Orientadores: Célio Maschio, Denis José Schiozer / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica e Instituto de Geociências / Made available in DSpace on 2018-08-20T18:57:18Z (GMT). No. of bitstreams: 1 Costa_LuisAugustoNagasaki_M.pdf: 3337483 bytes, checksum: b05ca6a68358b078358ec34ba7f7b07a (MD5) Previous issue date: 2012 / Resumo: O processo de ajuste de histórico consiste em uma das etapas mais importantes envolvendo estudos de reservatórios, pois com o modelo de simulação ajustado pode-se realizar previsões de produção com maior confiabilidade e avaliar diferentes estratégias de produção de forma a obter maior recuperação final com menor custo. Porém, esse processo traz consigo diversas dificuldades, sendo uma delas a não unicidade das soluções, ou seja, vários modelos podem igualmente proporcionar resultados satisfatórios dependendo do objetivo de estudo. Além disso, o reservatório pode possuir diversas heterogeneidades e não linearidades entre atributos do reservatório e valores de produção e pressão, o que também contribui para aumentar a complexidade do problema. Através dos diversos trabalhos já publicados comprovou-se que cada caso possui diferentes características, de forma que uma metodologia aplicada com sucesso a um determinado caso pode não ser aplicável a outro e vice e versa. Dessa maneira, estudos nessa área devem ser realizados e atualizados constantemente. O grande desafio em problemas envolvendo ajuste de histórico está relacionado à redução do número de simulações necessárias para alcançar ajustes satisfatórios de acordo com o objetivo proposto. Entre as diversas técnicas que podem ser encontradas na literatura para tal propósito, uma que chama atenção é a aplicação de metamodelos gerados através de Redes Neurais Artificiais. Os metamodelos, uma vez gerados, são capazes de fornecer os resultados muito mais rápido que o simulador, pois se tratam de modelos simplificados. As RNA, por sua vez, são estruturas capazes de captar com eficiência as não linearidades entre entradas e saídas de um dado problema. Assim, os metamodelos gerados por RNA possuem características que os tornam promissores para serem utilizados como substitutos do simulador em etapas do ajuste que demandam maior esforço computacional. Deste modo, nesse trabalho foi avaliada a aplicação de metamodelos gerados por RNA no processo de ajuste de histórico, principalmente no que se refere à influência que a qualidade do conjunto de entrada exerce sobre o desempenho do metamodelo gerado e com relação à confiabilidade da utilização do metamodelo como substituto do simulador para casos práticos, com características mais próximas da realidade. Os resultados mostraram que a ferramenta, apesar dos erros envolvidos, por se tratar de um modelo simplificado, pode ser utilizada como ferramenta auxiliar ao simulador de escoamento no processo de ajuste de histórico. Não é recomendada a sua utilização como substituta do simulador no processo inteiro, porém, pode contribuir em etapas do processo que não requerem grande precisão dos resultados. Para a confiabilidade dos resultados, é necessário validar a resposta (encontrada por meio do metamodelo) usando o simulador de reservatórios / Abstract: The history matching process is one of the most important stages involving studies of reservoirs, because with the adjusted reservoir model, the production forecasts can be done with higher reliability and different production strategies can be evaluated to obtain greater final recovery associated with less costs. However, this process have several problems associated, one being the multiple solution, meaning that different models provide satisfactory results, depending on the objective of the study. Furthermore, the reservoir in study can have different heterogeneities and nonlinearities between reservoir attributes and values of production and pressure, which also contributes to increase the complexity. Various published work showed that each case has different characteristics, so that a methodology that was applied successfully in one case, may not be efficient in another and vice-versa. Thus, studies in this area should be developed and updated constantly. The great challenge in problems involving history matching is related to reducing the number of simulations required to achieve satisfactory adjustments in accordance with the proposed objective. Among several procedures for this purpose, the application of proxy models generated through artificial neural networks (ANN) can be cited. The proxy models, once generated, are able to calculate the results much faster than the simulator due to the fact that they are simplified models. The ANN are structures capable of efficiently capture nonlinearities between inputs and outputs of a given problem. Thus, these proxy models have characteristics that make them promising for use as substitute of simulator in stages that require greater computational effort. Thereby, in this work the application of proxy models generated through ANN in the history matching process was evaluated, primarily regarding to the influence of the input quality in the proxy performance and the reliability of the use of proxy models as substitutes of the simulator in a realistic reservoir model. The results showed that the tool, despite the errors involved, because it is simplified model, can be used as auxiliary tool to the flow simulator in the process of history matching. It is not recommended to use as a substitute in the whole process, however, can contribute in the process stages that do not require great precision. For reliable results, it is necessary to validate the response (found through the proxy) using the reservoir simulator / Mestrado / Reservatórios e Gestão / Mestre em Ciências e Engenharia de Petróleo

