APLICAÇÃO DE REDES NEURAIS PARA DETECÇÃO DE LINHAS DE IMPULSO ENTUPIDAS EM MEDIÇÕES DE VAZÃO
|
|
- Ágatha Ana Vitória Bardini Imperial
- 7 Há anos
- Visualizações:
Transcrição
1 APLICAÇÃO DE REDES NEURAIS PARA DETECÇÃO DE LINHAS DE IMPULSO ENTUPIDAS EM MEDIÇÕES DE VAZÃO Denis Borg Universidade de São Paulo (USP) Rodrigo Palucci Pantoni Universidade de São Paulo (USP) Eduardo André Mossin Universidade de São Paulo (USP) Dennis Brandão Universidade de São Paulo (USP) Abstract In industrial flow measurements world, the differencial producers (DP flowmeters) are the most common type of flowmeter used. Flowmeters in this class measure the differential pressure (DP) caused by an obstruction (orifice plate) in the flow stream. The differential pressure is the difference in pressure between a point before the obstruction and a point after the obstruction. Depending on the industrial process conditions, the fluid may begin to plug the line and modify pressure information in the capacitive cell of pressure transmitter causing a measurement error. Solutions as proposed algorithms for automatic detection of partial obstruction in operation are very complex and difficult to be implemented. Based in this context, new paradigms such as artificial neural networks may be an alternative to a simple and efficient solution to this problem. This work aims at implementing an RNA used for pattern recognition to detect such a blockage of transmitter impulse lines in industrial processes. Key words: Flow Measurement, Artificial Neural Networks, Pressure, HART, Fieldbus Resumo Nas medições industriais de vazão, a utilização de um elemento deprimogênio associado a um transmissor de pressão é prática muito comum. Esse elemento deprimogênio ao ser atravessado por uma vazão gera uma queda na pressão que, ao ser medida com um transmissor de pressão, torna possível de se inferir a vazão de uma tubulação. Dependendo das condições do processo industrial, o fluído pode começar a obstruir uma das linhas de impulso que levam a informação das pressões à montante e à jusante da placa de orifício para as câmaras de alta e baixa pressão da célula capacitiva do transmissor de pressão. Soluções como algoritmos propostos para detecção automática dessa obstrução parcial com o processo em operação são muito complexos e difíceis de serem implementados. Baseado nesse contexto, novos paradigmas como Redes Neurais Artificias (RNA) podem ser uma alternativa para uma solução simples e eficiente para o problema em questão. Este trabalho tem como objetivo a implementação de uma RNA para reconhecimento de padrões a fim de detectar uma obstrução de linhas de impulso com o processo industrial em operação. Palavras chaves: Medição de vazão, Redes Neurais Artificiais, Pressão, HART, Fieldbus.
2 1. INTRODUÇÃO A detecção de linhas de impulso entupidas em processos em operação é um recurso de natureza proativa de suma importância em aplicações que incluem medições de vazão. A maioria das tecnologias disponíveis na área não permitem tal detecção com o processo ainda em funcionamento. Em razão disso, quando ocorre uma obstrução em processos industriais que incluem medição de vazão, é muito comum que operadores removam o transmissor de pressão do processo a fim de descobrir a causa da falha. Na maioria das vezes existe uma errônea interpretação do problema envolvido, que pode ser confundido, por exemplo, com um problema de calibração deste instrumento de campo. Tal procedimento de remoção do instrumento para uma análise de bancada deixa de ser uma opção interessante quando comparado a avançados métodos de diagnóstico com o processo ainda em operação, que além de serem mais objetivos na resolução do problema, permitem uma parada programada do processo industrial, que economiza custos e ajuda no planejamento de manutenção como um todo. Baseado nesse contexto, novos paradigmas como Redes Neurais Artificias (RNA) podem ser uma alternativa para uma solução simples e eficiente para o problema em questão. Este trabalho tem como objetivo a implementação de uma RNA para reconhecimento de padrões a fim de detectar a obstrução de linhas de impulso com o processo industrial em operação. São utilizadas informações de processo reais para treinamento e validação da RNA e da metodologia aplicada. Dessa maneira, a seção seguinte detalha o problema de detecção de linhas de impulso em medições de vazão. A seção 3 apresenta a metodologia aplicada para solução do problema. Já na seção 4, são apresentados os resultados obtidos. A análise desses resultados é feita na seção 5 e, por fim, na seção 6 são tecidas as conclusões do trabalho realizado. 2. DEFINIÇÃO DO PROBLEMA Nas medições industriais de vazão, a utilização de um elemento deprimogênio associado a um transmissor de pressão é prática muito comum (Ilustração 1). Numa visão geral, o elemento deprimogênio ao ser atravessado por uma vazão, gera uma queda na pressão (Bernoulli), e, ao se medir essa queda de pressão com um transmissor de pressão, pode se inferir a vazão que está passando por uma tubulação através da fórmula (1). (1) onde Q é a vazão; k é uma constante que depende das propriedades do fluido, das características da tubulação e do elemento deprimogênio; é a pressão diferencial medida pelo transmissor de pressão (geralmente através de uma célula capacitiva). Ilustração 1: medição industrial de vazão com um elemento deprimogênio e um transmissor de pressão diferencial.
