CARACTERIZAÇÃO AUTOMÁTICA DE PELOTAS DE MINÉRIO DE FERRO. Aluno: Pedro Thiago do Nascimento Santos. Orientadores: Sidnei Paciornik.
|
|
- Ana Carneiro Teves
- 6 Há anos
- Visualizações:
Transcrição
1 CARACTERIZAÇÃO AUTOMÁTICA DE PELOTAS DE MINÉRIO DE FERRO Aluno: Pedro Thiago do Nascimento Santos Orientadores: Sidnei Paciornik Karen Augusto 1 Introdução O minério de ferro é um dos maiores recursos para o avanço de um país. O Brasil é o 2º maior exportador de minério de ferro e esta atividade é a mais rentável dentre as que o país pratica. O minério de ferro passa por processos de tratamento (etapa de beneficiamento, processo de aglomeração e processo térmico) e são transportados, ao final, como pelotas, sínter ou minério granulado. As pelotas, no qual constitui o foco do trabalho, são produzidas com a técnica de aglomeração, chamada de pelotização, onde se transforma finos de minérios de ferro em uma forma conjuntada de uma bola de ferro, por isso o nome pelota de ferro. A principal forma de caracterizar a qualidade de uma pelota é através de microscópio ótico. Como a refletância das fases da pelota são bem definidas, em geral, é utilizado um microscópio ótico de luz refletida. Através da análise da microestrutura da pelota, por meio de um técnico, pode-se avaliar se a pelota está pronta para transporte. Com a parceria entre o Laboratório de Processamento Digital de Imagens (LPDI) do Departamento de Engenharia Química e de Materiais (DEQM), a Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio) e a Vale, está sendo desenvolvido um processo automático de caracterização de pelotas de minério de ferro baseado em Processamento e Análise Digital de Imagens. A partir dessa técnica é possível fazer medidas impossíveis de se obter manualmente, automatizando todo o processo de classificação baseado em reconhecimento de padrões. Assim, uma imagem obtida através de microscópio ótico é processada por uma rotina implementada em um ambiente de programação e classificada com um grau de maturação, o qual é definido de
2 acordo com as características microestruturais das pelotas. 2 Revisão do Tema 2.1 Minério de ferro Mineral é toda substância sólida, inorgânica, cristalina e que tem propriedade química e física bem determinada, resultado de evento geológico, sem intervenção humana, Existem muitos tipos diferentes de minerais de ferro, mas o que é mais utilizado para a transformação no ferro primário é o óxido de ferro. O minério de ferro desse estudo é constituído basicamente de hematita. Cada tipo de minério de ferro com características e granulometria diferentes, passa por tipos diferentes de processos. No caso da pelota, finos de minério de ferro passam pelo processo de pelotização. Este processo transforma o minério, que antes seria rejeitado, em objetos aproximadamente esféricos de diâmetros de 12 mm (no caso da Vale), que são chamados de pelota de minério de ferro. 2.2 Processo de pelotização A pelotização é um processo de aglomeração de finos de minérios de ferro (tamanho inferior a 0,15 mm) para formação de esferas com granulometria adequada para serem utilizadas no processo siderúrgico. O processo de obtenção da matéria prima principal, o pellet feed, é na etapa de britagem e separação dos minérios de ferro. Além de aglomerantes e aditivos, utilizados para aumentar a resistência mecânica, também é adicionada água no processo, atuando como agente de ligação entre as partículas de pellet feed Formação das pelotas cruas Por ser uma etapa crítica, muitos estudos estão sendo feitos acerca dessa etapa. É preciso entender o mecanismo de aglomeração para poder aperfeiçoar o processo. O processo de Pelotização pode ser visualizado na Erro! Fonte de referência não encontrada., a figura mostra cada etapa do processo. Na primeira etapa, as partículas são umedecidas. Assim cada partícula adquire um filme fino em torno de si, onde outras partículas se aderem ao entrar em contato. À medida que as partículas vão se tocando, em um equipamento rotacional, um núcleo vai sendo formado. O núcleo aumenta de tamanho, conforme mais partículas vão se juntando. No final do processo tem-se um aglomerado de minério de ferro em
3 forma de uma esfera, que é chamado de pelota de minério de ferro. O processo pode ser visto em analogia como uma bola de neve rolando para baixo1 numa montanha. Figura 1: Processo de Pelotização [1] Endurecimento das pelotas cruas Depois de formada as pelotas cruas, elas precisam ser endurecidas para que possam ser transportadas e não sofrerem perda de qualidade. Esse processo de endurecimento é feito com um tratamento térmico em uma atmosfera controlada. As etapas podem ser dividas em: secagem, pré-queima, queima, pós-queima e resfriamento. A etapa de queima é feita em aproximadamente 1300ºC. Esta etapa é fundamental para a obtenção das características mecânicas e para o processo metalúrgico. A resistência mecânica está diretamente relacionada ao tamanho dos cristais obtidos nesta etapa, que por sua vez está relacionado ao tempo de permanência e temperatura da etapa. Logo, é preciso que a temperatura esteja abaixo do ponto de fusão, mas acima do ponto de reatividade dos componentes, para que as primeiras pontes cristalinas possam ser formadas. Temperaturas maiores que esta ocasiona o arredondamento dos cristais e maior crescimento das partículas. Porém, dependendo das condições, pode dissociar a hematita em magnetita e oxigênio, causando perda da resistência mecânica. A última etapa é o resfriamento, que, caso seja feito rápido demais, gera trincas e perde-se qualidade do material. 2.3 Grau de maturação No trabalho anterior, a classificação de pelotas foi dividida em quatro classes denominada grau de maturação: A, B, C e D [1]. Porém, algumas imagens das pelotas de classe B tem semelhança com imagens da classe C, e outras imagens da classe B possuem características
4 distintas da classe C. Por isso, neste trabalho, foi feita uma nova convenção de grau de maturação. As imagens da classe B que possuem características distintas de C passaram a se chamar B-extremo (B-ext), e as imagens da classe B que possuem semelhança com a classe C e as imagens de classe C foram incluídas em uma classe única denominada BC. A classe D continuou com a mesma definição anterior. Então são consideradas as classes B-ext, BC e D. A seguir serão descritas características de cada classe Grau B-ext Como mostrado na figura 3. Este é o estágio inicial de adesão às partículas e o estado inicial ao ajusto morfológico, porém a coesão entre as partículas ainda é baixa. A resistência ainda é muito baixa para ir ao processo metalúrgico. Neste grau nota-se a presença de ferrito de cálcio e aparecimento de poros. 70µm Figura 2: Pelota típica do grau B-ext.
