Aplicação de redes neurais artificiais para melhorar a eficiência de transformadores de distribuição relacionada ao processo de fabricação
|
|
- Ana Vitória Figueiredo Van Der Vinne
- 6 Há anos
- Visualizações:
Transcrição
1 Aplicação de redes neurais artificiais para melhorar a eficiência de transformadores de distribuição relacionada ao processo de fabricação Resumo André Nunes de Souza (UNESP-DEE) andrejau@feb.unesp.br Fernando Carneiro Lyra Amaral (UNESP-DEE) fernandocl@feb.unesp.br Luiz Gonzaga Campos Porto (UNESP-DEE) porto@feb.unesp.br Jair Wagner de Souza Manfriato (UNESP-FEB) jwsouza@feb.unesp.br Manoel Henrique Salgado (UNESP-FEB) henri@feb.unesp.br Maria Goretti Zago (ZAGO) zago@netsite.com.br Este trabalho descreve a aplicação de um novo modelo neural para melhorar a eficiência de transformadores de distribuição. A rede atua como um identificador de características estruturais sobre o processo de perdas elétricas, assim, um parâmetro de saída pode ser estimado e generalizado de um número de parâmetros de entrada. O modelo foi treinado e validado através de dados experimentais, levando-se em consideração a temperatura, a resistência do enrolamento de alta tensão, a resistência do enrolamento de baixa tensão, as perdas no cobre e a corrente de magnetização. Os resultados obtidos nas simulações têm demonstrado que a técnica neural desenvolvida pode ser usada como uma ferramenta alternativa para realizar a análise de perdas elétricas em transformadores de distribuição de maneira mais adequada em relação ao processo de fabricação. Desta forma, esta pesquisa prossegue no sentido de melhorar a eficiência do transformador de distribuição. Palavras-chave Processo de Fabricação, Perdas Elétricas, Qualidade, Transformador, Rede Neural. Abstract The paper describes the application of a neural model to improve distribution transformer efficiency. The network acts as an identifier of structural features on electrical loss process, so that output parameters can be estimated and generalized from an input parameter set. The model was trained and assessed through experimental data taking into account temperature, resistance of the high voltage winding, resistance of the low voltage winding, copper loss and magnetizing current. The results obtained in the simulations have shown that the developed technique can be used as an alternative tool to make the analysis of electrical losses on distribution transformer more appropriate regarding to manufacturing process. Thus, this research has led to an improvement on the distribution transformer efficiency. Keywords Manufacturing Process, Electrical Losses, Quality, Transformer, Neural Network. 1. Introdução A taxa de perdas elétricas em transformadores nos sistemas de distribuição de energia elétrica brasileiro tem alcançado níveis muito elevados quando comparados com padrões internacionais. Existem diversos fatores que contribuem para este cenário, como por exemplo: a dificuldade na identificação das perdas ainda na fase de manufatura, a falta de precisão no 1
2 modelamento da carga, a atualização dos valores de perdas elétricas prescritos em normas técnicas (considerando o atual perfil do setor elétrico), a inexistência de uma política de manutenção eficaz, o aumento de áreas metropolitanas e a redução da capacidade financeira do setor. Diante de um mercado globalizado, tem sido indispensável à atuação conjunta e integrada das concessionárias, consumidores e também dos fabricantes de equipamentos visando uma melhoria no fornecimento de energia elétrica. Entretanto, as perdas elétricas em transformadores nos sistemas de distribuição têm alcançado níveis muito elevados em relação aos padrões internacionais. A identificação dessas perdas ainda na fase de manufatura dos transformadores é imprescindível ao sistema elétrico, promovendo uma adequação, tanto na melhoria da qualidade, como também na redução e otimização de processos de fabricação dos transformadores. Estudos envolvendo a redução de perdas elétricas em transformadores estão sendo difundidos em âmbito mundial. Entretanto, a tônica apresentada nesses estudos refere-se à redução de perdas de maneira separada, a vazio ou no cobre e nunca de maneira integrada, dificultando desta forma, uma identificação precisa das diversas variáveis que influenciam nas perdas elétricas em um transformador. Neste sentido, a habilidade de uma Rede Neural Artificial (RNA) em mapear funções não lineares complexas a torna uma ferramenta atrativa para identificar e estimar perdas elétricas em transformadores de distribuição (perdas totais), possibilitando a integração do fenômeno térmico com o magnético. Este artigo é organizado como segue. Na seção, é apresentada descrição sucinta das perdas elétricas. A Seção 3 introduz os fundamentos básicos de Redes Neurais Artificiais. Na Seção 4, a abordagem neural é apresentada. A Seção 5 fornece os resultados e simulações para o problema proposto. Finalmente, as conclusões e os pontos chaves deste artigo são apresentados na Seção 6.. Perdas Elétricas em Transformadores A eficiência de transformadores é melhorada pela redução das perdas no ferro e também no cobre. Procurando reduzir as perdas no cobre, o projetista pode utilizar alguns métodos, tais como: usar materiais condutores com perda reduzida (cobre), diminuir o comprimento do condutor ou da densidade de corrente. Por outro lado, o projetista pode