3 Dependendo das condições do processo, o fluído pode começar a obstruir uma das (ou as duas) linhas de impulso que levam a informação das pressões à montante e à jusante da placa de orifício para as câmaras de alta e baixa pressão da célula capacitiva do transmissor de pressão. Observando-se o comportamento da pressão diferencial, verifica-se que o padrão da forma da pressão diferencial é alterada quando há algum tipo de obstrução nas linhas de impulso.. 3. SOLUÇÃO DO PROBLEMA Com a utilização de elementos deprimogênios e transmissores de pressão é possível alimentar um banco de informações nas quais são utilizadas para treinamento de uma RNA supervisionada. A RNA aprende o padrão de pressão diferencial medida pelo transmissor de pressão quando os tubings ou linhas de impulso que interligam o transmissor ao processo estão limpas (desobstruídas), e quando existe um início de entupimento (simulado a partir de um fechamento parcial nas válvulas do manifold). Após a fase de aprendizado, pode-se verificar se há alguma alteração do padrão diferencial do processo e identificá-lo gerando-se um diagnóstico para o usuário ou operador do sistema de forma a corrigir o problema antes que a medição seja comprometida. Foi utilizado um kit de demonstração para aquisição dos dados de treinamento e validação da RNA, um reservatório de aproximadamente 4 litros de água e uma bomba de água. Além disso, utilizaramse conexões para as mangueiras de água e conexões elétricas para a alimentação da bomba (Ilustração 2 e Ilustração 3). Ilustração 2: Reservatório e bomba de água.
4 Ilustração 3: Orifício Integral e transmissor de pressão. Foi também utilizado um suporte plástico, um transmissor de pressão diferencial com protocolo de comunicação HART acoplado através de válvulas a um orifício integral e conexões hidráulicas e elétricas. A Ilustração 4 mostra todo o conjunto de equipamentos interconectados. Ilustração 4: Reservatório e bomba de água. Observando-se a Ilustração 5, a bomba faz que com a água circule pelas mangueiras. Ao chegar ao orifício integral, a obstrução causada provoca um aumento na velocidade do fluído que passa por uma área menor e isso causa uma queda de pressão que é lida pelo transmissor de pressão.
5 Ilustração 5: Orifício Integral Os cenários para aquisição dos dados são: a) Válvulas totalmente abertas simulando condições normais de processo; b) Uma válvula à montante (entrada do orifício integral) à 50% de abertura e a outra totalmente aberta. Essa situação simula um início de entupimento na referida linha de impulso. c) As duas válvulas 50% abertas, simulando um entupimento nas duas linhas. O transmissor lê as pressões e as converte em um sinal HART que é um padrão bem conhecido na área de automação e controle, e que utiliza chaveamento de freqüências de 1200 e de 2200 Hz para o envio de bits 1 s e 0 s. No laptop foi utilizado um software de gerenciamento de ativos chamado AMS. Esse software lê as informações HART através de um HART modem e disponibiliza os dados no padrão industrial OPC (OLE For Process Control). Foi utilizado um software add-in do excel, que lê os dados OPC provenientes do software de Gerenciamento de Ativos de Campo (Ilustração 6). Ilustração 6: OPC Excel ADD-IN Após a montagem do kit, de fazer circular água pelo kit, de iniciar a comunicação HART e configuração dos softwares de Gerenciamento de Ativos de Campo AMS e EXCEL, foi possível coletar alguns dados respeitando as condições a, b e c expostas anteriormente. Foi desenvolvida uma RNA tipo Perceptron Multicamadas (PMC) (Ilustração 7). Essa RNA possui uma entrada (x1), que é a medida de pressão diferencial em mmh2o, e uma saída (y) que é o diagnóstico de entupimento (ou não entupimento) de uma ou duas linhas de impulso. N1 é o número de neurônios utilizados na camada intermediária da RNA.
6 Ilustração 7: Rede Neural implementada. Os padrões ou amostras coletadas (50 amostas) em cada uma das três situações foram registradas (Tabela 4 nos Anexos). Vinte por cento (20%) desses padrões (que resulta em 10 valores) foram escolhidos aleatoriamente desse grupo para que fosse feita a validação da RNA. Tais valores foram normalizados para a faixa entre zero e um, em razão da função de ativação utilizada (logística sigmóide). O valor máximo encontrado foi de 218,6581 mmh2o e mínimo foi de 208,0925 mmh2o. Foram testados vários valores de N1 (número de neurônios da camada escondida). Foram três treinamentos com 5, 10 e 15 neurônios. Posteriormente foi realizado mais um treinamento com 3 neurônios e um outro com 50 neurônios para testar os limites de número de neurônios. Com todos estes resultados obtidos, uma análise foi feita e as conclusões dessa análise são mostradas no próximo item. 4. RESULTADOS O resultado da classificação obtido nessa rede é formado por um vetor de 3 posições, onde: y = 100 significa operação normal; y = 010 significa início de entupimento em uma linha de impulso; y = 001 significa início de entupimento nas duas linhas de impulso. Diferentes maneiras de calcular o erro podem ser usadas. Neste projeto foram utilizados o MRE (Mean Relative Error Erro relativo médio), o MARE (Mean Absolute Relative Error Erro relativo absoluto médio) e a variância. O MARE é um dos métodos mais usados e sua fórmula é: (2) Nesta fórmula, o campo VC representa o valor calculado pela rede. O campo VD é o valor desejado obtido das amostras de teste. O campo n é o número de amostras utilizadas para teste. Para saber se o modelo implementado tende a ser superestimado ou subestimado, o MRE é usado. Neste caso, se o valor do MRE for negativo e muito alto em termos absoluto, tem-se que o modelo subestima a saída. Caso contrário, o modelo superestima. A fórmula (3) mostra a maneira de calcular o MRE. (3)