5 2.3.2 Grau BC Como mostrado na figura 4. O ajuste morfológico é intenso e a estrutura torna-se mais compacta, propiciada pelo maior ajuste da hematita e pela assimilação de demais óxido devido à liquefação do ferrito de cálcio. Pode-se perceber a ponte de escória líquida existente entre os grãos e as partículas arredondadas, o que caracteriza uma pelota de grau BC. Com esta microestrutura, a pelota apresenta uma melhor resistência mecânica. 70µm Figura 3: Pelota típica do grau BC.
6 2.3.3 Grau D Como mostrado na figura 5. O ajuste morfológico é completo, as partículas apresentam formas irregulares, compostas por pequenos poros os quais foram envoltos pela coalescência. Apesar de mais compacta, a pelota com esse grau começa a perder resistência mecânica. 70µm Figura 4: Pelota típica do grau D. 2.4 Classificação Automática Base de dados (Instâncias) Para obter um bom classificador é preciso de uma base de dados com um conjunto genérico e com grande número de amostras para cada tipo de classe do problema. Isto é, o conjunto precisa ser grande, pois quanto maior a quantidade de amostras de uma determinada classe, mais informação será fornecida ao classificador e maior será a separação entre as classes, e o classificador poderá classificar uma amostra desconhecida com maior precisão. E o conjunto precisa ser genérico, abrangendo diversos tipos de amostras, para no caso de classificar imagens de uma mesma classe com características um pouco diferentes.
7 2.4.2 Parâmetros (Atributos) A base de dados é formada por instâncias (imagens), e cada instância tem seus atributos (parâmetros ou medidas). Estes atributos são extraídos das imagens formando um conjunto de medidas. Cada classe tem um conjunto característico de medidas. A análise dessas medidas características permite que o classificador distingua as classes. A comparação dessas medidas com as de um novo objeto permite ao classificador predizer a qual classe o objeto pertence Treinamento Treinamento é processo de obtenção das amostras das imagens de cada classe das pelotas, a separação dessas imagens para cada classe a qual elas pertencem e finalmente a extração de medidas dos atributos que serão utilizados na classificação Autovalidação É uma técnica de validação utilizada para testar a eficácia do classificador. Os elementos são treinados e é gerado um classificador. Este classificador é validado no próprio conjunto de imagens utilizado no treinamento. Por este método gerar um classificador que foi validado com imagens que ele já conhece, terá taxas de acerto maiores, porém menos reais Validação cruzada (Cross Validation) É uma técnica de validação utilizada para testar a eficácia do classificador. Dada uma base de dados com vários elementos, a validação cruzada separa esse conjunto em subconjuntos. Partes destes subconjuntos são utilizadas para treinar e gerar o classificador, que é testado sobre outra parte destes subconjuntos que não entrou no conjunto de treinamento. O processo é repetido diversas vezes, porém com novos subconjuntos de treino e teste. O processo termina quando todos os subconjuntos foram utilizados como teste. A eficácia do classificador será medida através da taxa de acerto global e de cada classe. Por este método gerar um classificador que é testado em dados desconhecidos por ele, os resultados das taxas de acerto serão menores, porém mais aproximados da realidade Validação sobre uma base de teste Este teste é realizado com uma base de dados desconhecida, não incluída na base de treino. Este teste tem um resultado mais confiável, pois a base de teste é obtida de outras fontes, sejam imagens obtidas em condições pouco diferentes ou de amostras diferentes, enquanto que a autovalidação e a validação cruzada tem instâncias na base de dados que foram obtidas da mesma fonte.