Orientador: Antonio Carlos Luz Lisboa / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Quimica / Made available in DSpace on 2018-08-04T10:42:56Z (GMT). No. of bitstreams: 1 Pimentel_WagnerRobertodeOliveira_D.pdf: 4301837 bytes, checksum: f08b0ac18f93d5fcb06a99e56d205191 (MD5) Previous issue date: 2005 / Resumo: O craqueamento catalítico fluido (FCC) é um dos mais importantes processos de refino da atualidade que produz, dentre outros produtos, gasolina e GLP. Trata-se de um processo que apresenta grande dificuldade de ser modelado fenomenologicamente. Dentro desse contexto surgem as redes neurais artificiais (RNA) como ferramenta de modelagem, visto que as RNA são capazes de ¿aprender¿ o que ocorre no processo por meio de um conjunto limitado de dados e apresentam um menor tempo de processamento se comparado aos modelos fenomenológicos. O objetivo principal deste trabalho é desenvolver modelos empíricos, baseados em RNA e na quimiometria, capazes de relacionar as variáveis de entrada com as variáveis de saída do processo de craqueamento catalítico fluido (planta piloto e unidade industrial). Os dados experimentais foram obtidos na unidade piloto de FCC da Petrobrás localizada na usina de xisto em São Mateus do Sul ¿ PR e os dados industriais foram obtidos da unidade de RLAM localizada em São Francisco do Conde ¿ BA. Para uma boa performance das redes foi utilizada a técnica de análise dos componentes principais (PCA) para um pré-processamento dos dados e em seguida foram usadas redes MLP com os seguintes algoritmos de treinamento supervisionado: Método de Broyden-Fletcher-Goldfarb-Shanno (BFGS), Método do Gradiente Conjugado Escalonado (SCG) e Levenberg-Marquardt (LM)... Observação: O resumo, na íntegra, poderá ser visualizado no texto completo da tese digital / Abstract: The fluidized bed catalytic cracking process is one of the most important refining processes. It produces, among other distillates, gasoline and liquefied petroleum gas (LPG). It is very difficult to model it by fundamental balances. On the other hand, artificial neural networks (ANN) offer convenient tools to describe complex processes. They are able to learn what is going on with in the process through a limited amount of information, requiring less computing time than phenomenological modeling. The main objective of this work was to develop empirical models ¿ based on ANNs and chemometrics ¿ able to relate input and output variables of the FCC process, using data from a pilot and from an industrial plant. Experimental data were obtained from the Petrobras FCC pilot plant located in São Mateus do Sul, Parané, nd from the Petrobras Landulpho Alves Refinery PCC industrial plant located in São Francisco do Conde, Bahia. The principal component analysis (PCA) technique was initially used to preprocess the data. Artificial neural networks were then employed with the following supervising training algorithms: Broyden-Fletcher-Godfarb-Shanno (BFGS), Scale Conjugated Gradient (SCG) and Levenberg-Marquardt (LM). Methods devised to increase the artificial network prediction power were also used... Note: The complete abstract is available with the full electronic digital thesis or dissertations / Doutorado / Engenharia de Processos / Doutor em Engenharia Química

In a changing global energy market where the decarbonization of the economy and the demand growth are pushing to look for new models away from the existing centralized non-renewable based grid. To do so, households have to take a ‘prosumer’ role; to help them take optimal actions is needed a multi-step ahead forecast of their expected energy production and consumption. In multi-step ahead forecasting there are different strategies to perform the forecast. The single-output: Recursive, Direct, DirRec, and the multi-output: MIMO and DIRMO. This thesis performs a comparison between the performance of the differents strategies in a ‘prosumer’ household; using Artificial Neural Networks, Random Forest and K-Nearest Neighbours Regression to forecast both solar energy production and grid input. The results of this thesis indicates that the methodology proposed performs better than state of the art models in a more detailed household energy consumption dataset. They also indicate that the strategy and model of choice is problem dependent and a strategy selection step should be added to the forecasting methodology. Additionally, the performance of the Recursive strategy is always far from the best while the DIRMO strategy performs similarly. This makes the latter a suitable option for exploratory analysis.