7 Outra medida foi a variância, que indica quão longe em geral os valores encontrados estão dos valores desejados. Dessa maneira, as tabelas seguintes mostram as taxas de erro de cada modelo de rede treinada. a. Para a camada neural escondida com 5 neurônios: Treinamento 1 Treinamento 2 Treinamento 3 MARE (%) MRE (%) Variância No melhor resultado dentre os 3 treinamentos, o MARE mostrou uma porcentagem de erro de 2.28%, a variância foi de e o MRE foi de -0.24%. Cada aplicação que utiliza RNA pode ter uma tolerância a erros diferente e considerando que outros métodos de análise podem ser usados paralelamente a fim de detectar este tipo de problema, concluise que tal rede tem um resultado aceitável. b. Para a camada neural escondida com 10 neurônios: Treinamento 1 Treinamento 2 Treinamento 3 MARE (%) MRE (%) Variância No melhor resultado dentre os 3 treinamentos utilizando-se 10 neurônios, o MARE mostrou uma porcentagem de erro de 2.32%, a variância foi de e o MRE foi de -0.35%. Neste segundo caso, conclui-se que tal rede tem um bom resultado, bem parecido com o treinamento com 5 neurônios. c. Para a camada neural escondida com 15 neurônios: Treinamento 1 Treinamento 2 Treinamento 3 MARE (%) MRE (%) Variância No melhor resultado dentre os 3 treinamentos utilizando-se 15 neurônios, o MARE mostrou uma porcentagem de erro de 2.45%, a variância foi de 0.41 e o MRE foi de -0.52%. Neste caso, conclui-se que tal rede tem um bom resultado, bem parecido com o treinamento com 5 e 10 neurônios. d. Para a camada neural escondida com 3 neurônios: Treinamento 1 Treinamento 2 Treinamento 3 MARE (%) MRE (%) Variância
8 No melhor resultado dentre os 3 treinamentos utilizando-se 3 neurônios, o MARE mostrou uma porcentagem de erro de 2.51%, a variância foi de 0.51 e o MRE foi de -0.42%. Neste caso, conclui-se que tal rede tem um bom resultado, bem parecido com o treinamento com 5, 10 e 15 neurônios, mas pensando numa futura implementação em hardware é interessante que mantenha-se a rede com 5 neurônios por questão de robustez do sistema. e. Para a camada neural escondida com 50 neurônios: Treinamento 1 Treinamento 2 Treinamento 3 MARE (%) MRE (%) Variância No melhor resultado dentre os 3 treinamentos utilizando-se 50 neurônios, o MARE mostrou uma porcentagem de erro de 83.51%, a variância foi de e o MRE foi de 13.12%. Foi feito um teste com 40 neurônios e a rede ainda funcionou bem. Porém, para 50 neurônios, houve overfitting e a rede colocou todas as saídas em 1. Esse teste foi apenas para verificar hipoteticamente qual seria o valor limite de neurônios para que não ocorra o overfitting. 4. CONCLUSÕES Através dos resultados foi possível a escolha da configuração com 5 neurônios na camada escondida para a rede perceptron multicamadas (PMC). Pode-se concluir que a rede convergiu corretamente, e que pode ser utilizada para os fins de indicar se não há obstrução ou se existe algum início de entupimento em alguma (ou nas duas) das linhas de impulso. O tempo para rodar o algoritmo foi menor que 2 segundos, que provavelmente é suficiente para o processo em estudo. Por esse fato não foi utilizado nenhum método para acelerar o algoritmo da rede como, por exemplo, a inserção do termo momentum. As condições do processo estavam bem estáveis. Embora os dados tenham sido coletados de um kit real, ou seja, os valores são práticos e reais, isso não garante que o mesmo sistema possa ser utilizado em qualquer sistema semelhante sem outros testes e ajustes. Seria interessante a verificação de duas sugestões para se explorar melhor esse tema: - Estudar uma forma de colocar um ajuste de sensibilidade no reconhecimento de linha entupida. - Estudar uma forma de se reiniciar o processo de aprendizagem caso a dinâmica do processo seja muito alterada. Essas sugestões ajudariam no funcionamento do sistema quando as alterações (devido a cargas, alteração de tensão elétrica nas bombas, desgaste das bombas...) forem diferentes das situações encontradas nesse experimento. Além dessas conclusões, é notável que para utilizar Redes Neurais, o desenvolvedor precisa selecionar a melhor rede. O critério de seleção entre diferentes redes é pragmático, ou seja, é escolhida aquela que atinge os objetivos esperados. Também não está assegurada sempre a reprodutibilidade dos resultados, já que a cada treinamento os pesos iniciais são aleatórios, o que pode conduzir a diferentes áreas da superfície de erro. Existem ainda diferentes critérios de convergência, que podem resultar em diferentes mínimos locais. Esses fatos contribuem para certa insegurança no uso desse instrumento, que pode ser superada pela realização de vários treinamentos e observação da distribuição de seus resultados. Outro problema é o super treinamento, onde a rede captura relações quantitativas do ruído dos dados, prejudicando sua generalização (validade externa). É importante notar que caso haja dados que não estão no range das amostras usadas no treinamento, um novo treinamento, com novas amostras pertencentes a este novo range deve ser feita.