8 2.4.7 Escolha do classificador Para esta pesquisa, foi utilizado o software Weka, que contém algoritmos de classificação já implementados. Algoritmos de classificação são utilizados em aprendizado de máquina (Machine Learning) para gerar um modelo de classificação e assim inferir a classe de alguma instância que for dada para este modelo. Cada algoritmo de classificação possui uma forma de inferir a classe. O algoritmo Ibk, por exemplo, verifica as instâncias do modelo que tem o módulo da distância mais próxima (considerando um plano de n dimensões onde n é a quantidade de atributos) do elemento sendo classificado; já o algoritmo Perceptron utiliza o conceito de redes neurais. Inicialmente foram testados diversos classificadores utilizando a mesma base de treino e sendo testado através do método de validação cruzada. O classificador que apresentasse melhor comportamento nos testes, isto é, o que apresentasse a melhor matriz de confusão, taxa de acerto e tempo de processamento, seria utilizado para seguir na pesquisa adiante. 3 Objetivos Construir um classificador automático do grau de maturação de pelotas de minério de ferro com a nova definição de grau de maturação, identificando os problemas na qualidade das imagens que podem afetar o sistema de classificação. 4 Materiais e Métodos Experimentais 4.1 Pelotas de minério de ferro As pelotas utilizadas na pesquisa foram cedidas pela Vale. Ao todo, imagens de nove pelotas foram utilizadas para treinar o classificador, e outras 6 pelotas foram utilizadas para testar o classificador. 4.2 Microscópio ótico digital Utilizou-se o microscópio ótico Zeiss Imager M2m, com câmera digital Zeiss AxioCam HR (campo claro, resolução de 1300x1030 pixels e quantização de 8 bits) e controlado pelo software AxioVision, do Laboratório de Microscopia Digital do DEQM/PUC-Rio.
9 Figura 2: Microscópio utilizado para obter as imagens. 4.3 Softwares Weka O software Weka, sigla para Waikato Environment for Knowledge Analysis, é um software muito utilizado para área de Data mining e Aprendizado de máquina [2]. Ele possui diversos algoritmos de classificação (Naive Bayes, árvores de decisão, Perceptron, etc) para identificar padrões. O Weka possui algumas vantagens, tais como: interface gráfica amigável, o que facilita seu uso; o software está disponível gratuitamente na internet de acordo com GNU General Public License; e tem uma coleção de algoritmos de pré-processamento e técnicas de modelagens. Como o Weka possui este ambiente específico para classificação, ele foi utilizado para treinar e gerar resultados da validação do classificador IrfanView Este software permite alterações de características das imagens, tais como brilho, contraste e nitidez. Este software foi utilizado para alterar as características das imagens e verificar quais parâmetros eram sensíveis a essas modificações.
10 4.3.3 ImageJ Este software permite diversas manipulações em imagens obtidas através de microscópio. Possui diversos plug-ins e funções de processamento de imagens. O software foi utilizado na pesquisa na etapa de processamento de imagens (pré-processamento, segmentação e extração de atributos) e também na etapa de alteração de nitidez das imagens. 5 Resultados e Discussões A pesquisa foi dividida em quatro partes: 1. A aquisição das imagens através de um microscópio ótico 2. Extração de atributos. 3. A validação do classificador (através de três técnicas): a. Autovalidação b. Validação cruzada c. Aplicação em imagens desconhecidas 4. Investigação dos parâmetros afetados pela qualidade da imagem, que consequentemente pioram o sistema de classificação. 5.1 Aquisição das imagens através de um microscópio ótico Foram obtidos nove mosaicos de cada pelota com a lente de 20x do microscópio em campo claro, os parâmetros de brilho e contraste foram ajustados pelo próprio AxioVision (software do microscópio). O mosaico possui um conjunto de imagens contínuas da amostra, isto é, cada imagem do mosaico corresponde a um campo da pelota. A análise visual das características de cada campo do mosaico permitiu classificá-los em uma das classes. Uma vez identificada a classe da imagem, a mesma foi separada junto com as outras imagens da mesma classe para posterior medição dos atributos. Algumas imagens eram inadequadas para constituir o conjunto a ser classificado. Ou seja, imagens com sujeira, desfocadas, pertencentes à borda da pelota, contendo grandes poros ocupando quase todo o campo, de classificação confusa etc, não foram utilizadas na pesquisa.
