Introdução ao estudo de custos

Unidade 1

Classificação dos custos agroindustriais

A ferramenta de custos se mostra relevante do ponto de vista gerencial, auxiliando no controle de gastos e na tomada de decisões nas empresas. Para melhor entender este conceito, o material apresenta a taxonomia dos sistemas de custos, além de suas classificações quanto à natureza, à identificação com o produto e à variação quantitativa. Como o estoque representa grande parte dos custos de produção, são apresentadas três formas contábeis para avaliação dos mesmos: PEPS (primeiro a entrar, primeiro a sair), UEPS (último a entrar, primeiro a sair) e Custo Médio.

Estrutura dos custos agroindustriais

Inicialmente coloca-se o conceito de produção agroindustrial, que abrange desde as atividades agrícolas anteriores ao processamento industrial até a transformação primária dos produtos obtidos na exploração agrária. As especificidades do setor são apresentadas e os principais custos agroindustriais relativos ao mesmo são citados. As peculiaridades dos custos agroindustriais com mão-de-obra, remuneração do proprietário, capital fixo, materiais, pastagens administração, seguros financiamentos, conservação e reparação e os riscos são adaptados para este setor industrial, que se diferencia dos outros por suas próprias características anteriormente descritas. Finalmente sugerem-se ações para que os custos agroindustriais sejam melhor gerenciados, ajudando na expansão da competitividade do setor nos mercados interno e externo.

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.