O monitoramento e o controle adequado das malhas de incubadoras neonatais proporcionam um ambiente com condições adequadas e imprescindíveis ao recém-nascido. Dinamicamente, como sistemas de controle, as incubadoras neonatais podem ser caracterizadas como processos multi- variáveis com forte acoplamento entre as malhas de temperatura e umidade, as quais determinam as condições térmicas e de umidade no ambiente interno da incubadora e, consequentemente, influenciam o conforto térmico do recém-nascido. Este trabalho tem como proposta a sintonia de Controladores Digitais PID (Proportional-Integral-Derivative) 2DOF (Two Degree of Freedom) com estrutura RST para o controle das malhas de temperatura e umidade de uma incubadora neonatal. No desenvolvimento dos algoritmos de controle, foram incorporados polos auxiliares, cuja posição foi otimizada por meio de algoritmos genéticos, visando aprimorar o desempe- nho dos controladores. Os resultados obtidos foram comparados com aqueles dos métodos de controle tradicionais. As interações entre as malhas do processo são consideradas na forma de projeto sequencial dos controladores. Notou-se que a inserção dos polos auxiliares otimizados por algoritmos genéticos aos controladores reduz o Esforço do Controlador (EC), IAE (do inglês Integral of the Absolute Value of the Error) e as variações dos sinais de saída e de controle, além de melhorar os índices de robustez do sistema baseados em margens de módulo, de ganho, de fase e de atraso.

A crescente participação de fontes renováveis intermitentes na matriz elétrica brasileira impõe novos desafios ao planejamento e à operação do Sistema Interligado Nacional (SIN), exigindo metodologias capazes de aumentar a flexibilidade operacional e o aproveitamento dos recursos energéticos disponíveis. Neste contexto, esta dissertação propõe um modelo de otimização baseado em Programação Linear Inteira Mista (MILP) para a operação integrada das fontes hidrelétrica, eólica e solar fotovoltaica, incorporando explicitamente os coeficientes de complementaridade entre esses recursos e avaliando os impactos da utilização de sistemas de armazenamento por baterias (Battery Energy Storage Systems – BESS). Inicialmente, foram obtidos e tratados dados provenientes de bases oficiais da ANEEL, do Operador Nacional do Sistema Elétrico (ONS) e da plataforma NASA POWER, a partir dos quais foram construídos dias típicos representativos das quatro estações do ano e calculados os coeficientes de complementaridade entre os recursos naturais. Em seguida, foi desenvolvido um modelo computacional em Python, utilizando a biblioteca Pyomo e o solver Gurobi, no qual a complementaridade foi incorporada diretamente à função objetivo por meio de um parâmetro de ponderação (λ), permitindo a realização de análises de sensibilidade sob diferentes estratégias operacionais. Os resultados demonstraram que a complementaridade promove reduções expressivas no custo operacional e na utilização das usinas termelétricas, além de aumentar o aproveitamento das fontes renováveis. A inclusão dos sistemas de armazenamento potencializou esses benefícios, permitindo reduzir significativamente o vertimento de energia renovável e aumentar a flexibilidade operacional do sistema. Entre os cenários avaliados, o cenário que combinou complementaridade e armazenamento com λ = 1,50 apresentou o melhor desempenho global, reduzindo o custo operacional em 52,75%, o curtailment em 65,03% e aumentando o aproveitamento da geração renovável em 6,48% em relação ao cenário de referência. Conclui-se que a integração entre complementaridade energética e sistemas de armazenamento constitui uma estratégia eficaz para aumentar a eficiência operacional do SIN, representando uma contribuição relevante para o planejamento e a operação de sistemas elétricos com elevada participação de fontes renováveis.

A geração automática de laudos radiológicos a partir de radiografias de tórax tem atraído crescente atenção como forma de auxiliar os médicos e reduzir a carga de trabalho associada à interpretação de imagens médicas. No entanto, gerar laudos clinicamente coerentes e contextualizados continua sendo uma tarefa desafiadora, principalmente para modelos que dependem exclusivamente de informações visuais. Este artigo apresenta uma estrutura multimodal baseada em Transformers para a geração automática de laudos de radiografias de tórax, que integra imagens radiográficas e o histórico clínico do paciente. Representações visuais são extraídas de imagens de radiografias de tórax frontal e lateral utilizando uma arquitetura ResNet-50 com ajuste fino progressivo, enquanto o contexto clínico é codificado utilizando o Bio_ClinicalBERT para incorporar conhecimento médico específico da área. Essas representações multimodais são fundidas e processadas por uma arquitetura codificador-decodificador Transformer que gera laudos radiológicos de forma autorregressiva. Experimentos conduzidos no conjunto de dados MIMIC-CXR demonstram que o modelo proposto é capaz de gerar laudos radiológicos estruturados que capturam achados clinicamente relevantes e preservam a organização geral do laudo. O modelo alcançou uma pontuação BLEU-4 de 0,089, uma pontuação ROUGE-L de 0,263 e uma pontuação METEOR de 0,282. Os resultados sugerem que a incorporação de informações do histórico clínico pode contribuir para a geração de laudos mais contextualizados, reforçando o potencial de abordagens multimodais para a elaboração automática de laudos radiológicos.