reduzir a perda no ferro usando núcleo de materiais com baixa perda, reduzindo a densidade de fluxo do núcleo ou comprimento do caminho do fluxo. Em geral, procurar reduzir as perdas no cobre produz indiretamente uma redução nas perdas do núcleo e vice-versa, segundo Artur (198). O estudo mais aprofundado deste problema requer um amplo conhecimento da influência de alguns fatores como: perdas no cobre, perdas no núcleo, corrente, resistência e temperatura. Esses fatores estão descritos de uma melhor maneira abaixo:.1. Perdas no Cobre As perdas no cobre são iguais à soma dos quadrados da corrente multiplicado pelas resistências de vários enrolamentos. Como as correntes são fixadas em uma faixa, fica evidenciado que é impossível diminuir os valores da mesma para reduzir as perdas (I R). Um dos fatores que podem ser manipulados no projeto a fim de reduzir as perdas ao mínimo, são as resistências dos vários enrolamentos do transformador. Para isto é evidente que a seção total dos condutores devem ser tão grande quanto o possível, e em contrapartida, o
3 comprimento o menor possível. É importante mencionar que um incremento na seção dos condutores implica no decréscimo de valores de resistência e, conseqüentemente, as perdas no cobre, segundo Stigant e Franklin (1973). Para um simples transformador a perda no cobre é dada por: Wj = R1I 1 + RI (1) onde W j é perda no cobre (Watts), R 1 é a resistência do primário, R é a resistência do secundário, I 1 é a corrente do primário e I a corrente do secundário... Perdas no Núcleo É definida perda no núcleo como sendo a potência absorvida pelo transformador quando submetido à tensão e freqüência nominal, estando o secundário do transformador aberto (sem carga). Vários trabalhos têm sido propostos na literatura para identificação de perdas no ferro em transformadores durante a fase de manufatura. As abordagens podem ser divididas em dois grupos distintos. O primeiro baseia-se na análise geométrica do campo eletromagnético do núcleo do transformador, enquanto, o segundo grupo utiliza-se às perdas no ferro em modelos experimentais. Quando um material de massa metálica é submetido a uma variação de um fluxo magnético é produzida uma diferença de potencial (f.e.m) que resulta em uma intensa corrente elétrica denominada de Corrente de Foucault produzindo perda de potência. Essas perdas são dadas pela expressão: =.. f. B. d PF () onde P F são as perdas causadas pelas correntes parasitas, f é a freqüência, B é a máxima densidade de fluxo magnético e d é espessura da laminação do núcleo. Quando um material magnético é submetido a um campo alternado, a característica senoidal da corrente provoca um fenômeno descrito como, ciclo de histerese. A determinação prática das perdas por histerese é encontrada na expressão abaixo: P = KS. B f (3) H. onde P H são as perdas por histerese, Ks é o coeficiente de Steimmetz (depende do tipo de material usado no núcleo). Assim, as perdas no núcleo (Po) são calculadas pela soma das duas perdas mencionadas anteriormente (parasita e histerese): 3. Fundamentos de Redes Neurais Artificiais P 0 = + PH PF As RNAs são técnicas computacionais de processamento paralelo que procuram imitar o funcionamento do cérebro humano. Como fora dito anteriormente, a habilidade das RNAs em identificar processos não lineares complexos com facilidade e eficiência é a principal razão que as tornam uma ferramenta atrativa para este tipo de abordagem. Abaixo pode ser observado o esquema de uma rede neural Feedforward com n entradas (Figura 1). Cada círculo representa um neurônio. Nesta rede, o fluxo das informações segue apenas em um sentido, ou seja, não existe realimentação entre neurônios. Observando-se a estrutura apresentada abaixo (Figura 1), percebe-se que a saída de cada neurônio está conectada com a entrada do neurônio da camada seguinte. A primeira camada é denominada camada de entrada e a última é chamada de camada de saída. As demais são denominadas camadas ocultas. 3
4 x y 1 x m y m m x n Figura 1. Exemplo de RNA Feedfoward. Um neurônio artificial pode ser modelado como apresentado abaixo (Figura ). Cada entrada x i é multiplicada por um peso sináptico W i. Após isso é realizada a soma no combinador linear de cada W i x i. Após isso, esta soma é submetida a uma função de ativação que fornece a saída do neurônio. x 1 x x 3 Entradas W 1 W W 3 x 1 w 1 x w x 3 w 3 - θ Σ Função de Ativação ϕ (. ) y x n W n Pesos Sinápticos x n w n Combinador linear Figura. Exemplo de um neurônio artificial. O neurônio descrito acima pode ser matematicamente interpretado da seguinte maneira: n y = ϕ w x (4) i i i= 0 O processo de treinamento da rede neural consiste na sucessiva comparação entre as saídas desejadas e generalizadas pela rede. Neste processo, os dados são propagados para a saída da rede, e os pesos associados às entradas de cada neurônios são ajustados através do algoritmo Backpropagation. Uma revisão dos principais passos do algoritmo é apresentada aqui. A função a ser minimizada é a soma do erro médio quadrático (EAV) do vetor de saída. N 1 E AV = E( k) (5) N k = 1 onde N é o número de pontos de treinamento e E(k) é a soma dos erros quadráticos em qualquer neurônio na camada de saída, e deve ser minimizado em relação à w: E ( k) l w ji = 0 Assim, os pesos sinápticos são ajustados da seguinte maneira: w l ji l ( k ) = w ( k) ( k) ( k) (6) E + 1 ji λ (7) w onde w é o peso ligado ao neurônio j da camada l para o neurônio i da camada (l-1) e λ determina a taxa de aprendizado do algoritmo. ji 4