9 AGRADECIMENTOS Os autores agradecem à estrutura acadêmica de pesquisa da escola da engenharia de São Carlos - Universidade de São Paulo. ANEXO Valores de pressão diferencial em mmh2o. normal 1 linha entupida 2 linhas entupidas
10 REFERÊNCIAS BIBLIOGRAFICAS PENNA, M. L. F.. Rede neural artificial para detecção de sobremortalidade atribuível à cólera no Ceará. Revista de Saúde Pública, São Paulo, v. 38, n. 3, SILVA, I.N.. Notas de aula do curso de Redes Neurais prof. Dr. Ivan Nunes da Silva EMERSON. Manual do transmissor 3051S. Acesso em: 20/04/2009. Disponível em: HARVEY. R. L. Neural Network Principles.
11 DADOS DOS AUTORES Denis Borg Laboratório de Automação Industrial, Departamento de Engenharia Elétrica, Escola de Engenharia de São Carlos, Universidade de São Paulo (USP) Endereço: Avenida Trabalhador São-carlense, 400. CEP: São Carlos, SP Telefone: Rodrigo Palucci Pantoni Laboratório de Automação Industrial, Departamento de Engenharia Elétrica, Escola de Engenharia de São Carlos, Universidade de São Paulo (USP) Endereço: Avenida Trabalhador São-carlense, 400. CEP: São Carlos, SP Telefone: Ext Eduardo André Mossin Laboratório de Automação Industrial, Departamento de Engenharia Elétrica, Escola de Engenharia de São Carlos, Universidade de São Paulo (USP) Endereço: Avenida Trabalhador São-carlense, 400. CEP: São Carlos, SP Telefone: Ext Dennis Brandão Laboratório de Automação Industrial, Departamento de Engenharia Elétrica, Escola de Engenharia de São Carlos, Universidade de São Paulo (USP) Endereço: Avenida Trabalhador São-carlense, 400. CEP: São Carlos, SP Telefone: (16)
3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisp TPP = (6.1) e a rajada de perda de pacote é medida pela Comprimento Médio da Rajada (CMR ) que é dada por
6 Perdas de Pacotes O problema de perda de pacotes em rajadas nas redes IP e redes móveis é um dos fatores mais importantes a serem considerados na análise de sistemas de reconhecimento de voz distribuídos.
Leia mais5 RNA para Diagnóstico de Falhas em Turbinas a Gás
5 RNA para Diagnóstico de Falhas em Turbinas a Gás 5.1. Introdução Neste capítulo, a aplicação de RNAs para diagnosticar as falhas no caminho do gás de turbinas a gás foi investigada. As redes neurais
Leia maisREDES NEURAIS ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS REDES NEURAIS ARTIFICIAIS O QUE É UMA REDE NEURAL NEURÔNIOS BIOLÓGICOS CÉREBRO HUMANO E CAPACIDADE DE GENERALIZAÇÃO. Modelo McCulloch e Pitts FUNÇÕES DE ATIVAÇÃO APRENDIZADO APRENDIZADO
Leia maisTreinamento de uma Célula Neural Artificial Paraconsistente de Aprendizagem (CNAPap) utilizando Microsoft Excel
Treinamento de uma Célula Neural Artificial Paraconsistente de Aprendizagem (CNAPap) utilizando Microsoft Excel Rodney Gomes da Silva 1,2, João Inácio da Silva Filho 1, Dorotéa Vilanova Garcia 1 1 UNISANTA-
Leia maisBruna Galle UPE Ecomp Mêuser Valença UPE Ecomp
Bruna Galle UPE Ecomp bcga@ecomp.poli.br Mêuser Valença UPE Ecomp meuserv@yahoo.com.br Roteiro Motivação Objetivos Conceitos básicos: Redes Neurais Pré processamento dos Dados Treinamento Resultados Conclusões
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Múltiplas Camadas I Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisRedes Neurais Feedforward e Backpropagation. André Siqueira Ruela
Redes Neurais Feedforward e Backpropagation André Siqueira Ruela Sumário Introdução a redes feedforward Algoritmo feedforward Algoritmo backpropagation Feedforward Em uma rede feedforward, cada camada
Leia maisRedes Neurais: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: MLP DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes diretas de múltiplas
Leia maisRedes Neurais MLP: Exemplos e Características
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais MLP: Exemplos e Características DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1
Leia maisEDUARDO ANDRÉ STÜRMER DAL CASTEL GUSTAVO ZENI LIU YESUKAI DE BARROS PROJETO DE PONTEIRA DE CHAMINÉ VISANDO O GANHO DE VAZÃO VOLUMÉTRICA
1 EDUARDO ANDRÉ STÜRMER DAL CASTEL GUSTAO ZENI LIU YESUKAI DE BARROS PROJETO DE PONTEIRA DE CHAMINÉ ISANDO O GANHO DE AZÃO OLUMÉTRICA Prof. Paulo Smith Schneider Porto Alegre 013 Universidade Federal do
Leia maisUNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais
UNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Orientador: Prof. Fabiano Lemes Ribeiro Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais Nome: João Vitor Squillace
Leia maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
Leia maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisUM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA
UM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA SOUZA, REGIANE MÁXIMO YOSHINO, RUI TADASHI HANISC,H, WERNER SIEGFRIED ETO, REGINA FUMIE Palavras-chaves: Artificial Neural
Leia maisInteligência Artificial Redes Neurais Artificiais
Pós-Graduação em Engenharia Elétrica Inteligência Artificial Redes Neurais Artificiais João Marques Salomão Rodrigo Varejão Andreão Arquitetura e composição das RNAs Uma rede neural artificial é composta
Leia mais6 Aplicação da Metodologia Proposta
6 Aplicação da Metodologia Proposta 6.1 Introdução A utilização da metodologia Box & Jenkins para a identificação da estrutura adequada é tarefa difícil para um usuário sem conhecimento prévio. Por isso,
Leia maisAprendizado de Máquinas. Multi-Layer Perceptron (MLP)
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Multi-Layer Perceptron (MLP) David Menotti, Ph.D. web.inf.ufpr.br/menotti Redes Neuronais Cérebro humano.
