https://repositorio.ufsc.br/handle/123456789/238210 Sat, 05 Sep 2026 23:20:23 GMT 2026-09-05T23:20:23Z https://repositorio.ufsc.br/handle/123456789/240153 Técnicas de sensoriamento virtual aplicadas a refrigeração Silva, Carlos Eduardo Miranda da A avaliação de parâmetros de desempenho objetiva melhorar a qualidade do produto, além de garantir a capacidade de comparação com produtos de diferentes fornecedores. Nesse contexto, ao longo dos últimos anos, fabricantes de sistemas de refrigeração têm investido cada vez mais no setor de Pesquisa e Desenvolvimento (P&D), com intuito de melhorar as técnicas de aquisição de parâmetros de desempenho. A medição de alguns destes parâmetros ocorre de maneira invasiva, principalmente em compressores herméticos, o que pode gerar intervenção de fatores externos durante a coleta das amostras e resultar em conclusões equivocadas à respeito dos dados coletados, além de descaracterizar o produto. Estudos desenvolvidos no Laboratório de Instrumentação e Automação de Ensaios objetivam desenvolver métodos de instrumentação não-invasiva a partir de técnicas de aprendizado de máquina para avaliação de parâmetros de desempenho de compressores herméticos por meio de dados de sinais de vibração. Este trabalho visa dar continuidade e ampliação aos estudos de técnicas de aprendizado de máquina para determinar a temperatura de condensação de compressores. Trabalhos anteriores contém em sua metodologia o uso de algoritmos de Regressão Linear Múltipla e Redes Neurais Artificiais que tem como dados de entrada os dados de vibração avaliados no domínio da frequência, com bandas de largura de frequência fixa. Neste estudo, foi explorado a utilização de técnicas de aprendizado de máquina de modelos supervisionados com ênfase nos modelos de classificação para determinar a temperatura de condensação do sistema. Fri, 23 Sep 2022 00:00:00 GMT https://repositorio.ufsc.br/handle/123456789/240153 2022-09-23T00:00:00Z https://repositorio.ufsc.br/handle/123456789/239710 Técnicas de aprendizado supervisionado para avaliação do amaciamento de compressores de refrigeração Menegali, João Vitor Bilesimo Este trabalho estuda e analisa a influência da escolha de métricas e grandezas, bem como a aplicação de aprendizado de máquina supervisionado na detecção do amaciamento de compressores herméticos alternativos para refrigeração. Para a realização do estudo foram utilizados dados adquiridos em uma bancada automática de ensaios capaz de medir de forma não destrutiva grandezas associadas à operação do compressor e, possivelmente relacionadas ao amaciamento. As séries temporais obtidas foram tratadas e formatadas por meio de algoritmos de médias móveis e janela deslizante. Devido ao desbalanceamento do conjunto, que contém mais amostras do compressor já amaciado do que durante o amaciamento, foi aplicado o método de subamostragem aleatória visando mitigar a influência da distribuição de classes dos dados no treinamento de modelos classificadores. Tendo selecionado o método de floresta aleatória para classificação do conjunto, foi utilizada otimização bayesiana para seleção parâmetros tanto para o modelo de aprendizado supervisionado quanto para o pré-processamento. Para o processo de otimização foram selecionadas 3 métricas: coeficiente de correlação de Matthews, área abaixo da curva de característica de operação do receptor e F-score. Os resultados obtidos mostraram que a escolha do F-score com parâmetro beta igual a 0,5, pelo fato de penalizar a presença de falsos negativos na classificação, adequou-se melhor ao problema, e que a aplicação de modelos de aprendizado de máquina supervisionado no valor eficaz da corrente elétrica do motor apresentou resultados mais próximos do desejado para a detecção do amaciamento. Sun, 18 Sep 2022 00:00:00 GMT https://repositorio.ufsc.br/handle/123456789/239710 2022-09-18T00:00:00Z https://repositorio.ufsc.br/handle/123456789/239524 Combinação das estratégias de controle TUC e Controle Perimétrico em malhas viárias de larga escala Saucedo, Rafael Minatto A técnica de controle perimétrico baseada em diagramas fundamentais aplicada em malhas viárias tem se mostrado eficaz em aumentar a eficiência da rede como um todo. Essa técnica opera nas bordas de uma região protegida de uma rede de tráfego. A maioria dos trabalhos com ela considera um plano de tempo fixo para a parte interna da rede, mas em alguns é visível que combiná-la com outros sistemas tem um efeito positivo na performance. A técnica Traffic-Responsive Urban Control(TUC) é um sistema de controle em tempo real que possui características que sugerem que seria eficaz a combinação das duas e esse é o objetivo deste trabalho. Wed, 14 Sep 2022 00:00:00 GMT https://repositorio.ufsc.br/handle/123456789/239524 2022-09-14T00:00:00Z https://repositorio.ufsc.br/handle/123456789/239432 Aprendizagem por imitação para condução autônoma de veículos Arake, Fernando Kendy Marciniak Aprendizado por Imitação (Imitation Learning - IL) é um método de Aprendizado de Máquina (Machine Learning - ML) que busca a política ótima para tomadas de decisão baseando-se em demonstrações dadas por um especialista. Tratando-se de IL, tem- se a Clonagem Comportamental (Behavioral Cloning - BC ), método de aprendizado supervisionado que, treinado por pares estado-ação, visa tomar as decisões que mais se assemelham às fornecidas. Entretanto, como a BC busca imitar o especialista, pode-se gerar ações enviesadas, tendendo a comportamentos determinados pelo especialista usado para gerar o conjunto de treinamento. Uma abordagem de IL que ajuda no quesito robustez, é a Generative Adversarial Imitation Learning (GAIL). GAIL possui duas redes: a geradora (G) e a discriminadora (D). O objetivo de G é gerar comportamentos similares aos gerados pelo especialista, através de um treinamento interativo com o ambiente, e que usa o sinal de recompensa gerado por D sem acessar diretamente as demonstrações do especialista. O objetivo do projeto é pesquisar, analisar e aplicar os métodos supracitados no ambiente de simulação CarRacing-v0 visando a condução autônoma de veículos. Seminário de Iniciação Científica e Tecnológica. Universidade Federal de Santa Catarina. Centro Tecnológico. Departamento de Automação e Sistemas Wed, 14 Sep 2022 00:00:00 GMT https://repositorio.ufsc.br/handle/123456789/239432 2022-09-14T00:00:00Z