11 5.2 Extração de atributos Com as imagens das pelotas classificadas e separadas manualmente, teve início a segunda parte da pesquisa. Uma rotina de extração de atributos foi aplicada nas imagens. Essa rotina mediu 44 atributos de cada imagem, alguns dos quais medem tamanho, forma do objeto, textura, entre outras características da imagem. Mais detalhes a cerca destes atributos podem ser encontrado nas referências [1]. Com isso, foi gerado um banco de dados contendo 1654 instâncias, referentes às imagens das pelotas, e os 44 atributos de cada uma dessas instâncias. Este banco de dados foi chamado de base de treino. A rotina principal foi criada utilizando a linguagem de programação Scheme. Esta rotina contém um conjunto de outras rotinas implementadas em outras linguagens, tais como Octave e Clojure. A linguagem Clojure possui interface com o programa ImageJ, desta forma é possível chamar as funções do software ImageJ. 5.3 Validação do classificador Foi necessário testar alguns algoritmos de classificação para gerar o classificador. Os algoritmos de classificação foram testados sobre a base de treino, utilizando os métodos de autovalidação e de validação cruzada, e sobre uma base de teste (Ver seção 2.4.6). A base de teste possui imagens das nove pelotas utilizadas na pesquisa, porém diferentes das imagens que foram utilizadas para gerar o classificador. Tabela1: Resultados de testes dos diferentes algoritmos de classificação disponíveis pelo Weka Classificador Autovalidação (%) Validação Cruzada (%) Base Teste (%) OneR 86,9 83,0 78,7 Naive Bayes 94,4 94,4 88,8 IBK 98,2 97,5 90,4 J48 99,5 97,5 91,4 Random Forest 100,0 98,1 94,4 Redes Neurais 100,0 98,6 93,9 Percebe-se que os dois melhores classificadores foram o Random Forest e Redes Neurais. Apesar do Redes Neurais ter apresentado melhor taxa de acerto na validação cruzada, foi escolhido para a pesquisa o classificador Random Forest pela razão dele ter um tempo de construção do modelo mais rápido do que o Redes Neurais e ter apresentado melhor resultado na validação sobre uma base de teste desconhecida. O Random Forest construiu o modelo em 0.45 s,
12 já o Rede Neurais construiu em s. Como dito anteriormente, o classificador que apresentasse o melhor comportamento para a resolução do problema seria o utilizado ao longo da pesquisa e, neste caso, escolheu-se o Random Forest. Como as imagens da base de teste, neste momento, estavam indiretamente relacionadas, pois eram da mesma fonte, foi considerado aplicar o classificador em uma nova base de teste com a fonte diferente das pelotas que compuseram o classificador. Para isso, utilizou-se 7 bases de teste, referentes à imagens de mosaicos de 6 amostras diferentes enviados pela. Neste trabalho, essas bases de teste das amostras foram denominadas M (abreviação para mosaico). A base de treino é a mesma, com o mesmo algoritmo de classificação (Random Forest), variando-se apenas as bases de teste. Tabela 2: Bases de testes e seus resultados Base teste Taxa de Acerto (%) M1 80,6 M2 47,1 M3 65,2 M4 81,3 M5 63,6 M6 81,3 Os resultados dos testes foram negativos exceto para as bases M1, M4 e M6. Para entender o comportamento do classificador nestes resultados ruins, desenvolveu-se uma metodologia, que consiste em modificar características das imagens, como explicado no item a seguir. 5.4 Procedimento da investigação do resultado negativo A investigação consistiu em gerar novos bancos de dados obtidos a partir de imagens com características alteradas, e, em seguida, testar essas bases, utilizando uma determinada base de treino e o mesmo classificador Random Forest, comparando-se os resultados com o teste na base original (composta de imagens não alteradas). Assim, 300 imagens (100 de cada classe) foram separadas para alteração das características. Foram alteradas as características relativas a brilho, contraste e nitidez, utilizando-se o software Irfan View. A característica de nitidez também foi alterada utilizando-se o filtro passa-baixa de raio 2 e de raio 5 do software ImageJ. Os resultados encontram-se na Tabela 3.
13 Tabela 3: Resultados das bases com características alteradas e a base original. Característica Taxa de Acerto (%) Original 99,0 Brilho 99,0 Contraste 99,0 Sharpness=50 94,0 Sharpeness=99 67,0 Passa Baixa=2 60,0 Passa Baixa=5 60,0 As mudanças das características de brilho e contraste não variaram os resultados em relação ao teste da base original. Porém para a nitidez, referente às linhas Sharpeness e Passa Baixa na tabela, houve uma piora nos resultados. Então, novas investigações foram feitas, seguindo a linha de alteração da característica de nitidez, só que, desta vez, alterando-se o foco no próprio microscópio, ou seja, desfocando a imagem. Nesta nova investigação, a base com alteração de foco foi comparada com as imagens em autofoco. Foram feitas duas modificações nas imagens: uma com alteração de foco em 3µm e outra com alteração em 6µm. A alteração do foco foi feita da seguinte maneira: primeiramente adquiriu-se imagens em foco, utilizando-se a função de Autofoco disponível no software AxioVision. Em seguida, a posição do foco do microscópio foi alterada sistematicamente, através do software, e adquiriram-se essas imagens fora de foco. Depois, toda a rotina de treinamento, extração de atributos e classificação foi feita em cima de todas essas imagens e os resultados obtidos foram comparados. Tabela 4: Resultados de alterações de foco. Foco Taxa de acerto (%) Autofoco 97,0 3µm 97,0 6µm 56,6
14 Os resultados mostram que as imagens em Autofoco obtiveram boa taxa de acerto, porém era esperada uma taxa de acerto menor em 3µm. Este resultado pode ser explicado pelo fato de que esta alteração de foco não foi suficiente para alterar a qualidade da imagem e piorar a classificação. A taxa de acerto em 6µm está de acordo com a hipótese de que a nitidez altera o resultado da classificação. Com as bases de dados, contendo as medidas das imagens, pôde-se observar a variação dos atributos das bases alteradas em relação às bases originais. Para isso foi feita uma média da variação das medidas das bases alteradas em relação às medidas da base original. Foi gerado um gráfico contendo essas variações, que é apresentado na Figura 7. Figura 7: Média da variação das medidas da base alterada em 6µm.