5 4. A Abordagem Neural Usada no Problema de Identificação de Processos de Fabricação Uma Rede Neural Artificial do tipo Perceptron Multicamadas foi empregada na identificação e estimação das características do sistema de processo de fabricação de transformadores. As variáveis que compõem cada vetor de entrada são definidas pelas variáveis que indicam as perdas no transformador. Essas variáveis são definidas como se segue: T é a temperatura ( 0 C). H1H é a resistência do enrolamento de alta tensão (Ω). X1X é a resistência do enrolamento de baixa tensão (Ω). L CU é a perda no cobre (W). I EX é a corrente de magnetização (A). O vetor de saída é definido por uma única variável de saída que são as perdas totais no transformador (LT). A arquitetura neural utilizada para estimar as perdas totais é a apresentada na (Figura 3). Camada de Entrada 1 a Camada Oculta a Camada Oculta Camada de Saída Figura 3. Arquitetura Geral da RNA. O treinamento da rede tem sido feito pelo algoritmo Levenberg-Marquardt, segundo Hagan (1994), o modelo foi treinado e validado através de dados experimentais obtidos da Indústria de Transformadores ZAGO. Para validar a arquitetura desenvolvida, alguns testes preliminares foram realizados com os seguintes tipos de transformadores: Primeiro Transformador Transformador de Distribuição: 30 kva Classe de Tensão: 15 kva Tipo de Refrigeração: Óleo Faixa de tensão: 13.8 kv/0v A topologia da RNA usada nesta situação está descrita abaixo: Arquitetura: Perceptron Multicamadas Número de camadas ocultas: Número de neurônios da primeira camada oculta: 10 Número de neurônios da primeira camada oculta: 15 5
6 Erro médio relativo (teste padrão): 6.1x10-3 Dados de treinamento: 54 Segundo Transformador Transformador de Distribuição: 45 kva Classe de Tensão: 15 kva Tipo de Refrigeração: Óleo Faixa de tensão: 13.8 kv/0v A topologia da RNA usada nesta situação está descrita abaixo: Arquitetura: Perceptron Multicamadas Número de camadas ocultas: Número de neurônios da primeira camada oculta: 10 Número de neurônios da primeira camada oculta: 15 Erro médio relativo (teste padrão): 7.9x10-3 Dados de treinamento: Resultados e Discussões Nesta seção, alguns resultados de simulações preliminares e discussões são apresentados para ilustrar a aplicação das RNA s desenvolvidas para identificar perdas elétricas em transformadores de distribuição, buscando assim, melhorar o processo de fabricação de transformadores. A seguir (Figuras 4 e 5), apresentam o relacionamento das perdas totais com a temperatura para duas condições de perdas no cobre e de corrente de excitação Total Losses (Watts) Perdas Totais (Watts) Cupper Perdas no Excitement Corrente de Curva Curve Cobre Losses (W) Excitação Current (W) (A) Temperatura Temperature o ( C o C) Figura 4. Variação das perdas totais X temperatura (30 kva). 6
7 Total Losses (Watts) Perdas Totais (Watts) Curva Perdas Cupper no Corrente Excitement de Curve Losses Cobre Excitação Current (W) (A) Temperatura Temperature ( oo C C) Figura 5. Variação das perdas totais X temperatura (45 kva). A partir da Figura 4, é possível verificar o aumento linear das perdas totais quando a temperatura fica abaixo de 0 C. Neste ponto, pode-se atribuir este tipo de comportamento a atuação mais significante das outras variáveis no processo. Quando a temperatura atinge 0 C, percebe-se que outras variáveis possuem um peso menor no processo de perdas. Então, a partir deste ponto, a variação das perdas totais fica exclusivamente em função da temperatura. Um importante aspecto para este tipo de comportamento é a dificuldade de identificar esse processo através de ferramentas convencionais (analíticas), ou mesmo utilizando ensaios experimentais, em virtude da não linearidade e também da inércia do fenômeno. Por outro lado, observando a Figura 5, pode-se noticiar que as perdas têm um crescimento linear entre as faixas de 15 0 C até 30 0 C. A partir deste momento, as perdas começam a diminuir suavemente. Neste ponto, é essencial comentar que este tipo de comportamento pode ser creditado a inércia do processo e também a influência das outras variáveis neste exato momento. As Figuras 6 e 7 mostram o comportamento das perdas totais e a influência da corrente de magnetização nos transformadores de 30 kva e 45 kva, respectivamente Perdas Total Losses Totais (Watts) Curva Curve Perdas Cupper no Temperatura Temperature Losses Cobre ( C C) (W) Excitement Current (A) Corrente de Excitação (A) Figura 6. Variação das perdas totais X corrente de excitação (30 kva). 7
8 Curva Curve Perdas Cupper no TTemperatura emperature Cobre Losses (W) ( C) C (W) Perdas Total Losses Totais (Watts) Corrente Excitement de Excitação Current (A) (A) Figura 7. Variação das perdas totais X corrente de excitação (45 kva). Verificando a Figura 6, evidencia-se a influência direta da corrente de magnetização no processo de perdas totais. O paralelismo observado em ambas curvas mostra a grande dependência desta variável. Usualmente, este tipo de detalhe é somente observado levando-se em conta uma parte das perdas (perdas no ferro). Observando a Figura 7, constata-se um comportamento similar, sem o paralelismo constatado anteriormente. A Figura 8 mostra as perdas totais em relação à variação das perdas no cobre para o transformador de 30 kva Total Losses (Watts) Perdas Totais (Watts) Curva Curve Excitement Corrente de Temperature Temperatura Excitação Current (W) ( C C) ( A) Perdas Cupper no Cobre Losses (W) (Watts) Figura 8. Variação das perdas totais X perdas no cobre (30 kva). A partir da Figura 8, observa-se um aumento na variação das perdas totais de maneira crescente. Entretanto, vale a pena destacar que os valores pontuais das perdas são mais importantes que o perfil, pois permite uma avaliação mais qualitativa de todo o processo. 8
