie gasosa utilizando o nitrogênio (99,999%) como gás de arraste. As amostragens foram avaliadas sob dois diferentes métodos de recuperação dos sensores: forçado e natural. Através dos resultados experimentais obtidos, foi observado que: a sensibilidade cruzada dos sensores de CO e de CH₄ é bastante elevada enquanto que o sensor de H₂ apresentou maior seletividade e, o método de recuperação natural apresentou melhores resultados em função da estabilidade térmica do sistema. Uma rede neural artificial foi desenvolvida e treinada com o objetivo de superar o problema das sensibilidades cruzadas. Os resultados obtidos pela rede neural são promissores e apresentaram erro máximo de 0,1 % para o hidrogênio, 23% para o metano e 29% para o monóxido de carbono para a obtenção da concentração absoluta de H₂, CH₄ e CO encontrados em misturas com composições conhecidas de antemão. / The achievement of the content of each component of a gas mixture from gasifiers has been a matter of several studies. There are specific techniques for this purpose, such as: gas chromatography, infrared spectroscopy and sensors. In order to allow a low cost application for obtaining the concentrations in a gas mixture, this study proposes a set up for sensing H₂, CH₄ and CO found in fuel gases produced by gasifiers. The sensing is performed by commercially available chemiresistors of SnO₂. The proposed set up collects the gas mixture and dilutes it before proceeding the sensing step, based on the safety requirements to avoid explosion. 125 different gas mixtures were prepared from the combination of 0, 200, 800, 1500 and 2000 ppm of H₂, CH₄ and CO using nitrogen (99.999%) as the carrier gas. The samples were evaluated under two different methods for sensor recovery: forced and natural. Based on the results, it was established that: the cross sensitivity of the CO and CH₄ sensors is too high while the H₂ sensor presents higher selectivity (almost 100%) and the natural recovery method showed improved results because of the better thermal stability of the system. An artificial neural network was developed and trained with the purpose of overcoming the problem of cross sensitivities. The results achieved by means of the neural network are promising and indicated a maximum error of 0.1% for hydrogen, 23% for methane and 29% for carbon monoxide when the absolute concentration of H₂, CH₄ and CO found in the gas mixtures are obtained from well known compositions.

Esta tese apresenta o estudo para utilização de Redes Neurais Artificiais para avaliar o estado do pavimento e apoiar as decisões dentro de um Sistema de Gerência de Pavimentos. É apresentado um método para a avaliação da condição em pavimentos flexíveis, utilizando redes neurais MLP backpropagation. Neste caso para a extração das características dos pavimentos são utilizados dois métodos muito empregados pelos órgãos rodoviários: o \"Índice de Gravidade Global\" e a \"irregularidade\". Os experimentos demonstraram que as redes neurais simulam satisfatoriamente o estado dos pavimentos. Para se verificar a possibilidade de utilização em outros problemas, o processo foi empregado para o projeto de restauração de pavimentos flexíveis. Foi utilizada a DNER-PRO 159/85 para a extração das características dos pavimentos. Os experimentos demonstraram que as redes neurais também simulam convenientemente as características do pavimento. Como exemplo de ferramenta de apoio à gerência foi desenvolvido um protótipo computacional em ambiente gráfico, onde o critério de decisão baseia-se nas redes neurais estudadas. São descritas todas as suas funções e forma de funcionamento. / A study of artificial neural networks for evaluating the pavement condition and for supporting decisions within a Pavement Management System is presented. The method for condition evaluation of flexible pavements using the MLP backpropagation technique is described. Two of the most used procedures for detecting the pavement conditions were applied: the \"overall severity index\" (Brazilian IGG) and the \"irregularity index\". The experiments demonstrated that the neural networks satisfactorily simulated the state of the pavement. In order to test the applications in other problems, the method was used for pavement overlay design through neural network, using the same MLP backpropagation technique. For detecting the pavement conditions the DNER-PRO 159/85 was applied. Tests with the model also demonstrated that the neural networks appropriately simulate the pavement characteristics. A computational prototype developed in a graphical computer environment, where the decision criteria are based on the neural networks studied, is presented as an example. All the functions and working details of such prototype are described.

Este trabalho descreve experimentos realizados com Redes Neurais Artificiais e algoritmos de aprendizado simbólico. Também são investigados dois algoritmos de extração de conhecimento de Redes Neurais Artificiais. Esses experimentos são realizados com três bases de dados com o objetivo de comparar os desempenhos obtidos. As bases de dados utilizadas neste trabalho são: dados de falência de bancos brasileiros, dados do jogo da velha e dados de análise de crédito. São aplicadas sobre os dados três técnicas para melhoria de seus desempenhos. Essas técnicas são: partição pela menor classe, acréscimo de ruído nos exemplos da menor classe e seleção de atributos mais relevantes. Além da análise do desempenho obtido, também é feita uma análise da dificuldade de compreensão do conhecimento extraído por cada método em cada uma das bases de dados. / This work describes experiments carried out witch Artificial Neural Networks and symbolic learning algorithms. Two algorithms for knowledge extraction from Artificial Neural Networks are also investigates. This experiments are performed whit three data set with the objective of compare the performance obtained. The data set used in this work are: Brazilians banks bankruptcy data set, tic-tac-toe data set and credit analysis data set. Three techniques for data set performance improvements are investigates. These techniques are: partition for the smallest class, noise increment in the examples of the smallest class and selection of more important attributes. Besides the analysis of the performance obtained, an analysis of the understanding difficulty of the knowledge extracted by each method in each data bases is made.