15 Em seguida, foi feita a remoção destes atributos sensíveis, isto é, com maior variação entre a base das imagens alteradas e a base das imagens originais, a fim de verificar uma melhora no sistema de classificação. O gráfico que teve maior influência na decisão da seleção desses atributos foi o gráfico obtido a partir das imagens com alteração de 6µm de foco, pois este tipo de alteração se assemelha mais ao que poderá ocorrer na realidade. Entretanto, também foi verificado que esses parâmetros também foram sensíveis nas alterações utilizando-se o Sharpeness e o Passa-baixa. Foram retirados 10 parâmetros, sobrando então 34 parâmetros que continuaram sendo usados para a classificação. Os parâmetros removidos foram: P1, P6 a P9, P18, P26, P32 a P34. Estas bases foram testadas novamente e foram verificados os resultados de classificação. Os resultados para as bases com a qualidade alterada, com remoção dos parâmetros supracitados e com os 44 parâmetros originais encontram-se na Tabela 5. Tabela 5: Resultados dos testes de remoção de parâmetros Característica Parâmetros removidos (%) Parâmetros originais (%) Sharpness=99 89,3 67,0 Passa baixa=2 77,3 60,0 Alteração de foco em 6µm 73,3 56,6 Os resultados com os parâmetros removidos melhoraram para os três métodos de alteração nas imagens testados: sharpeness, passa baixa, alteração de foco em 6µm. Baseado nisto, foi verificado se a retirada destes mesmos parâmetros nas bases de treinamento e de teste utilizada no início da pesquisa, referentes aos mosaicos M, melhoraria a classificação que havia sido muito ruim. Os resultados encontram-se na Tabela 6. Tabela 6: Resultado dos testes para as bases M com parâmetros sensíveis removidos Mosaico Parâmetros removidos (%) Parâmetros originais (%) M1 72,2 80,6 M2 45,0 47,1 M3 65,1 65,2 M4 83,5 81,3 M5 57,8 63,6 M6 69,5 81,3
16 Como pode-se visualizar, os resultados pioraram com a remoção dos 10 parâmetros no caso dos mosaicos M de teste, indicando que o problema de classificação, neste caso, não parece ter a ver com a qualidade da imagem. 6 Conclusões Uma metodologia de classificação automática de características microestruturais de pelotas de minério de ferro foi desenvolvida. A classificação teve bons resultados para alguns testes, tais como autovalidação e validação cruzada ou aqueles contendo imagens desconhecidas, porém de uma mesma fonte da utilizada para treinar. Para testes utilizando bases de dados de outras fontes não se obtém bons resultados. Também foi desenvolvida uma metodologia para investigação das classificações ruins, avaliando-se o comportamento do classificador em imagens com qualidade alterada. As alterações em características de brilho, contraste e nitidez não alteram a classificação das pelotas. Isto é importante, pois permite que imagens obtidas com contrastes e brilhos diferentes possam produzir o mesmo resultado. Imagens com alteração de foco em 3µm não alteram a classificação, permitindo que mesmo imagens com foco minimamente alterado possam ser classificadas corretamente. Imagens com alteração de foco superior ou igual a 6µm pioram a qualidade do classificador. A remoção de parâmetros sensíveis à nitidez melhora o resultado da classificação para as bases de uma mesma fonte testadas. Por outro lado, os parâmetros removidos não são a causa do problema que afetava a classificação dos mosaicos M, pois os parâmetros removidos ainda pioraram a classificação. Pretende-se, em trabalhos futuros, continuar investigando os possíveis problemas de classificação em amostras pouco diferentes das utilizadas na geração do classificador.
17 7 Referências 1. Augusto, Karen Soares. Identificação automática do grau de maturação de pelotas de minério de ferro. Dissertação de Mestrado. Rio de Janeiro Mark Hall, Eibe Frank, Geoffrey Holmes, Bernhard Pfahringer, Peter Reutemann, Ian H. Witten (2009); The WEKA Data Mining Software: An Update; SIGKDD Explorations, Volume 11, Issue 1.
