Técnicas de controlo não-linear baseadas em Redes Neuronais: do algoritmo à implementação

O presente trabalho analisa soluções de controlo não-linear baseadas em Redes Neuronais e apresenta a sua aplicação a um caso prático, desde o algoritmo de treino até à implementação física em hardware. O estudo inicial do estado da arte da utilização das Redes Neuronais para o controlo leva à proposta de soluções iterativas para a definição da arquitectura das mesmas e para o estudo das técnicas de Regularização e Paragem de Treino Antecipada, através dos Algoritmos Genéticos e à proposta de uma forma de validação dos modelos obtidos. Ao longo da tese são utilizadas quatro malhas para o controlo baseado em modelos, uma das quais uma contribuição original, e é implementado um processo de identificação on-line, tendo por base o algoritmo de treino Levenberg-Marquardt e a técnica de Paragem de Treino Antecipada que permite o controlo de um sistema, sem necessidade de recorrer ao conhecimento prévio das suas características. O trabalho é finalizado com um estudo do hardware comercial disponível para a implementação de Redes Neuronais e com o desenvolvimento de uma solução de hardware utilizando uma FPGA. De referir que o trabalho prático de teste das soluções apresentadas é realizado com dados reais provenientes de um forno eléctrico de escala reduzida.

Implementação em hardware de uma Rede Neuronal com ummicroprocessador embebido em FPGA

O objectivo deste trabalho é a implementação em hardware de uma Rede Neuronal com um microprocessador embebido, podendo ser um recurso valioso em várias áreas científicas. A importância das implementações em hardware deve-se à flexibilidade, maior desempenho e baixo consumo de energia. Para esta implementação foi utilizado o dispositivo FPGA Virtex II Pro XC2VP30 com um MicroBlaze soft core, da Xilinx. O MicroBlaze tem vantagens como a simplicidade no design, sua reutilização e fácil integração com outras tecnologias. A primeira fase do trabalho consistiu num estudo sobre o FPGA, um sistema reconfigurável que possui características importantes como a capacidade de executar em paralelo tarefas complexas. Em seguida, desenvolveu-se o código de implementação de uma Rede Neuronal Artificial baseado numa linguagem de programação de alto nível. Na implementação da Rede Neuronal aplicou-se, na camada escondida, a função de activação tangente hiperbólica, que serve para fornecer a não linearidade à Rede Neuronal. A implementação é feita usando um tipo de Rede Neuronal que permite apenas ligações no sentido de saída, chamado Redes Neuronais sem realimentação (do Inglês Feedforward Neural Networks - FNN). Como as Redes Neuronais Artificiais são sistemas de processamento de informações, e as suas características são comuns às Redes Neuronais Biológicas, aplicaram-se testes na implementação em hardware e analisou-se a sua importância, a sua eficiência e o seu desempenho. E finalmente, diante dos resultados, fez-se uma análise de abordagem e metodologia adoptada e sua viabilidade.

Identificação de alvos na terapia anti-cancerígena utilizando técnicas de modelação molecular

Miguel Fernandes

Previsão de produção de energia elétrica a partir do vento

A capacidade de prever a produção de energia eólica com precisão num parque eólico é de extrema relevância tanto do ponto de vista económico bem como de controlo e estabilidade da rede elétrica. Vários e diferentes métodos têm sido utilizados para este propósito, como os físicos, estatísticos, lógica difusa e redes neuronais artificiais. Os dados disponíveis dos parques eólicos contêm ruído e leituras inesperadas em relação às entradas disponíveis. Lidar com estes dados não é uma tarefa simples mas, neste trabalho, as Redes Neuronais Artificiais são usadas para prever a potência gerada baseada em medições locais do vento. Os resultados mostram que as Redes Neuronais Artificiais são uma ferramenta que deve ser considerada nestas difíceis condições, uma vez que elas proporcionam uma precisão razoável nas suas previsões.

Dados, informação, conhecimento, ensino de programação, a inteligência empresarial e as suas motivações

O objetivo deste relatório é dar a conhecer um possível percurso de carreira para um aluno que, à entrada no mundo profissional, se interessou por sistemas de suporte à decisão e mais tarde enveredou por uma carreira de docente. Descrevi a minha experiência profissional desde a entrada no curso de Engenharia Informática e as opções que fui tomando durante e depois do curso, demonstrativas do interesse e tendências para a área de suporte à decisão dentro das TI, help desk, assim como pela área do ensino. Assim, o facto de ter trabalhado em diversas áreas e em diversas entidades, colaborei destacadamente na CENTRIA, Portugal Telecom (System Care) e Escola Secundária de Francisco Franco. Nestas entidades fiz desenvolvimento aplicacional em Text Mining, na definição de requisitos, na qualidade e integração de dados e na transmissão de ensinamentos. Esta multiplicidade de contextos permitiu a minha evolução profissional e humana. O curso na FCT-UNL capacitou-me para ser tolerante à frustração, devido aos inúmeros obstáculos com que me fui deparando ao longo do curso, transmitindo-me, assim, uma capacidade de adaptação ao nível das mais diversas tecnologias e metodologias. Ao longo da minha carreira, e graças a todos os ensinamentos assimilados, tenho conseguido ultrapassar sempre as tarefas difíceis a nível técnico, funcional e de gestão que me foram surgindo. Espero transmitir claramente como funcionam os meus projetos, as suas componentes, dificuldades e particularidades.