9 Observando as Tabelas 1 e, verifica-se que a proposta da abordagem neural fornece resultados muito próximos dos resultados reais (experimentais). O erro relativo pode ser considerado baixo para este tipo de aplicação. Tabela 1. Taxa do Erro Relativo (%) das Perdas Elétricas Para o Transformador de 30 kva Ensaios Experimentais (Watts) Resultados da ANN (Watts) Erro Relativo (%) ,80 0, ,95 0, ,31 0, ,56 0, ,87, ,64 0, ,70 0, ,34 0, ,55 0, ,37 0,05 Tabela, Taxa do Erro Relativo (%) das Perdas Elétricas Para o Transformador de 45 kva Ensaios Experimentais (Watts) Resultados da ANN (Watts) Erro Relativo (%) ,0343 0, ,49 0, ,7185 1, ,688 0, ,481 0, ,815 0, ,958 0, ,6976, ,1769 1, ,1961 0,13 O erro relativo abaixo de 3 %, demonstra que a rede neural obteve sucesso em generalizar dados que não foram considerados no seu treinamento. Todos estes resultados confirmam que problemas de identificação de perdas elétricas em transformadores de distribuição podem ser efetivamente mapeados por redes neurais, levandose em conta os aspectos físicos, elétricos e estruturais. 6, Conclusões Neste artigo, a RNA do tipo Perceptron multicamadas pode ser utilizada para mapear e estimar a relação entre a perda total dos transformadores com as principais variáveis que indicam a característica do processo de perda. A rede considerou dentro deste contexto de identificação o processo de perda total. Para o treinamento da rede neural utilizaram-se dados obtidos em laboratório. Depois do treinamento, a rede foi capaz de generalizar novos dados de entrada que não foram simulados em laboratório. Esta propriedade pode possibilitar a redução do tempo gasto em laboratório, o que implicará na diminuição do custo de fabricação do produto. 9
10 Os resultados preliminares obtidos das simulações mostraram que a técnica desenvolvida pode ser utilizada como uma ferramenta alternativa mais apropriada para melhorar as análises de perda total nos transformadores de distribuição, agregando valor na otimização do processo de fabricação. 5. Referências bibliográficas Artur, M. Automated Power Distribution. IEEE Trans. Power Deliv., Vol., pp.55-60, 198. Roytelman, I. Practical Aspects of Distribution Automation in Normal and Emergency Conditions. IEEE Trans. Power Deliv., Vol., pp , McConnell, B. W. Increasing Distribution Transformer Efficiency: Potential for Energy Savings. IEEE Power Eng. Ver., Vol. 18, pp. 8-10, Lindsay, F. Temperature Rise of an Oil Filled Transformer with Varyng Load. IEEE Trans. Power Appar Syst., Vol.9, pp , Mechler, G. F.; Girgis, R. S. Calculations of Spatial Loss Distribution in Stacked Power and Distribution Transformer Core. IEEE Trans. Power Delivery, Vol. 13, pp , Stigant, S. A.; Franklin, A. C. The J&P Transformer Book. London, U. K.: Butterworth., Kosko, B. Neural Networks and Fuzzy Systems A Dynamical Systems Approach to Machine Intelligence. Prentice-Hall, Englewood Cliffs, 199. Haykin, S. Neural Networks A Comprehensive Foundation. Macmillan, New York, Hagan, M. T. Training Feedforward Networks with the Marquardt Algorithm. IEEE Trans. on Neural Networks, Vol. 6, pp ,
SELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS
SELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS MARLEIDE F. ALVES 1, ANNA DIVA P. LOTUFO 1, MARA LÚCIA M. LOPES 2 1. Laboratório de Sistemas
Leia maisIdentificação de Processos de Ensaios de Alta Tensão Através de Redes Neurais Artificiais
Proceedings of IV Brazilian Conference on Neural Networks - IV Congresso Brasileiro de Redes Neurais pp. 888-999, July 2-22, 1999 - ITA, São José dos Campos - SP - Brazil Identificação de Processos de
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. Professor: Juan Moises Villanueva
Redes Neurais Artificiais Mestrando: Lucas Nicolau Email: lucasfnicolau@gmail.com Professor: Juan Moises Villanueva Rede Neural Direta Arquitetura com múltiplas camadas com fluxo de informação apenas em
Leia mais3 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 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 maisPONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO Centro das Ciências Exatas e Tecnologia Faculdades de Engenharia, Matemática, Física e Tecnologia
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO Centro das Ciências Exatas e Tecnologia Faculdades de Engenharia, Matemática, Física e Tecnologia EXPERIÊNCIA: ENSAIOS EM CURTO E VAZIO DE TRANSFORMADORES
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 maisGRUPO VIII GRUPO DE ESTUDO DE SUBESTAÇÕES E EQUIPAMENTOS ELÉTRICOS (GSE)
GSE/ 3 7 à 22 de outubro de 999 Foz do Iguaçu Paraná - Brasil GRUPO VIII GRUPO DE ESTUDO DE SUBESTAÇÕES E EQUIPAMENTOS ELÉTRICOS (GSE) AVALIAÇÃO DO NÍVEL DE CONTAMINAÇÃO DO ÓLEO DE TRANSFORMADORES ATRAVÉS
Leia maisTESTE DE TOPOLOGIAS DE REDES NEURAIS ARTIFICIAS NA DETECÇÃO DE FALTAS MONOFÁSICAS DE ALTA IMPEDÂNCIA EM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA 1