O glaucoma é uma das principais causas de cegueira irreversível no mundo, caracterizado por danos progressivos ao nervo óptico. A detecção precoce é essencial para evitar a perda da visão, no entanto, o diagnóstico manual baseado em imagens retinianas pode ser subjetivo, demorado e propenso a erros. Nesse contexto, técnicas de aprendizado profundo vêm se destacando como alternativas promissoras para auxiliar profissionais de saúde na triagem e diagnóstico da doença. Este estudo propõe um método híbrido composto por duas etapas principais: (i) detecção do disco óptico utilizando o modelo YOLOv8n, e (ii) classificação do glaucoma a partir da região identificada, por meio de uma ResNet-50 refinada. A pesquisa foi conduzida utilizando a base SMDG-19, que é formada pela mesclagem de 19 conjuntos de dados públicos contendo 12.449 imagens retinianas, garantindo diversidade e consistência na avaliação experimental. O pipeline desenvolvido alcançou resultados expressivos, com 91,7% de precisão, 91,1% de recall, 91,5% de acurácia e 82,7% no coeficiente kappa, evidenciando sua robustez para aplicações clínicas. Uma das principais contribuições do estudo foi demonstrar que o uso da imagem completa da retina apresentou desempenho superior em comparação ao uso restrito da região do disco óptico, o que foi confirmado pela análise de ativação via Grad-CAM, que permitiu interpretar o foco do modelo durante as predições.

Esta dissertação analisa a aplicação de redes neurais convolucionais na detecção automá-

tica de doenças do feijão-caupi (Vigna unguiculata) em condições de campo no estado do

Piauí. O estudo aborda duas patologias de impacto econômico: a cercosporiose, causada

por Pseudocercospora cruenta, e o Cowpea aphid-borne mosaic virus (CABMV), ambas

associadas à redução de produtividade. Para a pesquisa, foi construída uma base de dados

(dataset ) composta por 168 imagens coletadas em lavouras nos municípios de Teresina,

Floriano e São Miguel do Tapuio, sendo 70 de folhas saudáveis e 98 de folhas doentes.

Foram avaliadas três arquiteturas de redes neurais convolucionais: LeNet-5, ResNet-50 e

EfficientNet-B0. Os resultados indicaram que a ResNet-50 obteve acurácia e F1-Score de

até 1,00, seguida da EfficientNet-B0, com valores próximos (F1 0,96), enquanto a LeNet-5

apresentou desempenho inferior na detecção do CABMV (F1 0,87). A obtenção de valores

máximos de acurácia e F1-Score pode estar relacionada ao tamanho reduzido da base de

dados. Os resultados apontam que técnicas de aprendizado profundo podem ser aplicadas

ao diagnóstico precoce do feijão-caupi em condições de campo, contribuindo para o manejo

da cultura e redução de perdas agrícolas.

A Internet das Coisas permite a interconexão de dispositivos físicos por meio da internet, proporcionando a coleta e a troca de dados de forma automatizada, representando uma das mais significativas evoluções tecnológicas dos últimos anos. Essa evolução é fundamental para a otimização de processos em diversos setores, incluindo o de energia. Nesse cenário, esta dissertação aborda o desenvolvimento de uma solução baseada na Internet das Coisas para o monitoramento e a proteção da rede elétrica. O sistema integra um microcontrolador ESP32 com sensores de tensão ZMPT101B e de corrente SCT013 para a aquisição de dados de tensão e corrente em alta resolução. Técnicas de processamento de sinais, incluindo o cálculo de RMS e a Transformada Rápida de Fourier, são empregadas para detectar e classificar distúrbios como afundamentos e elevações de tensão, transitório oscilatório, harmônicos, spike e notch. A metodologia segue a regulamentação de energia PRODIST brasileira, que define limites de referência para os parâmetros de qualidade de energia utilizando métricas do sistema por unidade. Um protótipo físico foi fabricado por meio de impressão 3D, enquanto simulações no Proteus validaram o desempenho e a funcionalidade do sistema. O sistema demonstrou bons resultados no monitoramento do consumo de energia, com a coleta de amostras a cada 10 segundos, e atingiu uma acurácia entre 87,1% e 94,4% na classificação de distúrbios elétricos. Ao monitorar simultaneamente o consumo e a qualidade da energia, o medidor inteligente habilitado para IoT proposto oferece uma solução econômica para a análise contínua da qualidade da energia, melhorando a eficiência e a segurança do sistema elétrico.