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS AULA 03 Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 INTRODUÇÃO Aprendizagem é um processo pelo qual os parâmetros livres de uma rede neural são adaptados através de um processo
Leia maisPREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL
PREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL Juliana A. ANOCHI 1, Sabrina B. M. SAMBATTI 1, Eduardo F. P. da LUZ 1, Haroldo F. de CAMPOS VELHO 1 Instituto Nacional de Pesquisas Espaciais - INPE
Leia maisInteligência Artificial. Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA
Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA Projeto de Redes Neurais Projeto de Redes Neurais Baseado apenas em dados Exemplos para treinar uma rede devem ser compostos por
Leia maisMouseCam: aplicação de controle do mouse via câmera
MouseCam: aplicação de controle do mouse via câmera Introdução ao Processamento de Imagens COS756 PESC/COPPE/UFRJ 2013 1 Renan Garrot garrot@cos.ufrj.br 1. Introdução O processo de tracking por vídeo consiste
Leia maisReconhecimento de Padrões em imagens ruidosas utilizando Redes Neurais Artificiais
Reconhecimento de Padrões em imagens ruidosas utilizando Redes Neurais Artificiais Leandro Sebastian Pereira da Silva, Ana Carolina N. Gracioso, Ana Claudia Paris, Adilson Gonzaga. USP/EESC Universidade
Leia maisUtilização das Redes Neurais Artificiais na Adaptação de Modelos de Propagação em Ambiente Fechado AMBIENTE E SETUP DE MEDIÇÃO
Utilização das Redes Neurais Artificiais na Adaptação de Modelos de Propagação em Ambiente Fechado JULIANA MONTEIRO, MÁRCIO RODRIGUES, GLEYCE CALDEIRA E JOSIANE RODRIGUES. Instituto de Estudos Superiores
Leia maisO Algoritmo de Treinamento: Máquina de Aprendizado Extremo (Extreme Learning Machine - ELM)
O Algoritmo de Treinamento: Máquina de Aprendizado Extremo (Extreme Learning Machine - ELM) Thiago Henrique Cupertino SCE5809 - Redes Neurais 23 de Novembro de 2010 Conteúdo Introdução Desvantagens do
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRON MULTICAMADAS Prof. Dr. André A. P. Biscaro 1º Semestre de 2018 Arquitetura Redes Perceptron de Múltiplas Camadas (PMC), também conhecidas como redes MLP (Multiple Layer
Leia maisAnálise Quantitativa de Tecidos em Úlceras de Perna
49 5 Análise Quantitativa de Tecidos em Úlceras de Perna A avaliação das áreas proporcionais de cada tecido interno das úlceras fornece informações importantes sobre seu estado patológico [BERRISS, 2000],
Leia maisDT302 - AssetView IHM
MANUAL DO USUÁRIO DT302 - AssetView IHM AssetView IHM A S V D T 3 0 2 M P www.smar.com.br Especificações e informações estão sujeitas a modificações sem prévia consulta. Informações atualizadas dos endereços
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia maisRedes Neurais Artificiais - Introdução. Visão Computacional
Redes Neurais Artificiais - Introdução Visão Computacional Inspiração 2 Inspiração 3 Inspiração Atividade seletivanas conexões Soma os impulsos e passa a diante 4 Inspiração As conexões entre os dendritos
Leia mais2COP229 Inteligência Computacional. Aula 3. Clusterização.
Aula 3 Clusterização Sumário (Clusterização) - Introdução - Aprendizado Não Supervisionado - Aprendizado Supervisionado - Introdução: Clusterização - Etapas para o processo de Clusterização - Distância
Leia maisPrimeiras Redes Neurais Artificiais: Perceptron e Adaline
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Primeiras Redes Neurais Artificiais: Perceptron e Adaline DCA0121 Inteligência Artificial Aplicada Heitor
Leia maisESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS
ESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS Samuel Vieira DIAS (1); Geraldo Luis Bezerra RAMALHO (2); (1) Instituto Federal de Educação, Ciência
Leia maisAprendizagem de Máquinas
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Aprendizagem de Máquinas DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Aprendizagem de Máquinas
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.4. Outras Redes Neurais Artificiais 2.4.1. Redes RBF 2.4.2. Mapas