O cérebro humano é formado por um conjunto de neurônios de diferentes tipos, cada um com sua especialidade. A combinação destes diferentes tipos de neurônios é um dos aspectos responsáveis pelo desempenho apresentado pelo cérebro na realização de várias tarefas. Redes Neurais Artificiais são técnicas computacionais que apresentam um modelo matemático inspirado no sistema nervoso e que adquirem conhecimento através da experiência. Uma alternativa para melhorar o desempenho das Redes Neurais Artificiais é a utilização de técnicas de Combinação de Classificadores. Estas técnicas de combinação exploram as diferenças e as semelhanças das redes para a obtenção de resultados melhores. Dentre as principais aplicações de Redes Neurais Artificiais está o Reconhecimento de Padrões. Neste trabalho, foram utilizadas técnicas de Combinação de Classificadores para a combinação de Redes Neurais Artificiais em problemas de Reconhecimento de Padrões. / The human brain is formed by neurons of different types, each one with its own speciality. The combination of theses different types of neurons is one of the main features responsible for the brain performance in severa! tasks. Artificial Neural Networks are computation technics whose mathematical model is based on the nervous system and learns new knowledge by experience. An alternative to improve the performance of Artificial Neural Networks is the employment of Classifiers Combination techniques. These techniques of combination explore the difference and the similarity of the networks to achieve better performance. The main application of Artificial Neural Networks is Pattern Recognition. In this work, Classifiers Combination techniques were utilized to combine Artificial Neural Networks to solve Pattern Recognition problems.

Neste trabalho apresentamos o desenvolvimento e a realização de um experimento utilizando recursos modernos de processamento de imagens como câmeras CCD, placas de aquisição de imagens e linguagem de programação visual com interface multimídia para observação do fenômeno do Estol dinâmico que tem grande importância do estudo de estabilidade de aeronaves. O fenômeno de Estol ocorre nos aerofólios de aeronaves como nos rotores de helicópteros e asas de aeronaves acrobáticas. Nosso sistema e capaz de detectar dentro de um experimento de um aerofólio oscilando em baixas freqüências a Histerese de sustentação que ocorre neste. Utilizamos também na nossa abordagem redes neurais backpropagation para acomodação dos dados experimentais. Implementamos e descrevemos um hardware mecânico para obtenção de melhores imagens e as funções escritas em Visual Basic que foram utilizadas, com o objetivo de permitir a reprodução do experimento em outros centros de pesquisa. / In this work we present an experiment using modern imaging processing techniques such as CCD cameras, video acquisition boards and visual programming using multimedia interfacing for the observation of the Stall phenomena which has great importance in the airplane stability. The Stall phenomena occurs in arplaine (airfoils) such as in helicopter blades and acrobatic airplane wings. We demonstrated that the developed system is able to detect the lift histeresis in a low frequency oscillating bidimensional airfoil. We also used in our approach backpropagation neural network for the experimental data accomodation. In order to allow replication of the experiment by other institutions, we present a detailed description of the mechanical setup used to obtain the best possible images and of the Visual Basic functions.