TESTE DE TOPOLOGIAS DE REDES NEURAIS ARTIFICIAS NA DETECÇÃO DE FALTAS MONOFÁSICAS DE ALTA IMPEDÂNCIA EM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA 1 Eliseu Kotlinski 2, Manuel Martín Pérez Reimbold 3. 1 Relatório
Leia maisConversão de Energia I
Departamento de Engenharia Elétrica Aula 2.3 Transformadores Prof. Clodomiro Unsihuay Vila CARACTERISTICAS ELÉTRICAS Lembrete: https://www.youtube.com/watch?v=culltweexu Potência Nominal: NBR 5356:2006
Leia maisRedes Neurais 1. Redes Neurais. cont.) Definição (cont( Definição. Histórico. Características básicas
Redes Neurais Dalma M. Falcão falcao@nacad.ufr.br http://www.nacad.ufr.br/~falcao/ Redes Neurais Definição Histórico Áreas de aplicação RNs biológicas Modelos de neurônios artificiais Arquiteturas de RNs
Leia maisUtilização de Redes Neurais Artificiais para Interpolação de Resultados do Método de Elementos Finitos
Utilização de Redes Neurais Artificiais para Interpolação de Resultados do Método de Elementos Finitos Leandro M. de Souza Resumo Neste artigo, é proposta uma metodologia que utiliza Redes Neurais Artificiais
Leia maisMineração de Dados aplicada a Gestão de Negócios. Aula 2. Prof. Dr. Sylvio Barbon Junior
Aula 2 Introdução Redes Neurais Prof. Dr. Sylvio Barbon Junior barbon@uel.br Sumário 1- Inteligência Artificial 2- Introdução às Redes Neurais Artificiais 3- Modelos de Redes Neurais supervisionados e
Leia maisAula 1 Introdução - RNA
Aula 1 Introdução - RNA Sumário 1- Conceitos Iniciais; 2- Neurônio Biológico; 3- Neurônio Artificial; 4- Funções de Ativação; 5- Comparação Neurônio Biológico e Artificial. 1- Conceitos Iniciais - Computadores
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 PERCEPTRONS Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Forma mais simples de configuração das RNAs Rosenblatt (1958) retina área de projeção área de associação respostas
Leia maisUNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ DEPARTAMENTO ACADÊMICO DE ELETROTÉCNICA. Excitação CA
Os circuitos magnéticos dos transformadores e das máquinas CA são excitados por fontes CA. Com excitação CA, a indutância influi no comportamento do regime permanente. Joaquim Eloir Rocha 1 Com excitação
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 maisRedes Neurais Artificiais
Redes Neurais Artificiais Prof. Dr. Hugo Valadares Siqueira Semana de Eletrônica e Automação 2014 Redes Neurais Artificiais Uma rede neural artificial é um circuito composto por uma grande quantidade de
Leia maisSIMULAÇÃO DAS PERDAS A VAZIO EM TRANSFORMADORES TRIFÁSICOS DE DISTRIBUIÇÃO DA CLASSE 15KV COM MATERIAIS AMORFO E FERRO SILÍCIO
Congresso Técnico Científico da Engenharia e da Agronomia CONTECC 2016 Rafain Palace Hotel & Convention Center- Foz do Iguaçu - PR 29 de agosto a 1 de setembro de 2016 SIMULAÇÃO DAS PERDAS A VAZIO EM TRANSFORMADORES
Leia maisRede Perceptron. Capítulo 3
Rede Perceptron Capítulo 3 Rede Perceptron É a forma mais simples de configuração de uma RNA (idealizada por Rosenblatt, 1958) Constituída de apenas uma camada, tendo-se ainda somente um neurônio nesta
Leia maisO uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador.
O uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador. Resumo: Lucas da Silva Assis Universidade Federal de Goiás lucasilvassis@gmail.com Esse trabalho apresenta
Leia maisOtimização da transformação em redes de distribuição aérea
Otimização da transformação em redes de distribuição aérea Prof. Dr. Estácio Estácio Tavares W. Neto, LAT-EFEI Engª Marisa Zampolli, ICA Latin America Estudo realizado pelo Procobre Instituto Brasileiro
Leia maisLABORATÓRIO INTEGRADO III
FACULDADE DE TECNOLOGIA E CIÊNCIAS EXATAS CURSO DE ENGENHARIA ELÉTRICA LABORATÓRIO INTEGRADO III Experiência 03: Ensaio de Vazio e Curto em Transformadores Trifásicos Prof. Norberto Augusto Júnior USJT
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 maisSENDI 2004 XVI SEMINÁRIO NACIONAL DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA
SENDI 2004 XVI SEMINÁRIO NACIONAL DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA 948 Metodologia para Avaliação das Perdas Técnicas em Redes de Baixa Tensão Utilizando Técnicas de Classificação O Caso da RGE A. Méffe
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 maisCONCENTRAÇÃO DE GASES DISSOLVIDOS EM TRANSFORMADORES A ÓLEO UTILIZANDO REDES NEURAIS ARTIFICIAIS
CONCENTRAÇÃO DE GASES DISSOLVIDOS EM TRANSFORMADORES A ÓLEO UTILIZANDO REDES NEURAIS ARTIFICIAIS Marco Antonio Ferreira Finocchio 1 (Prof. Mestre em Engenharia Elétrica, Universidade Tecnológica Federal
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 maisAnais do XIX Congresso Brasileiro de Automática, CBA GODOY
Anais do XIX Congresso Brasileiro de Automática, CBA 2012. DETERMINAÇÃO DA TEMPERATURA DE ENROLAMENTOS DE TRANSFORMADORES A SECO E DE SUAS PERDAS TOTAIS BASEADO EM REDES NEURAIS ARTIFICIAIS MARCO ANTONIO
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 maisAluno: João Ferreira Orientador: Paulo Maciel
Estratégias para análise do impacto ambiental causado por centros de dados, considerando consumo de energia, eficiência energética e predições com RNA. Aluno: João Ferreira Orientador: Paulo Maciel Introdução
Leia maisReconhecimento de Faces Utilizando Redes Neurais MLP
Reconhecimento de Faces Utilizando Redes Neurais MLP Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal do
Leia maisCÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS.
CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS. A. B. B. GIOPATTO 1, E. A. SILVA 2, T. D. MARTINS 1 1 Universidade Federal de São Paulo, Departamento
Leia maisGRUPO VIII GRUPO DE ESTUDO DE SUBESTAÇÕES E EQUIPAMENTOS ELÉTRICOS (GSE)
SE/ 8 17 à 22 de outubro de 1999 Foz do Iguaçu Paraná - Brasil RUPO VIII RUPO DE ESTUDO DE SUBESTAÇÕES E EQUIPAMENTOS ELÉTRICOS (SE) ANÁLISE DO COMPORTAMENTO TÉRMICO DE TRANSFORMADORES SUPRINDO CARAS NÃO
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 maisVI SBQEE. 21 a 24 de agosto de 2005 Belém Pará Brasil
VI SBQEE a 4 de agosto de 005 Belém Pará Brasil Código: BEL 07 7773 Tópico: Impacto da Conservação de Energia Elétrica UM ESTUDO SOBRE A PERDA DE VIDA ÚTIL EM TRANSFORMADORES DE DISTRIBUIÇÃO QUANDO ALIMENTAM
Leia maisAplicação de Ferramentas Computacionais Inteligentes em Estudos de Localização de Falhas em Sistemas Subterrâneos de Distribuição
XVIII Seminário Nacional de Distribuição de Energia Elétrica SENDI 2008-06 a 10 de outubro Olinda - Pernambuco - Brasil Aplicação de Ferramentas Computacionais Inteligentes em Estudos de Localização de
Leia maisIntrodução. Resultados do ensaio em carregamento de um trafo monofásico: Rendimento (%) Potência no Secundário (W) Potência no Primário (W) ,5
Transformador 1 ntrodução Resultados do ensaio em carregamento de um trafo monofásico: otência no rimário (W) otência no Secundário (W) Rendimento (%) 35 0 0 96 60 6,5 155 10 77,4 10 180 85,71 65 40 90,57
Leia maisVALIDAÇÃO EXPERIMENTAL DA METODOLOGIA PARA AVALIAÇÃO DO COMPORTAMENTO TÉRMICO DE TRANSFORMADORES OPERANDO SOB CONDIÇÕES NÃO SENOIDAIS
VALIDAÇÃO EXERIMENTAL DA METODOLOGIA ARA AVALIAÇÃO DO COMORTAMENTO TÉRMICO DE TRANSFORMADORES OERANDO SOB CONDIÇÕES NÃO SENOIDAIS Antônio C. Delaiba (Dr) José C. de Oliveira (hd) Olívio C. N. Souto (MSc)
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 maisPREVISÃO DAS CORRENTES DO NÚCLEO DE TRANSFORMADORES DE POTÊNCIA ESTIMATED CURRENT POWER TRANSFORMER CORE
Congresso Técnico Científico da Engenharia e da Agronomia CONTECC 2016 Rafain Palace Hotel & Convention Center- Foz do Iguaçu - PR 29 de agosto a 1 de setembro de 2016 PREVISÃO DAS CORRENTES DO NÚCLEO
Leia maisDeterminação dos Parâmetros Elétricos de um Transformador usando Redes Neurais Artificiais
Determinação dos Parâmetros Elétricos de um Transformador usando Redes Neurais Artificiais Marcus Tulius Barros Florentino Jalberth Fernandes de Araújo, M. Sc. Tarso Vilela Ferreira, D. Sc. Departamento
Leia maisEnsaios em Transformadores
O ensaio de curto-circuito é usado para obter a impedância equivalente em série R eq + j X eq. O curto-circuito é aplicado ao secundário do transformador e a tensão reduzida, ao primário. Joaquim Eloir
Leia maisUma Ferramenta para Auxiliar o Projeto de Transformadores a Seco Usando Redes Neurais Artificiais
Uma Ferramenta para Auxiliar o Projeto de Transformadores a Seco Usando Redes Neurais Artificiais Marco A. Ferreira Finocchio Universidade Tecnológica Federal do Paraná Av. Alberto Carazzaí, 1640 Cornélio
Leia mais3 CIRCUITO EQUIVALENTE PARA TRANSFORMADORES MONOFÁSICOS E TESTE DE POLARIDADE
25 3 CIRCUITO EQUIVALENTE PARA TRANSFORMADORES MONOFÁSICOS E TESTE DE POLARIDADE 31 INTRODUÇÃO Um estudo mais completo da teoria do transformador deve levar em conta os efeitos das resistências dos enrolamentos,
Leia maisMÁRCIO APARECIDO TARDIVO
MÁRCIO APARECIDO TARDIVO UMA APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA ESTIMAÇÃO DA ELEVAÇÃO DE TEMPERATURA DE TRANSFORMADORES MONOFÁSICOS DE DISTRIBUIÇÃO IMERSOS EM LÍQUIDO ISOLANTE Londrina 2012 MÁRCIO
Leia maisSEL 404 ELETRICIDADE II. Aula 05
SL 404 LTRICIDAD II Aula 05 Revisão xcitação em corrente alternada: rms max fn max 4,44 fn max 4,44 fna n B max e f t Revisão Indutância: L N l A N Indutância na presença de entreferro: L 0N g A N g A
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisAnálise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation
Análise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation Martinez, S. C. 1, Ferrara, L. F. P. 2, Mario, M. C. 2. 1 Aluna do Curso de Mestrado
Leia maisExperimento 6 Laço de histerese
Experimento 6 aço de histerese. OBJETIVO Obter a curva BH do materiaagnético de um transformador monofásico por meio do ensaio experimental. A partir da curva BH, identificar o tipo do material (mole,
Leia maisPROPOSTA DE UTILIZAÇÃO DE REDES NEURAIS PARA ANÁLISES FÍSICO- QUÍMICA UTILIZANDO DADOS ESPECTROMÉTRICOS NO UV-VIS
PROPOSTA DE UTILIZAÇÃO DE REDES NEURAIS PARA ANÁLISES FÍSICO- QUÍMICA UTILIZANDO DADOS ESPECTROMÉTRICOS NO UV-VIS 1 SILVA, J. N., 2 MONTEIRO, G. S., 3 SILVA, S. K., 4 AVELINO, M. C., 5 FRANÇA, M. I. C,.