A abelha rainha desempenha um papel essencial na organização e na sobrevivência da colmeia, sendo responsável pela reprodução e pela regulação do comportamento das demais abelhas. Sua ausência pode desencadear instabilidade e levar ao colapso da colônia. Atualmente, a verificação da presença da rainha é realizada por meio de inspeções manuais e invasivas, que demandam tempo significativo do apicultor e se tornam ainda mais desvantajosas à medida que o número de colmeias aumenta. Tais inspeções comprometem o equilíbrio do ambiente interno da colmeia, podendo causar estresse nas abelhas e modificar seu comportamento coletivo. Este trabalho propõe uma abordagem não invasiva e de baixo custo para detectar se a rainha está presente na colmeia, por meio da análise de sinais acústicos. Para isso, foi desenvolvida uma aplicação para dispositivos móveis capaz de realizar todas as etapas do processo de detecção de maneira offline. Utilizando gravações do dataset UrBAN, foram extraídas MFCCs e espectrogramas obtidos via STFT. Os modelos KNN, SVM, Regressão Logística, Random Forest e MLP foram treinados com os MFCCs, enquanto CNNs foram treinadas com espectrogramas sumarizados e não sumarizados. Após o treinamento, os modelos foram convertidos para o formato ONNX, permitindo sua execução em sistemas Android. Por fim, foi realizada uma avaliação em cenário simulado, a fim de validar a robustez e a aplicabilidade da solução proposta. O modelo CNN com espectrogramas não sumarizados apresentou os melhores resultados, com acurácia de 93,98% em cenário simulado. Embora tenha apresentado o maior consumo de bateria entre os modelos testados, o consumo ainda é considerado aceitável para uso prático. Durante os experimentos com execução integral usando um smartphone, o modelo manteve um desempenho estável. Também foram analisados o tempo de inferência e o consumo de CPU, memória. Os resultados obtidos demonstram a viabilidade do uso da metodologia proposta para detectar a presença ou ausência da rainha, operando de forma totalmente offline em um smartphone. A solução tem potencial para auxiliar o apicultor na triagem das colmeias que demandam intervenção, tornando o manejo mais eficiente e menos invasivo. 

A melhoria do rendimento de sistemas fotovoltaicos, na geração de energia elétrica, constitui uma ação importante para o avanço do aproveitamento do uso de fontes de energias renováveis. Este trabalho teve como o objetivo o desenvolvimento de um conversor CC-CC boost multiportas semibidirecional para aplicação no desenvolvimento de sistemas autônomos de energia elétrica. A metodologia adotada baseou-se na composição do conversor tipo boost de alto ganho utilizando a célula de comutação de múltiplos estados tipo T modificado. Essa topologia intregra uma fonte de alimentação CC e um painel fotovoltaico com capacidade para gerar um barramento CC de 360 V. A versatilidade da topologia supracitada deve-se à utilização da célula de comutação de múltiplos estados tipo T modificado, que apresenta na sua configuração um transformador no qual são acoplados. As relações de transformação desses enrolamentos podem ser ajustadas conforme os requisitos do sistema. A característica bidirecional de parte da topologia faz com que, em certos momentos, o painel fotovoltaico transfira energia para uma fonte de alimentação CC e, em outros, forneça energia à carga, dependendo da potência gerada pelo painel. Assim foram descritas as etapas de operação e apresentada modulação empregada na comutação dos interruptores, mostrando assim ganhos consideráveis do conversor CC-CC bidirecional. Para verificar o princípio de funcionamento, foram feitos os projetos dos circuitos de potência e controle para tensão de entrada de 100 V, tensão de saída total igual 720V, distribuída em duas saídas isoladas e potência de saída total de 1,6 kW. Os resultados mostraram o funcionamento adequado do conversor, com saídas isoladas, sendo uma das vantagens da proposta, e também a bidirecionalidade de parte do conversor. O conversor apresentou um rendimento teórico de 94%