[pt] O objetivo dessa dissertação é o desenvolvimento de um algoritmo para a análise automática de sinais eletrocardiográficos, baseado em Redes Neurais Artificiais. O sistema é dividido em vários sub- programas utilizados para extrair informações do registro eletrocardiográfico de pacientes, informando a existência de anormalidades a partir da comparação dos valores obtidos com os valores de normalidade disponíveis na literatura biomédica. O programa utiliza 4 segundos do sinal de eletrocardiograma para uma análise classificatória inicial, verificando a viabilidade da extração de informações. Sendo possível esta extração, são obtidos os ciclos cardíacos existentes nesse sinal, e deles são extraídas informações quantitativas dos componentes de suas ondas, que posteriormente serão comparadas com faixas de normalidade por meio de um conjunto de regras heurísticas, indicando assim a possível presença de alterações morfológicas do registro. Esse programa pode ser utilizado em comunidades carentes para orientar a necessidade de encaminhamento a um especialista, cuja presença é rara na maior parte dos postos de atendimento generalista. Também pode auxiliar ao médico especialista, indicando de forma objetiva as possíveis alterações do registro eletrocardiográfico. Os resultados obtidos podem ser considerados satisfatórios, sendo que os valores são compatíveis com a sua natureza, principalmente no que diz respeito aos problemas de baixa razão sinal/ruído existente nos sinais analisados. Para verificação dos resultados de localização dos pontos inicial e final de cada componente do ECG, uma das métricas utilizadas foi o MAPE, obtendo-se, 19,44 por cento para onda P,4,85 por cento para o complexo QRS, 8,93 por cento para o início da onda T e 7,76 por cento para o final da onda T. Outra métrica utilizada para comparar os resultados obtidos com outro artigo, foi a Média Aritmética/Desvio Padrão, onde se obteve mi=-0,8264 ms e sigma=3,7037 ms para o início da onda P, mi=-1,5082 ms e sigma=2,2890 ms para o fim da onda P, mi=-0,2104 ms e sigma=3,2486 ms para o início do complexo QRS, mi=-0,4309 ms e sigma=3,9542 ms para o fim do complexo QRS, mi=-0,1926 ms e sigma=5,7413 ms para o início da onda T, mi=-0,3346 ms e sigma=6,3991 ms para o fim da onda T. / [en] The objective of this dissertation is implementing an algorithm for automatic analysis of electrocardiographic signals, using Artificial Neural Networks. The system is divided into several subprograms that extract relevant information about the cardiac signal measured from patients, and points out possible abnormalities by comparison with normal values found in biomedical bibliography. The algorithm uses 4 seconds of the electrocardiogram signal for an initial classification, verifying the feasibility of information extraction. If the extraction is possible, the separate cardiac cycles are collected from the signal and quantitative values for the various components are determined. Finally, these values are compared with the normal values, indicating alterations of wave morphology. This algorithm has a clear relevance in low-income communities, being useful for an initial classification of the patients, being then forwarded to a cardiologist when ECG abnormalities are identified. Another potential use is in helping the cardiologist to automatically determine accurate values from the electrocardiographic register. The results can by considered satistactory, because the values are being compatible with their nature, mainly due to problems of low signal-to-noise ratio in analysed signals. For verification of the results, one metric used was the MAPE, obtaining 19,44 percent for the P wave, 4,85 percent for the QRS complex, 8,93 percent for the begining of the T wave and 7,76 percent for the end of T wave. Another metric used for comparing results with another article, was the Arithmetic Mean/Standard Deviation, obtaining u=-0,8264 ms and ó=3,7037 ms for the onset of the P wave, u=-1,5082 ms and ó=2,2890 ms for the offset of P wave, u=-0,2104 ms and ó=3,2486 ms for the onset of the QRS complex, u=-0,4309 ms and ó=3,9542 ms for the offset of the QRS complex, u=-0,1926 ms and ó=5,7413 ms for the onset of the T wave, u=-0,3346 ms and ó=6,3991 ms for the offset of the T wave.

Medidas de centralidades são um mecanismo importante para revelar informações vitais sobre redes complexas. No entanto, essas métricas exigem um alto custo computacional que prejudica a sua aplicação em grandes redes do mundo real. Em nosso estudo propomos e explicamos que através do uso de redes neurais artificiais podemos aplicar essas métricas em redes de tamanho arbitrário. Além disso, identificamos a melhor configuração e metodologia para otimizar a acurácia do aprendizado neural, além de apresentar uma maneira fácil de obter e gerar um número suficiente de dados de treinamento substanciais através do uso de um modelo de redes complexas que é adaptável a qualquer aplicação. Também realizamos um comparativo da técnica proposta com diferentes metodologias de aproximação de centralidade da literatura, incluindo métodos de amostragem e outros algoritmos de aprendizagem, e, testamos o modelo gerado pela rede neural em casos reais. Mostramos com os resultados obtidos em nossos experimentos que o modelo de regressão gerado pela rede neural aproxima com sucesso as métricas é uma alternativa eficiente para aplicações do mundo real. A metodologia e o modelo de aprendizagem de máquina que foi proposto usa apenas uma fração do tempo de computação necessário para os algoritmos de aproximação baseados em amostragem e é mais robusto que as técnicas de aprendizagem de máquina testadas / Centrality measures are an important analysis mechanism to uncover vital information about complex networks. However, these metrics have high computational costs that hinder their applications in large real-world networks. I propose and explain the use of artificial neural learning algorithms can render the application of such metrics in networks of arbitrary size. Moreover, I identified the best configuration and methodology for neural learning to optimize its accuracy, besides presenting an easy way to acquire and generate plentiful and meaningful training data via the use of a complex networks model that is adaptable for any application. In addition, I compared my prosed technique based on neural learning with different centrality approximation methods proposed in the literature, consisting of sampling and other artificial learning methodologies, and, I also tested the neural learning model in real case scenarios. I show in my results that the regression model generated by the neural network successfully approximates the metric values and is an effective alternative in real-world applications. The methodology and machine learning model that I propose use only a fraction of computing time with respect to other commonly applied approximation algorithms and is more robust than the other tested machine learning techniques.