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 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 maisTransformador Transformador Permite a transferência de energia em tensões mais adequadas, por exemplo, na geração tensão mais elevada e economicamente viável para transmissão de energia, na distribuição
Leia maisMODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC
MODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC Paulo Roberto Barbosa 1 Elaine Inacio Bueno 2 Nas Ciências Econômicas ocorrem fenômenos temporais que dependem da observação de dados em um período
Leia maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia mais` Prof. Antonio Sergio 1
` Prof. Antonio Sergio O funcionamento de um transformador baseia-se no fenômeno da mutua indução entre dois circuitos eletricamente isolados, mas magnéticamente acoplados. Fig. Núcleo magnetizável usado
Leia maisAnais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014 HISTERESE
MODELAGEM DE TRANSFORMADOR MONOFÁSICO SATURÁVEL BASEADO EM UM MODELO ALGÉBRICO DE HISTERESE ROMMEL P. FRANÇA, NIRALDO R. FERREIRA*, LUIZ A. L. DE ALMEIDA ᵼ *Departamento de Engenharia Elétrica, Universidade
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
PERCEPTRON MULTICAMADAS: TÉCNICAS DE VALIDAÇÃO Prof. Dr. André A. P. Biscaro 2º Semestre de 2016 UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT Aspectos de seleção topológica de redes PMC A especificação
Leia maisMonografia de Conclusão do Curso de Graduação em Engenharia Elétrica 2
ANÁLISE DAS PERDAS ELÉTRICAS DEVIDO A CONEXÃO DE GERAÇÃO DISTRIBUÍDA EM UM SISTEMA DE DISTRIBUIÇÃO SECUNDÁRIO 1 ANALYSIS OF ELECTRICAL LOSSES DUE TO DISTRIBUTED GENERATION CONNECTION IN A SECONDARY DISTRIBUTION
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 maisSEL 329 CONVERSÃO ELETROMECÂNICA DE ENERGIA. Aula 07
SEL 39 COVERSÃO ELETROMECÂICA DE EERGIA Aula 07 Revisão Corrente de excitação: circuito elétrico equivalente do eletroímã, desprezando a histerese i φ E i φ Corrente de excitação: circuito elétrico equivalente
Leia maisSEL 329 CONVERSÃO ELETROMECÂNICA DE ENERGIA. Aula 07
SEL 39 COVERSÃO ELETROMECÂCA DE EERGA Aula 07 Revisão Corrente de excitação: circuito elétrico equivalente do eletroímã, desprezando a histerese i φ E i φ Corrente de excitação: circuito elétrico equivalente
Leia maisRede Neural STEPWISE-ARTMAP Fuzzy aplicada ao problema de Previsão de Cargas Elétricas
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Rede Neural STEPWISE-ARTMAP Fuzzy aplicada ao problema de Previsão de Cargas Elétricas Thays Abreu, Marleide F. Alves, Carlos R. Santos Junior, Anna
Leia maisESTIMAÇÃO DE RAMO FALTOSO EM SISTEMAS DE DISTRIBUIÇÃO DESEQUILIBRADOS
ESTIMAÇÃO DE RAMO FALTOSO EM SISTEMAS DE DISTRIBUIÇÃO DESEQUILIBRADOS Karen R. C. Oliveira, Rodrigo H. Salim, Arturo S. Bretas LASEP - Laboratório de Sistemas Elétricos de Potência, Departamento de Engenharia
Leia maisRedes Neurais Artificiais Dinâmicas Aplicadas na Previsão de Demanda de Energia Elétrica no Curtíssimo Prazo
Redes Neurais Artificiais Dinâmicas Aplicadas na Previsão de Demanda de Energia Elétrica no Curtíssimo Prazo Luciano Carli Moreira de Andrade Mário Oleskovics Departamento de Engenharia Elétrica e de Computação
Leia maisEstudo de Relações entre Perdas e Custo Total de Propriedade em Transformadores no Contexto da Eficiência Energética
Estudo de Relações entre Perdas e Custo Total de Propriedade em Transformadores no Contexto da Eficiência Energética Elvio Prado da Silva 1,2, Iuri Muniz Pepe 1 1 UFBA-Universidade Federal da Bahia - LaPO.
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 maisExperiência I Lab. de Conv. Eletrom. de Energia B Prof. N.SADOWSKI GRUCAD/EEL/CTC/UFSC 2005/2
Experiência I Obtenção Experimental dos Parâmetros do Circuito Equivalente do Motor de Indução Trifásico Ensaio com o Rotor Travado e Ensaio a Vazio O Laboratório de Máquinas Elétricas do Departamento
Leia maisDécimo Quinto Encontro Regional Ibero-americano do CIGRÉ Foz do Iguaçu-PR, Brasil 19 a 23 de maio de 2013
A ESTIMAÇÃO DO VALOR EFICAZ DAS TENSÕES TRIFÁSICAS EM PONTOS ESTRATÉGICOS DE UM SISTEMA DE DISTRIBUIÇÃO VIA REDES NEURAIS ARTIFICIAIS F. B. Bottura* F. S. P. Camargo* M. Oleskovicz* R. C. Santos** * Universidade
Leia maisLABORATÓRIO INTEGRADO II
FACULDADE DE TECNOLOGIA E CIÊNCIAS EXATAS CURSO DE ENGENHARIA ELÉTRICA LABORATÓRIO INTEGRADO II Experiência 05: MOTOR TRIFÁSICO DE INDUÇÃO ENSAIOS: VAZIO E ROTOR BLOQUEADO Prof. Norberto Augusto Júnior
Leia maisExperimento 6 Laço de histerese
Experimento 6 Laço de histerese 1. OBJETIVO Obter a curva BH do material magnético de um transformador monofásico por meio do ensaio experimental. A partir da curva BH, identificar o tipo do material (mole,
Leia maisSEL 329 CONVERSÃO ELETROMECÂNICA DE ENERGIA. Aula 05
SEL 39 CONVERSÃO ELETROMECÂNICA DE ENERGIA Aula 05 Revisão da Aula 04 Excitação em corrente alternada: E E πfn max rms φmax 4,44 fnφmax 4,44 fna n max e φ E t Φ Revisão da Aula 04 Indutância: L N l µ A
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 maisESTUDO DE ALGORITMO MLP COMO APROXIMADOR DE FUNÇÃO
Congresso Técnico Científico da Engenharia e da Agronomia CONTECC 2016 Rafain Palace Hotel & Convention Center- Foz do Iguaçu - PR 29 de agosto a 1 de setembro de 2016 ESTUDO DE ALGORITMO MLP COMO APROXIMADOR
Leia maisAULA LAB 03 TRANSFORMADORES E INDUTORES
CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA DE SANTA CATARINA DEPARTAMENTO ACADÊMICO DE ELETRÔNICA Retificadores (ENG - 20301) AULA LAB 03 TRANSFORMADORES E INDUTORES 1 INTRODUÇÃO Os transformadores e indutores
Leia maisRedes Neurais. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
Leia maisENGC25 - ANÁLISE DE CIRCUITOS II
ENGC25 - ANÁLISE DE CIRCUITOS II Módulo V CIRCUITOS ACOPLADOS MAGNETICAMENTE INTRODUÇÃO AOS TRANSFORMADORES UFBA Curso de Engenharia Elétrica Prof. Eugênio Correia Teixeira Campo Magnético Linhas de fluxo
Leia maisFelix da Cunha 412, Pelotas RS Home-Page: s: Bolsista BIC/FAPERGS
UTILIZAÇÃO DE REDES NEURAIS PARA PREVISÕES EM SÉRIES TEMPORAIS 1 A. T. Gonçalez, A. C. R. Costa, G. P. Dimuro UCPEL Universidade Católica de Pelotas, ESIN Escola de Informática GMFC Grupo de Matemática
Leia maisEstimação da Concentração de Flúor na Alumina Fluoretada Proveniente de uma Planta de Tratamento de Gases por meio de um Sensor Virtual
Estimação da Concentração de Flúor na Alumina Fluoretada Proveniente de uma Planta de Tratamento de Gases por meio de um Sensor Virtual Alan Marcel F. de Souza 1, Carolina de M. Affonso 2, Fábio M. Soares
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisUma Nova Modelagem de Transformadores Trifásicos para Análise Harmônica em Sistemas de Distribuição. ENERSUL Energias do Brasil
21 a 25 de Agosto de 26 Belo Horizonte - MG Uma Nova Modelagem de Transformadores Trifásicos para Análise Harmônica em Sistemas de Distribuição Eng. Me. Thiago M. Morais ENERSUL Energias do Brasil thiago@enersul.com.br
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 maisFONTES DE SOLDAGEM A ARCO VOLTAICO
7/0/06 FONTES DE SOLDAGEM A ARCO VOLTAICO Fontes de energia para soldagem a arco voltaico podem ser consideradas simplesmente como o ponto de alimentação da energia elétrica ao processo. Entretanto, as
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Aplicações em Telecomunicações Prof. João Marcos Meirelles da Silva, D.Sc. Professor Adjunto II do Departamento de Engenharia de Telecomunicações Universidade Federal Fluminense
Leia maisTransformadores elétricos (trafos)
Transformadores elétricos (trafos) Dispositivo que converte, por meio da ação de um campo magnético, a energia elétrica CA em uma certa frequência e nível de tensão em energia elétrica CA de mesma frequência,
Leia maisAULA LAB 02 TRANSFORMADORES E INDUTORES
CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA DE SANTA CATARINA DEPARTAMENTO DE ELETRÔNICA Retificadores (ENG - 20301) AULA LAB 02 TRANSFORMADORES E INDUTORES 1 INTRODUÇÃO Os transformadores e indutores são componentes
Leia maisLABORATÓRIO DE CONVERSÃO ELETROMECÂNICA DE ENERGIA. PRÁTICA #1 - CIRCUITOS MAGNÉTICOS (2 aulas)
LABORATÓRIO DE CONVERSÃO ELETROMECÂNICA DE ENERGIA PRÁTICA #1 - CIRCUITOS MAGNÉTICOS (2 aulas) Professores: Eduardo Nobuhiro Asada, Elmer Pablo Tito Cari, José Carlos de Melo Vieira Junior, Luís Fernando
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 maisCircuitos Elétricos. Prof. Me. Luciane Agnoletti dos Santos Pedotti
Circuitos Elétricos Prof. Me. Luciane Agnoletti dos Santos Pedotti Circuitos Magnéticos Os circuitos magnéticos são empregados com o intuito de concentrar o efeito magnético em uma dada região do espaço.
Leia maisFísica IV. Prática 1 Sandro Fonseca de Souza. quarta-feira, 1 de abril de 15
Física IV Prática 1 Sandro Fonseca de Souza 1 1 Normas e Datas Atendimento ao estudante: Terça-Feira de 10:00-11:00 na sala 3006 A (ou na 3050F). Presença é obrigatória as aulas de lab. e os alunos somente
Leia maisPrevisão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
Leia maisExperimento 4 Projeto de transformador monofásico utilizando a curva de histerese
Experimento 4 Projeto de transformador monofásico utilizando a curva de histerese 1. OBJETIVO Dimensionar um pequeno transformador monofásico utilizando o método de projeto apresentado neste roteiro. Prototipar
Leia maisII Seminário da Pós-graduação em Engenharia Elétrica
MODELAGEM DE TRANSFORMADORES DE CORRENTE PARA USO EM ESTUDOS DE PROTEÇÃO DE SISTEMAS ELÉTRICOS Fernando de Almeida Borges Aluno do Programa de Pós-Graduação em Engenharia Elétrica Unesp Bauru Prof. Dr.
Leia maisESTUDO DO PROCESSO DE LAMINAÇÃO DE FIOS DE COBRE: INFLUÊNCIA DAS PROPRIEDADES MECÂNICAS E DA TEMPERATURA DE PROCESSAMENTO
UNIVERSIDADE DO ESTADO DE SANTA CATARINA UDESC CENTRO DE CIÊNCIAS TECNOLÓGICAS CCT DEPARTAMENTO DE ENGENHARIA MECÂNICA DEM PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA E ENGENHARIA DE MATERIAIS - PGCEM RODRIGO
Leia mais4 CIRCUITO EQUIVALENTE PARA TRANSFORMADORES TRIFÁSICOS
34 4 CIRCUITO EQUIVLENTE PR TRNSFORMDORES TRIFÁSICOS 4.1 INTRODUÇÃO caracterização dos bancos trifásicos, formados por transformadores monofásicos (mostrados nas Figura 13 (b), Figura 14 (b), Figura 15
Leia maisThiago Christiano Silva
Thiago Christiano Silva Conteúdo Conceitos Relevantes Problemas de Otimização Conceitos de Estabilidade e Convergência Teoremas de Lyapunov Rede Neural de Hopfield Aplicações do modelo de Hopfield Clusterização
Leia maisLaboratório de Conversão Eletromecânica de Energia B
Laboratório de Conversão Eletromecânica de Energia B Prof a. Katia C. de Almeida 1 Característica de Magnetização da Máquina de Corrente Contínua 1.1 Introdução Máquinas de corrente contínua (MCC) devem
Leia mais