CARACTERIZAÇÃO AUTOMÁTICA DE AGLOMERADOS DE MINÉRIO DE FERRO
CARACTERIZAÇÃO AUTOMÁTICA DE AGLOMERADOS DE MINÉRIO DE FERRO Alunos: Debora Turon Wagner e Gustavo Schinazi Orientador: Sidnei Paciornik Introdução O consumo específico do aço vem crescendo ao longo dos
Leia mais4 Microscopia Microscopia Ótica de Luz Refletida em Campo Claro
47 4 Microscopia Tendo em vista a importância do estudo da microestrutura das pelotas de minério de ferro, a técnica de caracterização por microscopia é bastante utilizada para este fim. Dentre os diversos
Leia mais7 Resultados e Discussão
114 7 Resultados e Discussão A fim de avaliar a importância da utilização de imagens polarizadas em medidas de textura, cujo processamento necessita de imagens nos dois modos de captura (campo claro e
Leia mais3 Pelotas de Minério de Ferro
29 3 Pelotas de Minério de Ferro As pelotas são aglomerados de finos de minério de ferro pellet feed gerados na lavra. Junto com o sínter e o minério granulado, as pelotas são as principais cargas de alimentação
Leia maisCLASSIFICAÇÃO AUTOMÁTICA DE FRAÇÕES DE FASE EM UM AÇO BIFÁSICO
CLASSIFICAÇÃO AUTOMÁTICA DE FRAÇÕES DE FASE EM UM AÇO BIFÁSICO Aluno: Mayara Guilherme Marzano Orientadores: Sidnei Paciornik e Marcos Henrique de Pinho Maurício Resumo Desenvolver procedimentos automáticos,
Leia maisImplementação de um Modelo para Previsão de Evasão Escolar no IFSULDEMINAS
6ª Jornada Científica e Tecnológica e 3º Simpósio de Pós-Graduação do IFSULDEMINAS 04 e 05 de novembro de 2014, Pouso Alegre/MG Implementação de um Modelo para Previsão de Evasão Escolar no IFSULDEMINAS
Leia mais5 Resultados e Discussões
5 Resultados e Discussões Este capítulo apresenta os resultados obtidos no presente trabalho assim como sua discussão. São apresentados os resultados do registro realizado nas imagens capturadas empregando
Leia mais5 Resultados e Discussão
5 Resultados e Discussão Neste capítulo serão expostos e discutidos os resultados obtidos no presente trabalho. Estes resultados mostram a importância das diferentes técnicas de aquisição, com captura
Leia maisCARACTERIZAÇÃO AUTOMÁTICA DE MINÉRIO DE FERRO
CARACTERIZAÇÃO AUTOMÁTICA DE MINÉRIO DE FERRO Aluna: Debora Turon Wagner Orientador: Sidnei Paciornik Introdução O consumo específico do aço vem crescendo ao longo dos últimos 100 anos, com parcela cada
Leia mais3 Processamento e Análise Digital de Imagens
41 3 Processamento e Análise Digital de Imagens O Processamento Digital de Imagens (PDI) é em um conjunto de técnicas que utiliza operações matemáticas para alterar os pixels de imagens digitais. O PDI
Leia maisIdentificação Automática do Grau de Maturação de Pelotas de Minério de Ferro
Karen Soares Augusto Identificação Automática do Grau de Maturação de Pelotas de Minério de Ferro Dissertação de Mestrado Dissertação apresentada como requisito parcial para obtenção do título de Mestre
Leia mais5 Investigações Preliminares
5 Investigações Preliminares 90 5 Investigações Preliminares Para proposição de uma abordagem para condução dos estudos propostos neste trabalho, foram realizadas investigações preliminares com intuito
Leia maisIdentificação de alertas de segurança virtual veiculados no Twitter
Identificação de alertas de segurança virtual veiculados no Twitter Orientador: Daniel M. Batista Coorientadora: Elisabeti Kira Instituto de Matemática e Estatística IME-USP 27 de Janeiro de 2015 Introdução
Leia maisINTRODUÇÃO AOS PROCESSOS METALÚRGICOS. Prof. Carlos Falcão Jr.
INTRODUÇÃO AOS PROCESSOS METALÚRGICOS Prof. Carlos Falcão Jr. Sucatas de ferro (componentes desgastados, quebrados) também servem como matériaprima. INTRODUÇÃO AOS PROCESSOS METALÚRGICOS 1) Matérias-primas
Leia mais5 Resultados e Discussões
5 Resultados e Discussões Este capítulo é dividido em três partes, com o objetivo de descrever e apresentar os resultados da metodologia utilizada para realização da análise quantitativa de ferro metálico,
Leia maisCARACTERIZAÇÃO AUTOMÁTICA DE AGLOMERADOS DE MINÉRIO DE FERRO
CARACTERIZAÇÃO AUTOMÁTICA DE AGLOMERADOS DE MINÉRIO DE FERRO Aluno: Debora Turon Wagner Orientador: Sidnei Paciornik Introdução O consumo do aço vem crescendo ao longo dos últimos 100 anos devido a sua
Leia maisMICROSCOPIA ÓPTICA AUTOMÁTICA COM PROCESSAMENTO DE IMAGENS APLICADA A ANÁLISE DE MINÉRIO DE FERRO, SÍNTER E PELOTAS*