Today, decision support systems based on predictive modeling are becoming more common, since organizations often collectmore data than decision makers can handle manually. Predictive models are used to find potentially valuable patterns in the data, or to predict the outcome of some event. There are numerous predictive techniques, ranging from simple techniques such as linear regression,to complex powerful ones like artificial neural networks. Complexmodels usually obtain better predictive performance, but are opaque and thus cannot be used to explain predictions or discovered patterns.The design choice of which predictive technique to use becomes even harder since no technique outperforms all others over a large set of problems. It is even difficult to find the best parameter values for aspecific technique, since these settings also are problem dependent.One way to simplify this vital decision is to combine several models, possibly created with different settings and techniques, into an ensemble. Ensembles are known to be more robust and powerful than individual models, and ensemble diversity can be used to estimate the uncertainty associated with each prediction.In real-world data mining projects, data is often imprecise, contain uncertainties or is missing important values, making it impossible to create models with sufficient performance for fully automated systems.In these cases, predictions need to be manually analyzed and adjusted.Here, opaque models like ensembles have a disadvantage, since theanalysis requires understandable models. To overcome this deficiencyof opaque models, researchers have developed rule extractiontechniques that try to extract comprehensible rules from opaquemodels, while retaining sufficient accuracy.This thesis suggests a straightforward but comprehensive method forpredictive modeling in situations with poor data quality. First,ensembles are used for the actual modeling, since they are powerful,robust and require few design choices. Next, ensemble uncertaintyestimations pinpoint predictions that need special attention from adecision maker. Finally, rule extraction is performed to support theanalysis of uncertain predictions. Using this method, ensembles can beused for predictive modeling, in spite of their opacity and sometimesinsufficient global performance, while the involvement of a decisionmaker is minimized.The main contributions of this thesis are three novel techniques that enhance the performance of the purposed method. The first technique deals with ensemble uncertainty estimation and is based on a successful approach often used in weather forecasting. The other twoare improvements of a rule extraction technique, resulting in increased comprehensibility and more accurate uncertainty estimations. / <p><b>Sponsorship</b>:</p><p>This work was supported by the Information Fusion Research</p><p>Program (www.infofusion.se) at the University of Skövde, Sweden, in</p><p>partnership with the Swedish Knowledge Foundation under grant</p><p>2003/0104.</p>

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

La sécurité des installations nucléaires est constamment un souci majeur lors de leur exploitation, mais aussi lors de la conception de nouveaux réacteurs. Leurs durées de vie est limitée à cause des changements de comportement mécanique de leurs composants métalliques (principalement la cuve du réacteur mais aussi ses composants internes), qui sont accélérés ou induits par l’irradiation de neutrons. Une prédiction quantitative précise de ces changements, en fonction de la composition des matériaux et des conditions d'irradiation, est par conséquent un objectif de première importance pour la science des matériaux nucléaires. La modélisation est, de nos jours, considérée comme un complément vital aux approches expérimentales, avec l'objectif d’apporter une meilleure compréhension des processus physiques et chimiques qui se produisent dans les matériaux métalliques sous irradiation de neutrons.<p><p>La modélisation des effets de l'irradiation de neutrons dans les aciers est par nature un problème multi-échelle. Le point de départ est la simulation des cascades de collisions atomiques initiées par les neutrons à hautes énergies qui pénètrent dans le matériau, créant ainsi des défauts ponctuels mobiles. Différents modèles physiques, considérant des échelles de temps et de longueur croissantes, doivent être développés afin de convenablement tenir en compte de tous les différents processus qui provoquent des changements de comportement macroscopique, à cause de la présence de ces défauts ponctuels mobiles. En outre, des liens entre les différents modèles doivent être créés, parce que les prédictions de chacun d'entre eux doivent servir de paramètres d'entrée pour les modèles qui travaillent aux échelles supérieures. Dans cette thèse, un tel lien est créé entre le niveau atomique et les modèles à gros-grains, en développant un nouvel algorithme Monte-Carlo cinétique atomistique (MCCA), où le matériau est décrit comme une collection d'atomes occupant des sites cristallographiques réguliers. Le processus simulé est dès lors naturellement décomposé en séries d'évènements élémentaires activés thermiquement, correspondant à la migration des défauts ponctuels (lacunes ou interstitiels) vers des positions de proches voisins, qui sont en permanence en compétition en fonction de leurs fréquences d'occurrences respectives. Ces dernières sont calculées en fonction des énergies de migrations, qui sont elles-mêmes calculées avec peu d'approximations par une méthode qui prend en compte tous les effets de la relaxation statique et des interactions chimiques à longue portée. Le nouvel algorithme MCCA est par conséquent un modèle physique, entièrement basé sur un potentiel inter-atomique approprié qui est utilisé de la manière la plus complète possible, sans définir de paramètres empiriques qui devraient être, par exemple, fittés depuis des données expérimentales. Finalement, l'algorithme est accéléré de plusieurs ordres de grandeur en utilisant des réseaux de neurones artificiels (RNA), entraînés à prédire les énergies de migrations des défauts ponctuels en fonction de leur environnement atomique local.<p><p>Le nouvel algorithme MCCA est utilisé avec succès pour simuler des expériences de recuits (pour lesquels une seule lacune doit être introduite dans la boîte), afin de valider le modèle grâce à une comparaison directe de ses prédictions avec des résultats expérimentaux trouvés dans la littérature. Une comparaison très satisfaisante est accomplie pour deux alliages modèles importants pour la science des matériaux nucléaires. Dans les deux cas, l'évolution avec le temps de recuit du rayon moyen des précipités formés, ainsi que de leur densité, est en très bonne adéquation avec les mesures expérimentales trouvées dans la littérature, contrairement à ce que d'autres auteurs avaient jusqu’à présent réussi. Ensuite, l'algorithme est généralisé avec succès afin de permettre l'introduction d'un grand nombre de lacunes, ce qui est un des deux ingrédients nécessaires pour la simulation des effets de l'irradiation de neutrons dans les métaux. Cet accomplissement permet la simulation de processus longs et complexes, par exemple le calcul de coefficients de diffusions et temps de vies d'amats de cuivre-lacunes, qui sont des paramètres d'entrée nécessaires pour des modèles de simulation à gros-grains. Finalement, des preuves convaincantes sont apportées que l'algorithme MCCA peut être, dans un futur proche, généralisé d'avantage et permettre la prise en compte des interstitiels, ouvrant ainsi la voie vers la simulation de cycles complets d'irradiation.<p> / Doctorat en Sciences / info:eu-repo/semantics/nonPublished