A penetração da energia solar na matriz elétrica brasileira suscita desafios operacionais impostos pela intermitência dos sistemas fotovoltaicos. Oscilações materializam-se em eventos de rampa, variações súbitas na irradiância que afetam diretamente a estabilidade e a confiabilidade da rede. Redes neurais híbridas CNN-LSTM, ao integrarem a extração de padrões espaciais e temporais, elevam a precisão da previsão dessas rampas e sustentam ações preventivas de despacho. Nesse sentido, este estudo objetivou desenvolver estratégias integradas para o entendimento e manejo de rampas fotovoltaicas, combinando técnicas de classificação com redes neurais, a fim de melhorar a previsão, análise e minimização de seus impactos no sistema elétrico.  Inicialmente, foi realizada uma análise bibliométrica nas bases Web of Science (1945-2023) e Scopus (1960-2023) empregando as expressões “photovoltaic ramp” OR “photovoltaic ramp rates”, com exportação dos registros em BibTeX. Os arquivos foram integrados no R/RStudio mediante o pacote Bibliometrix, convertidos em data frame unificado e depurados para remoção de duplicatas.
Indicadores de produção, citações e palavras-chave foram gerados via biblioshiny, delineando evolução temporal, autoria e fontes de publicação sobre rampas fotovoltaicas. Em seguida,  adotou-se um conjunto de dados horários de Teresina-PI, abrangendo radiação global e variáveis meteorológicas de setembro de 2022 a setembro de 2024. As séries foram pré-processadas com médias móveis de 360 h e classificadas em rampas positivas, rampas negativas e geração normal. Posteriormente, construiu-se e treinou-se uma rede híbrida CNN-LSTM com duas camadas LSTM e mecanismo de atenção, validada por particionamento 70-15-15 e otimizador Adam. Os testes mostraram acurácia global de 92,31%, precisão de 91,67% e revocação de 100% para rampas negativas, enquanto rampas positivas alcançaram precisão de 100% e revocação de 85,71%. O F1-score excedeu 89% em todas as classes, demonstrando estabilidade na discriminação entre condições normais e eventos críticos. A distribuição sazonal prevista reproduziu os picos observados entre setembro-outubro e julho-agosto, confirmando a aderência do modelo aos padrões climáticos regionais. Conclui-se que a arquitetura CNN-LSTM, associada a pré-processamento baseado em médias móveis e ponderação de classes, constitui ferramenta eficaz para previsão de rampas fotovoltaicas, contribuindo para a minimização de riscos operacionais e para o planejamento da operação de redes elétricas com alta penetração solar. Recomenda-se ampliar bases de dados e avaliação operacional em tempo real e aprendizado contínuo.

Com o advento e implantação das redes 5G, os estudos iniciais sobre as redes 6G e o crescente número de dispositivos conectados à Internet, a demanda por tráfego de dados está crescendo exponencialmente, impactando a infraestrutura da rede de acesso e de transporte das redes móveis. Considerando a arquitetura Hybrid Cloud Radio Access Network (H-CRAN) e a Open Radio Access Network (O-RAN), que centralizam diversas funções de rede na nuvem e introduzem infraestrutura intermediária virtualizada na borda, surgem novos desafios em relação às tradicionais Redes de Acesso Rádio Distribuído (do inglês, Distributed Radio Access Network -- D-RAN). Esses desafios incluem a necessidade de maior flexibilidade, escalabilidade, latência reduzida e otimização do uso de recursos de rede para suportar cargas de tráfego dinâmicas e variáveis. Neste contexto, o presente trabalho propõe soluções para o balanceamento de carga utilizando particionamento funcional e o uso eficiente dos recursos para redes de acesso fronthaul, com o objetivo de manter a rede operacional e corretamente dimensionada. Para abordar esse problema, emprega-se um modelo baseado em aprendizado por reforço, especificamente o algoritmo Deep Q-Network (DQN) e suas variantes Double-DQN e Dueling-DQN. Os resultados obtidos demonstram que a técnica proposta é capaz de alocar os recursos de rede de forma eficiente, eliminando bloqueios e apresentando vantagens em termos de escalabilidade e viabilidade para aplicações em sistemas de tempo real.

