Long-term price range forecast applied to risk management using regression models

Long-term contractual decisions are the basis of an efficient risk management. However those types of decisions have to be supported with a robust price forecast methodology. This paper reports a different approach for long-term price forecast which tries to give answers to that need. Making use of regression models, the proposed methodology has as main objective to find the maximum and a minimum Market Clearing Price (MCP) for a specific programming period, and with a desired confidence level α. Due to the problem complexity, the meta-heuristic Particle Swarm Optimization (PSO) was used to find the best regression parameters and the results compared with the obtained by using a Genetic Algorithm (GA). To validate these models, results from realistic data are presented and discussed in detail.

Proposta de metodologia usando regressões lineares no cálculo dos efeitos vibratórios do rebentamento de explosivos

Este trabalho apresenta o estudo das leis de propagação das velocidades de vibração resultantes do uso de explosivo em diferentes maciços. Foram efectuados estudos para três tipos de maciços diferentes, granito, quartzito e calcário. Efectuaram-se campanhas de monitorização e registo dos dados em cada uma das situações. Caracterizando e utilizando duas leis de propagação de velocidades no maciço, a de Johnson e Langefors, calculou-se as suas variáveis por método estatístico de regressões lineares múltiplas. Com a obtenção das variáveis fizeram-se estudos de previsão dos valores de vibração a obter utilizando a carga explosiva aplicada nos desmontes. Através dos valores de vibração obtidos em cada pega de fogo para cada tipo de maciço comparou-se quais das duas leis apresentam o valor de velocidade de vibração menor desviado do real. Conforme ficou verificado neste estudo, a equação de Langefors garante uma mais-valia da sua aplicação na previsão das velocidades de vibração pois joga favoravelmente a nível da segurança assim como apresenta um menor desvio face à equação de Johnson quando comparada com o valor real de vibração obtido. Com isto o método de utilização de regressões lineares múltiplas como cálculo dos efeitos vibratórios é extremamente vantajoso a nível de prevenção de danos e cálculo de velocidades de vibração inferiores ao imposto pela Norma.

Multiple Linear Regression and Artificial Neural Networks to Predict Time and Efficiency of Soil Vapor Extraction

The prediction of the time and the efficiency of the remediation of contaminated soils using soil vapor extraction remain a difficult challenge to the scientific community and consultants. This work reports the development of multiple linear regression and artificial neural network models to predict the remediation time and efficiency of soil vapor extractions performed in soils contaminated separately with benzene, toluene, ethylbenzene, xylene, trichloroethylene, and perchloroethylene. The results demonstrated that the artificial neural network approach presents better performances when compared with multiple linear regression models. The artificial neural network model allowed an accurate prediction of remediation time and efficiency based on only soil and pollutants characteristics, and consequently allowing a simple and quick previous evaluation of the process viability.

Nonlinear Dynamics for Local Fractional Burgers Equation Arising in Fractal Flow

The local fractional Burgers’ equation (LFBE) is investigated from the point of view of local fractional conservation laws envisaging a nonlinear local fractional transport equation with a linear non-differentiable diffusion term. The local fractional derivative transformations and the LFBE conversion to a linear local fractional diffusion equation are analyzed.