184 MICROSCOPIA ÓPTICA AUTOMÁTICA COM PROCESSAMENTO DE IMAGENS APLICADA A ANÁLISE DE MINÉRIO DE FERRO, SÍNTER E PELOTAS* Alei Leite Alcantara Domingues 1 Valdirene Gonzaga de Resende 2 Ana Paula Calazans
Leia mais6 Materiais e Métodos
93 6 Materiais e Métodos Este capítulo descreve detalhadamente os procedimentos experimentais realizados neste trabalho, apresentando as técnicas e os equipamentos utilizados. 6.1. Materiais e Preparação
Leia maisPREDIÇÃO À EVASÃO ESCOLAR: Estudo de caso aplicado no IFSULDEMINAS Campus Passos RESUMO
PREDIÇÃO À EVASÃO ESCOLAR: Estudo de caso aplicado no IFSULDEMINAS Campus Passos Carla Fernandes da SILVA 1 ; Clayton Silva MENDES 2. RESUMO A evasão escolar é um dos principais desafios a ser superado
Leia maisAprendizado de Máquina
Aprendizado de Máquina Introdução ao WEKA Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://web.inf.ufpr.br/luizoliveira Luiz S. Oliveira (UFPR) Aprendizado de
Leia maisA Microtomografia Computadorizada de Raios-x Aplicada ao Estudo Tridimensional de Porosidade em Pelotas de Minério de Ferro
A Microtomografia Computadorizada de Raios-x Aplicada ao Estudo Tridimensional de Porosidade em Pelotas de Minério de Ferro Aluno: Mayara Guilherme Marzano Orientador: Sidnei Paciornik Resumo Desenvolver
Leia maisComparação de métodos de classificação da cobertura do solo urbano utilizando imagens IKONOS II com e sem o auxílio de dados LiDAR
Comparação de métodos de classificação da cobertura do solo urbano utilizando imagens IKONOS II com e sem o auxílio de dados LiDAR Leonardo Rodrigues de Deus 1 Rafael Santos 1 Leila Maria G. Fonseca 1
Leia maisDEFEITOS EM IMAGENS RADIOGRÁFICAS DE JUNTAS SOLDADAS EM TUBULAÇÕES: SEGMENTAÇÃO E EXTRAÇÃO DE DEFEITOS
DEFEITOS EM IMAGENS RADIOGRÁFICAS DE JUNTAS SOLDADAS EM TUBULAÇÕES: SEGMENTAÇÃO E EXTRAÇÃO DE DEFEITOS * Aluno do curso Tecnologia em Sistemas de Telecomunicações da UTFPR jvrsschaid@gmail.com ** Aluno
Leia maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular WEKA Tópicos Introdução Simuladores de MD Principais módulos André C. P. L. F. de Carvalho Monitor: Váléria Carvalho André Ponce de Leon de Carvalho 2 Usando MD
Leia maisMETALURGIA EXTRATIVA DOS NÃO FERROSOS
METALURGIA EXTRATIVA DOS NÃO FERROSOS PMT 2509 PMT 3409 Flávio Beneduce SEPARAÇÃO MAGNÉTICA SEPARAÇÃO MAGNÉTICA SEPARAÇÃO ELETROSTÁTICA Baseia-se nas diferenças de algumas de suas propriedades, tais como:
Leia maisAlternativas para construção de classificadores de solos brasileiros
48 Resumos Expandidos: XII Mostra de Estagiários e Bolsistas... Alternativas para construção de classificadores de solos brasileiros Matheus Agostini Ferraciolli¹ Luiz Manoel Silva Cunha² Resumo: Este
Leia maisAVALIAÇÃO DO ENVELHECIMENTO DE DUTOS COMPÓSITOS
AVALIAÇÃO DO ENVELHECIMENTO DE DUTOS COMPÓSITOS Aluna:Luiza Gabriela Araujo da Silva Professor: José Roberto Moraes d Almeida Objetivo O objetivo da fase inicial deste projeto é a caracterização do material
Leia maisMicroscopia Digital na Caracterização de Porosidade e Inclusões em Aços
Microscopia Digital na Caracterização de Porosidade e Inclusões em Aços Aluno: Júlia Nascimento Martins Orientador: Sidnei Paciornik e Valter Rocha dos Santos Introdução A principal motivação do projeto
Leia maisUma Metodologia para Caracterização de Sínter de Minério de Ferro: Microscopia Digital e Análise de Imagens
Julio César Álvarez Iglesias Uma Metodologia para Caracterização de Sínter de Minério de Ferro: Microscopia Digital e Análise de Imagens Dissertação de Mestrado Dissertação apresentada como requisito parcial
Leia maisClassificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si
Classificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si Classificação de Dados Os modelos de classificação de dados são preditivos, pois desempenham inferências
Leia maisProf. Heitor Silvério Lopes
Prof. Heitor Silvério Lopes WEKA WEKA: Waikato Environment for Knowledge Analysis Iniciado em 1992, versão estável atual: 3.8.1 É um software para mineração de dados desenvolvido em Java com código aberto
Leia mais4 Resultados e Discussão 4.1. Efeito da Resolução
4 Resultados e Discussão 4.1. Efeito da Resolução As imagens a 20X tem a vantagem de oferecer um melhor detalhe na quantificação das fases, mas tem a desvantagem de precisar analisar um número grande de
Leia maisProfessor: Eduardo R. Hruschka Estagiário PAE: Luiz F. S. Coletta
