Eventos
Divulgação - Defesa Nº 253
Aluno: Leonardo de Leon Dias
Título: “Sistema híbrido para previsão de velocidade do vento”
Orientador: João Fausto Lorenzato de Oliveira - (PPGEC)
Co-orientador: Emerson Alexandre de Oliveira Lima - (UPE)
Examinador Externo: Paulo Salgado Gomes de Mattos Neto - (UFPE)
Examinador Interno: Cleyton Mário de Oliveira Rodrigues - (PPGEC)
Data-hora: 28 de julho de 2022 às 13:00h.
Local: Formato Remoto (https://meet.google.com/frg-wdbr-bee)
Resumo:
A contribuição da energia eólica com a matriz energética mundial vem crescendo substancialmente e representa uma grande parcela na produção de energia limpa. Contudo, a capacidade de geração de energia eólica está diretamente relacionada à velocidade do vento, e o vento por sua vez é intermitente, apresenta variação constante, possui comportamentos variados e possui padrões não lineares. Dessa forma, a capacidade de prever a velocidade do vento é fundamental para viabilizar a instalação e operação de uma usina eólica. Diversos modelos e diferentes abordagens para previsão de séries temporais de velocidade do vento podem ser encontrados na literatura, dentre eles a modelagem de sistemas híbridos combinando diferentes modelos estatísticos mostram-se boas opções para o desempenho dessa tarefa. Esses sistemas visam superar as limitações de um único modelo através da agregação das qualidades oferecidas por modelos distintos. Neste sentido, a combinação de modelos lineares e não lineares para predição da série de resíduo é uma abordagem recorrente na literatura e que mostra-se bastante eficaz. Esse artigo propõe um sistema híbrido para previsão de séries de velocidade do vento com intervalos horários e mensais e utiliza diferentes modelos estatísticos para geração de uma função de combinação não linear entre modelos lineares e não lineares. A abordagem proposta orienta quais os modelos são mais adequados para proporcionar uma melhor performance na tarefa de predição. Foram feitas avaliações em diferentes cenários utilizando dados de três estações meteorológicas do nordeste do brasileiro e os resultados obtidos mostraram que o sistema híbrido proposto atingiu uma precisão superior a outros modelos encontrados na literatura.
Divulgação - Defesa Nº 252
Aluno: Marcos André Santos Galindo
Título: “Including Cultural Aspects in FSS - Cultural Weight-Based Fish School Search (cwFSS)”
Orientador: Fernando Buarque de Lima Neto - (PPGEC)
Co-orientador: Marcelo Gomes Pereira de Lacerda
Examinador Externo: Francisco Madeiro B. Júnior - (UNICAP)
Examinador Interno: Carmelo José Albanez B. Filho - (PPGEC)
Data-hora: 30 de junho de2022 às 16:30h.
Local: Formato Remoto (https://meet.google.com/ajd-cfpq-aah)
Resumo:
Many real-life engineering applications are optimization problems. To find the best combination of parameters to minimize costs and maximize efficiency, engineers tipically use project software such as CAD, CAE and CAM. In this context, intelligent optimization techniques may be used to automate and improve such task. None the less, these algorithms may search in unreliable areas and even suggest risky solutions, which for real-life applications may cause problems because of inaccuracies and unfeasibility (especially in the industrial environment). Thus cultural aspects should be combined with multimodal Swarm Intelligence algorithms to deal with that. The present work proposes the incorporation of Cultural Algorithms concepts to Weight-Based Fish School Search (wFSS), generating a new optimization algorithm, the Cultural Weight-Based Fish School Search (cwFSS). cwFSS is able to guide the optimization process based on norms, expert experience and theoretical knowledge about the problem without the need of implying constraints to the fitness function, while it keeps some desirable freedom to the search. cwFSS was also evaluated the use of historical knowledge to intelligently find the optimal time to stop the search process. The proposed method was tested in a function set of the CEC niching optimization competition, a thermal power plant efficiency optimization simulator, compared with the standard wFSS, and Niching Migratory Multi-swarm Optimiser (NMMSO) – champion of CEC’2015 niching optimization competition. As for results, cwFSS has outperformed NMSSO in time, fitness and variability, and the original wFSS about time, stability, safeness and variability of the multimodal solutions. Therefore, cwFSS is deemed an interesting support tool for engineering decisions problems.
Divulgação - Defesa Nº 251
Aluno: Rodrigo Simões Costa
Título: “Classificação de pacientes com diabetes pela análise dos padrões de proteínas presentes na saliva usando algoritmos de aprendizado de máquinas”
Orientador: Carmelo José Albanez Bastos Filho - (PPGEC)
Co-orientador: Anthony José da Cunha Carneiro Lins
Examinador Externo: Diego Marconi Pinheiro Ferreira Silva - (UNICAP)
Examinador Interno: Sérgio Murilo Maciel Fernandes - (PPGEC)
Data-hora: 30 de junho de 2022 às 15:00h
Local: Formato Remoto (https://meet.google.com/ofu-zaei-ofx?hs=224)
Resumo:
Equipamentos modernos têm permitido o mapeamento de informações biológicas do ponto de vista molecular, que podem ser utilizadas para predição e diagnóstico de doenças. Além disso, os exames laboratoriais auxiliam no diagnóstico clínico e trazem marcadores com padrões complexos. Esses padrões podem ser usados em conjunto com técnicas de Machine Learning para detectar e automatizar diagnósticos de pacientes. Essas ferramentas de aplicação podem ser utilizadas para o diagnóstico precoce de doenças. Este trabalho mostra uma aplicação de técnicas de aprendizado de máquina supervisionado para classificar pacientes com diabetes, usando os marcadores de proteínas contidos na saliva diretamente nos dados fornecidos por um equipamento implantado para medir pesos moleculares. Nosso banco de dados (o SalivaTecDB [1]) possui 170 pacientes sendo 52 diabéticos e 118 não diabéticos. Analisamos quatro técnicas de aprendizado de máquina amplamente utilizadas, mostrando que a máquina de vetores de suporte obteve os melhores resultados em relação à acurácia, precision, recall e F1-score.
O Programa