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

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

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

L'apprentissage automatique et la vision par ordinateur sont deux sujets de recherche d'actualité. Des contributions clés à ces domaines ont été les fruits de longues années d'études du cortex visuel et de la fonction des réseaux cérébraux. Dans cette thèse, nous nous intéressons à la conception des architectures neuro-inspirées pour le traitement de l'information sur trois niveaux différents du cortex visuel. Au niveau le plus bas, nous proposons un réseau de neurones pour l'acquisition des signaux visuels. Ce modèle est étroitement inspiré par le fonctionnement et l'architecture de la retine et les premières couches du cortex visuel chez l'humain. Il est également adapté à l'émulation des mouvements oculaires qui jouent un rôle important dans notre vision. Au niveau le plus haut, nous nous intéressons à la mémoire. Nous traitons un modèle de mémoire associative basée sur une architecture neuro-inspirée dite `Sparse Clustered Network (SCN)'. Notre contribution principale à ce niveau est de proposer une amélioration d'un algorithme utilisé pour la récupération des messages partiellement effacés du SCN. Nous suggérons également une formulation générique pour faciliter l'évaluation des algorithmes de récupération, et pour aider au développement des nouveaux algorithmes. Au niveau intermédiaire, nous étendons l'architecture du SCN pour l'adapter au problème de la mise en correspondance des caractéristiques d'images, un problème fondamental en vision par ordinateur. Nous démontrons que la performance de notre réseau atteint l'état de l'art, et offre de nombreuses perspectives sur la façon dont les architectures neuro-inspirées peuvent servir de substrat pour la mise en oeuvre de diverses tâches de vision. / Computer vision and machine learning are two hot research topics that have witnessed major breakthroughs in recent years. Much of the advances in these domains have been the fruits of many years of research on the visual cortex and brain function. In this thesis, we focus on designing neuro-inspired architectures for processing information along three different stages of the visual cortex. At the lowest stage, we propose a neural model for the acquisition of visual signals. This model is adapted to emulating eye movements and is closely inspired by the function and the architecture of the retina and early layers of the ventral stream. On the highest stage, we address the memory problem. We focus on an existing neuro-inspired associative memory model called the Sparse Clustered Network. We propose a new information retrieval algorithm that offers more flexibility and a better performance over existing ones. Furthermore, we suggest a generic formulation within which all existing retrieval algorithms can fit. It can also be used to guide the design of new retrieval approaches in a modular fashion. On the intermediate stage, we propose a new way for dealing with the image feature correspondence problem using a neural network model. This model deploys the structure of Sparse Clustered Networks, and offers a gain in matching performance over state-of-the-art, and provides a useful insight on how neuro-inspired architectures can serve as a substrate for implementing various vision tasks.