Concepção de instalações frigoríficas em expansão directa versus sistemas inundados: análise energética das soluções

O recurso a sistemas de refrigeração é indispensável nos dias actuais. Esta importante área da engenharia vem sendo aperfeiçoada através dos séculos para atender às diversas necessidades geradas com a evolução do estilo de vida da humanidade. Nos dias actuais, é praticamente impossível dissociar as actividades da sociedade moderna dos benefícios proporcionados pelas tecnologias de refrigeração. Como consequência, também é indispensável o uso da energia eléctrica para o accionamento dos motores e outros equipamentos associados a esses sistemas. Ao longo deste trabalho, os conceitos termodinâmicos e os componentes dos sistemas de refrigeração são abordados, de modo a permitir o projecto de instalações frigoríficas optimizadas energeticamente. Os aspectos teóricos serão destacados, para que se possa definir o perfil termodinâmico das instalações frigoríficas em expansão directa e em sistema inundado. A partir dos conceitos básicos, serão descritos os ciclos de refrigeração e as suas variações. O balanço energético de uma instalação frigorífica permite todo o projecto termodinâmico da instalação, a selecção dos equipamentos e acessórios necessários ao bom funcionamento do sistema, não perdendo de vista a sua eficiência energética. A eficiência energética da instalação é um factor importante, como tal, é pertinente confrontar duas tipologias diferentes de projecto associadas a uma câmara frigorífica. Para tal objectivo, é tipificada uma câmara de congelados de dimensões apreciáveis, para a qual serão projectados os sistemas alvo de comparação. A instalação em sistema inundado apresenta melhor eficiência frigorífica e menor custo de exploração, no entanto, é necessário um investimento inicial elevado.

Efficient feature selection filters for high-dimensional data

Feature selection is a central problem in machine learning and pattern recognition. On large datasets (in terms of dimension and/or number of instances), using search-based or wrapper techniques can be cornputationally prohibitive. Moreover, many filter methods based on relevance/redundancy assessment also take a prohibitively long time on high-dimensional. datasets. In this paper, we propose efficient unsupervised and supervised feature selection/ranking filters for high-dimensional datasets. These methods use low-complexity relevance and redundancy criteria, applicable to supervised, semi-supervised, and unsupervised learning, being able to act as pre-processors for computationally intensive methods to focus their attention on smaller subsets of promising features. The experimental results, with up to 10(5) features, show the time efficiency of our methods, with lower generalization error than state-of-the-art techniques, while being dramatically simpler and faster.