Otimização do processo de aprendizagem da estrutura gráfica de Redes Bayesianas em BigData

A automação na gestão e análise de dados tem sido um fator crucial para as empresas que necessitam de soluções eficientes em um mundo corporativo cada vez mais competitivo. A explosão do volume de informações, que vem se mantendo crescente nos últimos anos, tem exigido cada vez mais empenho em buscar estratégias para gerenciar e, principalmente, extrair informações estratégicas valiosas a partir do uso de algoritmos de Mineração de Dados, que comumente necessitam realizar buscas exaustivas na base de dados a fim de obter estatísticas que solucionem ou otimizem os parâmetros do modelo de extração do conhecimento utilizado; processo que requer computação intensiva para a execução de cálculos e acesso frequente à base de dados. Dada a eficiência no tratamento de incerteza, Redes Bayesianas têm sido amplamente utilizadas neste processo, entretanto, à medida que o volume de dados (registros e/ou atributos) aumenta, torna-se ainda mais custoso e demorado extrair informações relevantes em uma base de conhecimento. O foco deste trabalho é propor uma nova abordagem para otimização do aprendizado da estrutura da Rede Bayesiana no contexto de BigData, por meio do uso do processo de MapReduce, com vista na melhora do tempo de processamento. Para tanto, foi gerada uma nova metodologia que inclui a criação de uma Base de Dados Intermediária contendo todas as probabilidades necessárias para a realização dos cálculos da estrutura da rede. Por meio das análises apresentadas neste estudo, mostra-se que a combinação da metodologia proposta com o processo de MapReduce é uma boa alternativa para resolver o problema de escalabilidade nas etapas de busca em frequência do algoritmo K2 e, consequentemente, reduzir o tempo de resposta na geração da rede.

Pesagem em movimento e caracterização do tráfego ferroviário com uso da técnica B-WIM

Nesta dissertação é apresentado o desenvolvimento de algoritmos para aplicação do método Bridge-Weigh In Motion (B-WIM) para a pesagem em movimento de trens e para a caracterização do tráfego ferroviário, permitindo-se obter informações sobre a velocidade de passagem dos trens, número e espaçamento entre eixos. Os sistemas B-WIM a partir de uma simples instrumentação permitem determinar as cargas por eixo de veículos em movimento, eliminando o efeito dinâmico. Foram implementados os algoritmos para a determinação dos valores referentes a geometria do trem e das cargas, que foi validado a partir de um exemplo teórico, onde se simulou a passagem de um trem de características conhecidas sobre a ponte e as cargas por eixos foram determinadas com 100% de exatidão. Além disso, foi feito um exemplo numérico em elementos finitos, de um viaduto em concreto armado para aplicação do método, onde foi feita a determinação das cargas por eixo para diferentes velocidades de passagem do trem. A fim de reduzir o tempo de processamento nas análises do exemplo numérico, foi desenvolvido um algoritmo para a geração de cargas nodais no modelo numérico que reduziram o tempo de processamento em até 96% quando comparado com a análise de múltiplos passos (“Multi-Step”), que simula automaticamente a passagem do trem sobre a estrutura. Finalmente, o método foi testado em um caso real a partir de monitorações realizadas em um viaduto de concreto armado da Estrada de Ferro Carajás. Apesar de não ter sido possível a determinação das cargas por eixo da locomotiva, foi possível medir precisamente o peso bruto total da locomotiva quando se utilizou o modelo constitutivo de Collins & Mitchell (1991) para o concreto.