A Internet das Coisas permite a interconexão de dispositivos físicos por meio da internet, proporcionando a coleta e a troca de dados de forma automatizada, representando uma das mais significativas evoluções tecnológicas dos últimos anos. Essa evolução é fundamental para a otimização de processos em diversos setores, incluindo o de energia. Nesse cenário, esta dissertação aborda o desenvolvimento de uma solução baseada na Internet das Coisas para o monitoramento e a proteção da rede elétrica. O sistema integra um microcontrolador ESP32 com sensores de tensão ZMPT101B e de corrente SCT013 para a aquisição de dados de tensão e corrente em alta resolução. Técnicas de processamento de sinais, incluindo o cálculo de RMS e a Transformada Rápida de Fourier, são empregadas para detectar e classificar distúrbios como afundamentos e elevações de tensão, transitório oscilatório, harmônicos, spike e notch. A metodologia segue a regulamentação de energia PRODIST brasileira, que define limites de referência para os parâmetros de qualidade de energia utilizando métricas do sistema por unidade. Um protótipo físico foi fabricado por meio de impressão 3D, enquanto simulações no Proteus validaram o desempenho e a funcionalidade do sistema. O sistema demonstrou bons resultados no monitoramento do consumo de energia, com a coleta de amostras a cada 10 segundos, e atingiu uma acurácia entre 87,1% e 94,4% na classificação de distúrbios elétricos. Ao monitorar simultaneamente o consumo e a qualidade da energia, o medidor inteligente habilitado para IoT proposto oferece uma solução econômica para a análise contínua da qualidade da energia, melhorando a eficiência e a segurança do sistema elétrico.

Com o advento e implantação das redes 5G, os estudos iniciais sobre as redes 6G e o crescente número de dispositivos conectados à Internet, a demanda por tráfego de dados está crescendo exponencialmente, impactando a infraestrutura da rede de acesso e de transporte das redes móveis. Considerando a arquitetura Hybrid Cloud Radio Access Network (H-CRAN) e a Open Radio Access Network (O-RAN), que centralizam diversas funções de rede na nuvem e introduzem infraestrutura intermediária virtualizada na borda, surgem novos desafios em relação às tradicionais Redes de Acesso Rádio Distribuído (do inglês, Distributed Radio Access Network -- D-RAN). Esses desafios incluem a necessidade de maior flexibilidade, escalabilidade, latência reduzida e otimização do uso de recursos de rede para suportar cargas de tráfego dinâmicas e variáveis. Neste contexto, o presente trabalho propõe soluções para o balanceamento de carga utilizando particionamento funcional e o uso eficiente dos recursos para redes de acesso fronthaul, com o objetivo de manter a rede operacional e corretamente dimensionada. Para abordar esse problema, emprega-se um modelo baseado em aprendizado por reforço, especificamente o algoritmo Deep Q-Network (DQN) e suas variantes Double-DQN e Dueling-DQN. Os resultados obtidos demonstram que a técnica proposta é capaz de alocar os recursos de rede de forma eficiente, eliminando bloqueios e apresentando vantagens em termos de escalabilidade e viabilidade para aplicações em sistemas de tempo real.

A alta penetração de Geração Distribuída (GD) na rede de distribuição de baixa tensão tem gerado diversas preocupações nos últimos anos, principalmente em relação à sobretensão nas barras causada pela reversão do fluxo de potência ativa. Com a finalidade de solucionar esse problema, este trabalho apresenta uma adaptação do método Curva Volt-VAr Extremum-Seeking, o qual, além de promover a regulação de tensão, também minimiza as perdas ativas na rede. Neste método, os sistemas PV introduzem perturbações de potência reativa na rede de distribuição e, a partir da resposta à perturbação, modificam dinamicamente a sua curva Volt-VAr, até encontrar o ponto ótimo de operação. Esta abordagem é enquadrada dentro do conceito de controle Volt-VAr local, pois requer apenas medições locais e não depende de um modelo preciso da rede. Utilizou-se como rede de teste o IEEE European Low Voltage Test Feeder, com algumas adaptações para torná-lo mais próximo da realidade brasileira. O método adaptado foi aplicado em diversos cenários de alocação e em diversos níveis de penetração de GD, e seus resultados foram comparados com os do método Volt-VAr convencional, apresentado na norma IEEE 1547:2018. As simulações demonstraram que o método Curva Volt-VAr Extremum-Seeking adaptado é capaz de regular satisfatoriamente a tensão da rede e diminui as perdas ativas em relação ao Volt-VAr convencional, gerando economia financeira para as concessionárias e evitando prejuízos financeiros por corte de injeção de ativos aos proprietários de sistemas PV.