An artificial neural network approach for short-term wind power forecasting in Portugal

This paper presents an artificial neural network approach for short-term wind power forecasting in Portugal. The increased integration of wind power into the electric grid, as nowadays occurs in Portugal, poses new challenges due to its intermittency and volatility. Hence, good forecasting tools play a key role in tackling these challenges. The accuracy of the wind power forecasting attained with the proposed approach is evaluated against persistence and ARIMA approaches, reporting the numerical results from a real-world case study.

Estudo do recife artificial a construir na Leirosa: aplicação de modelação numérica para simulação da propagação da agitação marítima

A temática dos recifes artificiais multifuncionais é relativamente recente, sendo que o primeiro recife artificial multifuncional construído data do ano de 1999 (Perth, Austrália). A palavra multifuncional está associada aos múltiplos propósitos que se podem atingir com a construção de uma estrutura destas, sendo eles, a proteção costeira, o aumento da biodiversidade local, a melhoria da qualidade das ondas para o Surf e a promoção do turismo ligado aos desportos de ondas. Para dar resposta a um caso de proteção costeira, na zona marítima adjacente à praia de Leirosa, Portugal, foi pensada uma construção de um recife artificial que funcione como obra de proteção do sistema dunar local e que, adicionalmente melhore as condições locais para a prática de Surf. Este trabalho descreve a análise de duas soluções de recife (em forma de “V”, formando um ângulo de 45º e 66º, entre si), através dos valores das características das ondas (altura, período e direção) e parâmetros de surfabilidade (linha de rebentação, número de Iribarren e ângulo de rebentação), para uma gama alargada de condições de agitação frequente. Para tal, foi necessário caracterizar a agitação marítima, através do modelo numérico SWAN para determinação dos casos de agitação mais frequentes na zona marítima adjacente ao local de implantação do recife e para, posteriormente, se proceder à sua utilização no modelo numérico DREAMS, que permitiu a simulação da propagação das ondas sobre o recife. A comparação dos resultados do modelo numérico DREAMS para as situações de com e sem recife (para as duas soluções de recife) permitiu avaliar a influência do mesmo em termos de alturas de onda, linha de rebentação e ângulo de rebentação, tendo-se chegado a resultados satisfatórios do ponto de vista do melhoramento das condições locais para a prática do Surf.

Neural-network approach to modeling liquid crystals in complex confinement

Finding the structure of a confined liquid crystal is a difficult task since both the density and order parameter profiles are nonuniform. Starting from a microscopic model and density-functional theory, one has to either (i) solve a nonlinear, integral Euler-Lagrange equation, or (ii) perform a direct multidimensional free energy minimization. The traditional implementations of both approaches are computationally expensive and plagued with convergence problems. Here, as an alternative, we introduce an unsupervised variant of the multilayer perceptron (MLP) artificial neural network for minimizing the free energy of a fluid of hard nonspherical particles confined between planar substrates of variable penetrability. We then test our algorithm by comparing its results for the structure (density-orientation profiles) and equilibrium free energy with those obtained by standard iterative solution of the Euler-Lagrange equations and with Monte Carlo simulation results. Very good agreement is found and the MLP method proves competitively fast, flexible, and refinable. Furthermore, it can be readily generalized to the richer experimental patterned-substrate geometries that are now experimentally realizable but very problematic to conventional theoretical treatments.

Controlo e optimização de sistemas AVAC recorrendo a técnicas de inteligência artificial

Trabalho Final de Mestrado para obtenção do grau de Mestre em Engenharia Mecânica