Leia maisAutor: Edroaldo Lummertz da Rocha Home page: edroaldo.wordpress.com
Autor: Edroaldo Lummertz da Rocha Home page: edroaldowordpresscom E-mail: edroaldo@gmailcom Esse tutorial visa demonstrar de forma prática o processo de ajuste dos pesos sinápticos de uma rede neural artificial
Leia maisMEDIÇÃO DE VAZÃO COM O TRANSMISSOR DE PRESSÃO VPT10-P
MEDIÇÃO DE VAZÃO COM O TRANSMISSOR DE PRESSÃO VPT10-P Introdução A vazão é a terceira grandeza mais medida nos processos industriais. As aplicações são muitas, indo desde aplicações simples como a medição
Leia maisDiagnóstico de falha em transformadores de alta tensão com Redes Neurais Artificiais
Diagnóstico de falha em transformadores de alta tensão com Redes Neurais Artificiais Ricardo Luiz Nacarato, Dorotéa Vila nova Garcia, Maurício Conceição Mário, João Inácio da Silva Filho Unisanta- Universidade
Leia mais6. Controle por Aprendizado Neuro-Fuzzy
6. Controle por Aprendizado Neuro-Fuzzy 6.1. Introdução Neste capítulo é apresentado o controle por aprendizado utilizando um sistema híbrido Neuro-Fuzzy, para o cálculo e atualização dos pontos de reversão
Leia maisDEPARTAMENTO DE ENERGIA LABORATÓRIO DE MECÂNICA DOS FLUIDOS
Nome: unesp DEPARTAMENTO DE ENERGIA LABORATÓRIO DE MECÂNICA DOS FLUIDOS Turma: Conservação da Massa e Quantidade de Movimento 1 - OBJETIVO Os principais objetivos desta aula prática é aplicar as equações
Leia maisRedes de Computadores Aula 14
Redes de Computadores Aula 14 Aula passada Roteamento na Internet (hierarquia) BGP Algoritmos de broadcast Aula de hoje Camada de enlace Serviços Transmissão confiável (integridade) Camada de Enlace Enlace
Leia maisModem TEF Smart Naxos v1.3. Instalação Windows XP
Instalação Windows XP SUMÁRIO INSTALANDO O MODEM TEF SMART V1.3...3 ESPECIFICAÇÕES...12 GARANTIA...13 Naxos Tecnologia 2 INSTALANDO O MODEM TEF SMART V1.3 1. Desligue o seu PC e retire o cabo de alimentação
Leia maisPós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 8 Redes Neurais Introdução As redes neurais são um tema da computação altamente inspirada na natureza que nos
Leia maisDESENVOLVIMENTO DE UM MÓDULO DE PROGRAMAÇÃO LINEAR NO PROGRAMA OPTIMI
DESENVOLVIMENTO DE UM MÓDULO DE PROGRAMAÇÃO LINEAR NO PROGRAMA OPTIMI BIONDI C. O.¹, VIANNA S. S. V. 2, RODRIGUES M. T. M.³ 1 Universidade Estadual de Campinas, Departamento de Engenharia de Sistemas Químicos
Leia maisserotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina
Redes Neurais O modelo biológico O cérebro humano possui cerca 100 bilhões de neurônios O neurônio é composto por um corpo celular chamado soma, ramificações chamadas dendritos (que recebem as entradas)
Leia maisRoberto Machado 21/ago/2008. Painéis Inteligentes de Baixa Tensão Automation World 2008
ABB Group - 1 Roberto Machado 21/ago/2008 Painéis Inteligentes de Baixa Tensão Automation World 2008 Porque utilizar Sistemas Inteligentes! " ABB Group - 2 - Evolução das Tecnologias Inteligentes #! $
Leia maisANÁLISE COMPARATIVA DOS DADOS METEOROLÓGICOS NAS ESTAÇÕES AUTOMÁTICAS E CONVENCIONAIS DO INMET EM BRASÍLIA DF.
ANÁLISE COMPARATIVA DOS DADOS METEOROLÓGICOS NAS ESTAÇÕES AUTOMÁTICAS E CONVENCIONAIS DO INMET EM BRASÍLIA DF. Sidney Figueiredo de Abreu¹; Arsênio Carlos Andrés Flores Becker² ¹Meteorologista, mestrando
Leia mais1. Capturando uma transferência TCP em massa de seu computador para um computador servidor remoto
Neste laboratório, vamos investigar o comportamento do TCP em detalhes Faremos isso através da análise de um trace de segmentos TCP enviados e recebidos na transferência de um arquivo de 150KB (contendo
Leia maisAVALIAÇÃO DE UM TANQUE DE DECANTAÇÃO DE SÓLIDOS UTILIZANDO FLUIDODINÂMICA COMPUTACIONAL
AVALIAÇÃO DE UM TANQUE DE DECANTAÇÃO DE SÓLIDOS UTILIZANDO FLUIDODINÂMICA COMPUTACIONAL E. F. S. PEREIRA e L. M. N de Gois Universidade Federal da Bahia, Escola Politécnica, Departamento de Engenharia
Leia maisA instalação do DCR compreende apenas a descompactação do arquivo DCR.zip num diretório no disco. Descompacte o arquivo DCR.zip num novo diretório.