Avaliação do risco de galgamento de estruturas portuárias: o caso do Porto de Ponta Delgada (Açores, Portugal)

A análise do galgamento de estruturas portuárias não só é importante para a avaliação da segurança de bens, pessoas e equipamentos e das atividades junto a elas desenvolvidas, como também a nível económico e financeiro. A finalidade deste trabalho é a aplicação da metodologia desenvolvida pelo Laboratório Nacional de Engenharia Civil (LNEC) para a avaliação do risco de galgamento de estruturas portuárias ao Porto de Ponta Delgada, Açores, num período de dois anos (2011 e 2012), para cinco secções nele enquadradas. A metodologia desenvolvida ao longo desde trabalho apresenta como componentes essenciais a caraterização da agitação marítima a que estão sujeitas as secções em estudo e o cálculo do caudal médio de galgamento por metro linear de estrutura. Estas duas variáveis, inicialmente estudadas e indispensáveis neste trabalho, são obtidas com base em dados de agitação marítima em águas profundas fornecidas pelo modelo regional de previsão de agitação WAVEWATCH III, que, acoplado ao modelo espetral SWAN e ao modelo de declive suave DREAMS, permite a obtenção da agitação marítima incidente na entrada do porto e no seu interior, respetivamente. Os resultados do modelo SWAN são validados mediante uma comparação com dados medidos in situ pela boia ondógrafo localizada ao largo da zona em estudo. Os parâmetros de agitação marítima obtidos para as cinco secções em análise permitem determinar o caudal médio de galgamento, com recurso à ferramenta NN_OVERTOPPING, baseada em redes neuronais.Em seguida, como resultado da combinação entre os valores de probabilidades e de consequências associadas, quando ultrapassado um determinado caudal médio de galgamento admissível anteriormente estabelecido para cada zona em estudo, é obtido um grau de risco de galgamento para cada zona analisada, o que permite criar um mapa de risco que servirá de informação para o planeamento de operações e de futuras intervenções nessa envolvente.

Controlo de estufagem do Vinho Madeira em escala piloto

Um dos processos de envelhecimento do Vinho Madeira é a “Estufagem” realizada através da circulação de água aquecida a uma determinada temperatura por um sistema de serpentina existente no interior de cada estufa. De modo a tornar o processo de estufagem eficiente e preservar a qualidade do Vinho Madeira, a monitorização, registo e controlo da temperatura reveste-se da maior importância sendo, atualmente, todo esse processo realizado, por norma, manualmente, quer no sistema de dez estufas de aço inox existente no laboratório de enologia da Universidade da Madeira (UMa), quer nos sistemas das cooperativas de Vinho Madeira. Existem, no mercado, alguns sistemas que solucionam, com menor ou maior limitação, este problema. Porém, nenhum desses sistemas implementa um sistema de controlo “inteligente” capaz de se adaptar automaticamente a diferentes períodos de temperaturas predefinidos e manter o aquecimento das estufas de acordo com essas temperaturas com uma margem de erro inferior a ±0,5℃, bem como o custo associado aos mesmos é elevado o que dificulta a sua implementação neste setor. O sistema implementado, nesta tese, consiste em duas aplicações: uma aplicação web e uma Windows Forms Application. A aplicação web foi desenvolvida em C# com recurso à framework ASP.NET Web Pages e implementa toda a lógica necessária à monitorização gráfica e à gestão do sistema, nomeadamente a definição do setpoint para cada estufa. A Windows Forms Application, também desenvolvida em C# devido à necessidade de interligação com a biblioteca fornecida pela CAREL para conexão aos controladores de temperatura IR32, efetua o registo e controlo automático da temperatura, de acordo com o setpoint definido para cada estufa através da aplicação web. O controlo de temperatura realiza-se com recurso às redes neuronais, nomeadamente através dum controlador DIC (Direct Inverse Controller) que obteve, de entre os vários controladores testados, o melhor Erro Quadrático Médio (MSE) e o melhor Coeficiente de Correlação (R). Através da utilização do sistema implementado conseguiu-se eliminar a limitação física de erro com ± 1℃ em torno do setpoint tendo-se conseguido, para o melhor caso, uma margem de erro de ± 0,1℃ relativamente ao setpoint reduzindo-se, assim, a margem de variação de temperatura até um máximo de 1,8ºC e, consequentemente, o erro associado.