Manual DCR Sumário Apresentação... 1 Instalar o DCR... 1 Ativar o DCR... 1 Treinamento... 2 Entrar no Modo Treinamento... 2 Criar um Conjunto de Entrada... 2 Treinar a RNA... 4 Retreinar a RNA... 5 Testar
Leia maisRECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS
RECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS Eduarda Gonçalves Dias 1 ; Wanderson Rigo 2 ; Manassés Ribeiro 3 INTRODUÇÃO Os sistemas de visão artificial vêm auxiliando o
Leia maisControle de Processos Aula: Introdução ao controle de processos
107484 Controle de Processos Aula: Introdução ao controle de processos Prof. Eduardo Stockler Tognetti Departamento de Engenharia Elétrica Universidade de Brasília UnB 1 o Semestre 2016 E. S. Tognetti
Leia maisRedes Neurais Noções Gerais
Redes Neurais Noções Gerais Segundo Loesch (apupt Fernandes), Redes Neurais Artificiais são sistemas computacionais, de implementação em hardware e software, que imitam as habilidades computacionais do
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 03 Aprendizado Supervisionado / : Modelo MCP e Perceptron Max Pereira Neurônio Booleano de McCulloch- Pitts (Modelo MCP) Proposto em
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Neurônio Natural Dendritos: recebe os estímulos transmitidos por outros neurônios Soma Sinapse Axônio Soma: coleta e combina informações vindas de outros neurônios Sinapse Dendrito
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 22 Redes Neurais Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor (KNN). Support
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisMultiple Layer Perceptron
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Multiple Layer Perceptron David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Multiple Layer Perceptron (MLP) Backpropagation
Leia maisTÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador
Leia mais4 Modelos para Válvulas de Alívio
45 4 Modelos para Válvulas de Alívio Neste capítulo são descritos os três modelos de simulação do comportamento transiente de válvula de alívio que foram comparados com os dados experimentais medidos ao
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Marcelo K. Albertini 24 de Julho de 2014 2/34 Conteúdo Perceptron Gradiente descendente Redes multicamadas Retropropagação de erros 3/34 Modelos conexionistas Humanos Tempo de
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Camada Única Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisNormas ISO:
Universidade Católica de Pelotas Tecnólogo em Análise e Desenvolvimento de Sistemas Disciplina de Qualidade de Software Normas ISO: 12207 15504 Prof. Luthiano Venecian 1 ISO 12207 Conceito Processos Fundamentais
Leia maisVRS usando redes neurais
IX G E G E VRS usando redes neurais Wagner Carrupt Machado GIGA Conteúdo VRS x RNA (Redes Neurais Artificiais) RNA Experimentos com ionosfera Conclusões VRS x RNA Modelagem dos erros que afetam os sinais
Leia maisVPT10-H TRANSMISSOR DE PRESSÃO HART. Transmissor a 2 Fios com Protocolo de Comunicação HART 7. LCD de 5 dígitos, rotativo, multifuncional com bargraph
VPT10-H TRANSMISSOR DE PRESSÃO HART Transmissor a 2 Fios com Protocolo de Comunicação HART 7 LCD de 5 dígitos, rotativo, multifuncional com bargraph 7 Faixas de Pressão: 765 mmh2o a 210 kgf/cm 2 2 Classes
Leia maisRelatório Preliminar Experimento 6.2 Reologia
Universidade Estadual de Campinas FEQ Faculdade de Engenharia Química Relatório Preliminar Experimento 6.2 Reologia EQ601 - Laboratório de Engenharia Química I Turma A Grupo E Integrantes Andrey Seiji
Leia maisAplicação da Técnica de Componentes Principais no Treinamento de uma Rede Neural no Contexto de Assimilação de Dados
Aplicação da Técnica de Componentes Principais no Treinamento de uma Rede Neural no Contexto de Assimilação de Dados 1 Vinicius Carvalho Beck 2 Júlio Renato Q. Marques 3 Fabrício P. Härter Universidade
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 16 Redes Neurais Artificiais (MLP) 2 de 24 (MLP) Sumário Introdução
Leia maisJAI 6 - Deep Learning Teoria e Prática
JAI 6 - Deep Learning Teoria e Prática Esteban Clua e Cristina Nader Vasconcelos Universidade Federal Fluminense Fundamentos Computação baseada em modelos crisnv@ic.uff.br 2 Computação baseada em aprendizado
Leia maisALEX BITTENCOURT HAAS LEANDRO FLORES NESS PROJETO DE SENSOR DE VAZÃO MASSICA POR PLACA DE ORIFÍCIO
ALEX BITTENCOURT HAAS LEANDRO FLORES NESS PROJETO DE SENSOR DE VAZÃO MASSICA POR PLACA DE ORIFÍCIO Monografia apresentada ao Departamento de Engenharia Mecânica da Escola de Engenharia da Universidade
Leia maisAprendizagem de Máquina
Plano da Apresentação Aprendizagem de Máquina Alessandro L. Koerich 2007 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Professor & Experiência Acadêmica Horários
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisSOLIDWORKS FloXpress, um dos produtos SOLIDWORKS Express que fazem parte de todas as versões do SOLIDWORKS.
SOLIDWORKS FloXpress, um dos produtos SOLIDWORKS Express que fazem parte de todas as versões do SOLIDWORKS. A ideia principal do FloXpress é calcular a dinâmica dos fluidos que passam através dos modelos
Leia maisCOMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1
COMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1 Márcia Da Silva 2, Eldair Fabricio Dornelles 3, Rogério S. M. Martins 4, Édson L. Padoin 5. 1 Pesquisa desenvolvida
Leia maisRedes Neurais Artificiais. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9)
Redes Neurais Artificiais Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9) Conceitos 2 Redes Neurais As Redes Neurais Artificias são modelos computacionais
Leia maisIntrodução às Redes Neurais Artificiais
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Introdução às Redes Neurais Artificiais DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
Leia maisNo contexto das ações de Pesquisa e Desenvolvimento
Um método para avaliar o desempenho ótico de LEDs O LABelectron desenvolveu um método de testes para analisar influências ópticas em diferentes modos de acionamentos de LEDs André Andreta No contexto das
Leia maisANÁLISE DA PRODUTIVIDADE DA ESTRUTURA DE UM EDIFÍCIO DE CARÁTER REPETITIVO
Programa de Pós Graduação em Engenharia Civil http://www.ppgec.dacoc.ct.utfpr.edu.br/ www.utfpr.edu.br II MOPP 2010 II Mostra de Pesquisa e Pós-Graduação da UTFPR 30 de agosto a 03 de Setembro de 2010
Leia maisQuantificação da Vibração Cumulada das Pregas Vocais com Aplicação de Acelerômetro
https://eventos.utfpr.edu.br//sicite/sicite2017/index Quantificação da Vibração Cumulada das Pregas Vocais com Aplicação de Acelerômetro RESUMO Letícia Veiga Cena da Silva leticiaveigacs@gmail.com Universidade
Leia maisParadigmas de Aprendizagem
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Paradigmas de Aprendizagem Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisGestão de Ativos Essenciais soluções integradas para tomada de decisão. Laurence Caldeira
Gestão de Ativos Essenciais soluções integradas para tomada de decisão Laurence Caldeira Emerson Confidential, Slide 2 PlantWeb é uma Arquitetura Digital que Usa o Poder da Inteligência de Campo para melhorar
Leia mais4 Análise de Resultados
4 Análise de Resultados 4.1 Medição de vazão com extensômetro Inicialmente, a resistência de cada extensômetro foi medida com um multímetro Agilent 34970 A, para cada valor de vazão, na faixa de 0 a 14
Leia maisSNP33D90 REDES NEURAIS ARTIFICIAIS
SNP33D90 REDES NEURAIS ARTIFICIAIS Engenharia Elétrica Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 1. IDENTIFICAÇÃO UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT Disciplina: REDES NEURAIS ARTIFICIAIS
Leia mais(VWXGRVGH&DVRV ' 6 = 1. Equação 17- Erro RMSE. Equação 18 - Erro Médio Absoluto (MAPE)
8 (VWXGRVGH&DVRV Para avaliar o desempenho dos modelos de RNAs definidos neste trabalho, foram criados vários casos de testes com diversas simulações de falta. O desempenho da rede, no conjunto de testes
Leia mais2.ª Prática Controle (PID) do Nível da Caldeira (Tanque 02) da Planta de Instrumentação Industrial e Controle de Processos da De Lorenzo
1 2.ª Prática Controle (PID) do Nível da Caldeira (Tanque 02) da Planta de Instrumentação Industrial e Controle de Processos da De Lorenzo OBJETIVO: 1. Fazer o controle (PID) de um determinado nível na
Leia maisUNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA DEPARTAMENTO DE ENGENHARIA MECÂNICA ENERGIA E FENÔMENOS DE TRANSPORTE
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA DEPARTAMENTO DE ENGENHARIA MECÂNICA ENERGIA E FENÔMENOS DE TRANSPORTE CONSTRUÇÃO DE UM MEDIDOR DE VAZÃO UTILIZANDO UMA RESISTÊNCIA ELÉTRICA
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Apresentação da Disciplina Alessandro L. Koerich 2008 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Leia maisPTC3421 Instrumentação Industrial. Válvulas Parte II V2017A PROF. R. P. MARQUES
PTC3421 Instrumentação Industrial Válvulas Parte II V2017A PROF. R. P. MARQUES A partir de simplificações da equação de Bernoulli, pode-se modelar uma válvula com a seguinte equação: Q = C V Δp µ onde
Leia maisTreeX - um programa para extração de árvores em imagens laserscanner
TreeX - um programa para extração de árvores em imagens laserscanner Eliana Pantaleão 1, Luciano Vieira Dutra 1, Rodrigo de Campos Macedo 2 1 Divisão de Processamento de Imagens Instituto Nacional de Pesquisas
Leia maisQuantificação dos Níveis de Desequilíbrio de Tensão no Sistema de Transmissão no Norte do Brasil
1 Quantificação dos Níveis de Desequilíbrio de Tensão no Sistema de Transmissão no Norte do Brasil T.T Lima, UnB; G.F. Silva, UnB; O.A.Fernandes, Eletronorte; A.L.F.Filho, UnB; L. F. L. Arão, Eletronorte;
Leia maisUnidade 08 MATLAB Neural Network Toolkit
Unidade 08 MATLAB Neural Network Toolkit 1. Introdução Uma rede neural artificial (NN daqui em diante) é um modelo matemático que consiste de neurônios interconectados que imitam, em uma escala menor,
Leia maisSIMULAÇÃO E DETERMINAÇÃO DE DESLOCAMENTO COM GNSS (GPS) Simulation and Determination of Displacement with GNSS (GPS)
SIMULAÇÃO E DETERMINAÇÃO DE DESLOCAMENTO COM GNSS (GPS) Simulation and Determination of Displacement with GNSS (GPS) João Carlos Chaves 1 Paulo Cesar Lima Segantine 2 1 Universidade Estadual Paulista Júlio
Leia maisRedes Neurais Artificiais Sistemas Inteligentes Especialização em Automação Industrial SISTEMAS INTELIGENTES PROFESSOR FLÁVIO MURILO
Redes Neurais Artificiais Sistemas Inteligentes Especialização em Automação Industrial 1 Redes Neurais - Definição O que é Rede Neural ou Rede Neuronal Artificial (RNA)? É um modelo computacional que objetiva
Leia maisAutomation & Power World 2010 Field Device Integration Uma solução universal para a integração de dispositivos
Automation & Power World 2010 Field Device Integration Uma solução universal para a integração de dispositivos ABB Automation & Power World 2010 Apresentando Uma solução universal para a integração de
Leia maisClassificação de Padrões. Abordagem prática com Redes Neurais Artificiais
Classificação de Padrões Abordagem prática com Redes Neurais Artificiais Agenda Parte I - Introdução ao aprendizado de máquina Parte II - Teoria RNA Parte III - Prática RNA Parte IV - Lições aprendidas
Leia maisA Instrumentação pode ser definida como a arte e ciência da medição e controle.
www.iesa.com.br 1 Introdução A Instrumentação pode ser definida como a arte e ciência da medição e controle. Instrumento é qualquer dispositivo, ou conjunto de dispositivos, utilizado com a finalidade
Leia mais