Professor: Eduardo R Hruschka Estagiário PAE: Luiz F S Coletta (luizfsc@icmcuspbr) Sumário Definição do projeto 1 Desenvolvimento de algoritmo de Aprendizado de Máquina (AM); 2 Pré-processamento dos dados;
Leia maisCARACTERIZAÇÃO DO MATERIAL OBTIDO A PARTIR DA REDUÇÃO PARCIAL DO Fe 2 O 3
CARACTERIZAÇÃO DO MATERIAL OBTIDO A PARTIR DA REDUÇÃO PARCIAL DO Fe 2 O 3 Aluno: Marina Doneda Orientador: Eduardo de Albuquerque Brocchi I - Introdução Os materiais quando nanoestruturados apresentam
Leia mais5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos
Leia mais6 - Microestrutura Fases
24 6 - Microestrutura 6-1. Fases Um cubo de gelo flutuando na água e a atmosfera que os envolve são exemplos dos três estados da matéria, sem dúvida, mas também são exemplos de fases (Figura 6-1). Uma
Leia maisAprendizado de Máquinas
Aprendizado de Máquinas Objetivo A área de aprendizado de máquina preocupa-se em construir programas que automaticamente melhorem seu desempenho com a experiência. Conceito AM estuda métodos computacionais
Leia maisProIn I. Cap 2a Beneficiamento do Aço. Prof. Henrique Cezar Pavanati, Dr. Eng
Instituto Federal de Santa Catarina Campus de Florianópolis Departamento Acadêmico de Metal-Mecânica Curso Técnico de Mecânica Industrial ProIn II Cap 2a ProIn I Prof. Henrique Cezar Pavanati, Dr. Eng
Leia maisPROJETO SEARA ESTUDOS DE CARACTERIZAÇÃO E CONCENTRAÇÃO DE AMOSTRA DE ITABIRITO FRIÁVEL
PROJETO SEARA ESTUDOS DE CARACTERIZAÇÃO E CONCENTRAÇÃO DE AMOSTRA DE ITABIRITO FRIÁVEL Introdução O Projeto Seara consiste na avaliação de uma formação ferrífera com aproximadamente 3,6 km de extensão
Leia maisTÍTULO: IDENTIFICAÇÃO DE CARACTERES APRESENTADOS A UMA CÂMERA POR MEIO DO MOVIMENTO DOS DEDOS DA MÃO DE UM SER HUMANO
Anais do Conic-Semesp. Volume 1, 2013 - Faculdade Anhanguera de Campinas - Unidade 3. ISSN 2357-8904 TÍTULO: IDENTIFICAÇÃO DE CARACTERES APRESENTADOS A UMA CÂMERA POR MEIO DO MOVIMENTO DOS DEDOS DA MÃO
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 maisCLASSIFICAÇÃO AUTOMÁTICA DE MACERAIS DE CARVÃO
CLASSIFICAÇÃO AUTOMÁTICA DE MACERAIS DE CARVÃO Aluno: Annita da Costa Fidalgo Orientador: Sidnei Paciornik Co-Orientador: Marcos Henrique de Pinho Mauricio Co-Orientadora: Karen Soares Augusto Introdução
Leia maisClassificação Automática de Gêneros Musicais
Introdução Método Experimentos Conclusões Utilizando Métodos de Bagging e Boosting Carlos N. Silla Jr. Celso Kaestner Alessandro Koerich Pontifícia Universidade Católica do Paraná Programa de Pós-Graduação
Leia maisPROCESSOS DE AGLOMERAÇÃO DE MINÉRIOS. Escola Politécnica da Universidade de São Paulo Depto. Eng. Metalúrgica e de Materiais
PROCESSOS DE AGLOMERAÇÃO DE MINÉRIOS Escola Politécnica da Universidade de São Paulo Depto. Eng. Metalúrgica e de Materiais Mineração CORPO DE MINÉRIO Hematita + ganga Fe 2 O 3 SiO 2, Al 2 O 3, CaO, MgO,
Leia maisSISTEMA AUTOMÁTICO PARA AVALIAÇÃO POSTURAL BASEADO EM DESCRITORES DE IMAGENS
SISTEMA AUTOMÁTICO PARA AVALIAÇÃO POSTURAL BASEADO EM DESCRITORES DE IMAGENS GIAN LUCAS DE OLIVEIRA PAIVA GRADUANDO EM ENGENHARIA ELETRÔNICA ORIENTADOR: PROF. CRISTIANO JACQUES MIOSSO DR. EM ENGENHARIA
Leia maisMINÉRIOS DE FERRO E PROCESSOS DE AGLOMERAÇÃO. Escola Politécnica da Universidade de São Paulo Depto. Eng. Metalúrgica e de Materiais
MINÉRIOS DE FERRO E PROCESSOS DE AGLOMERAÇÃO Escola Politécnica da Universidade de São Paulo Depto. Eng. Metalúrgica e de Materiais Mineração CORPO DE MINÉRIO Hematita + ganga Fe 2 O 3 SiO 2, Al 2 O 3,
Leia maisSEPARAÇÃO ÓPTICA DE MATÉRIAS PRIMAS
SEPARAÇÃO ÓPTICA DE MATÉRIAS PRIMAS Resumo: Nos últimos anos as instalações de classificação óptica vêm demonstrando sua eficácia na classificação de minerais. Estes sistemas são capazes de separar matérias
Leia maisAprendizado de Máquina. Combinando Classificadores
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquina Combinando Classificadores David Menotti, Ph.D. web.inf.ufpr.br/menotti Introdução O uso de vários classificadores
Leia maisPROCESSAMENTO DE LIGAS À BASE FERRO POR MOAGEM DE ALTA ENERGIA
PROCESSAMENTO DE LIGAS À BASE FERRO POR MOAGEM DE ALTA ENERGIA Lucio Salgado *, Francisco Ambrozio Filho * * Instituto de Pesquisas Energéticas e Nucleares, Comissão Nacional de Energia Nuclear, C.P. 11049
Leia maisBrasil 2017 ANÁLISE DE CAMADA DE OXIDO EM TUBOS DO SUPERAQUECEDOR DE CALDEIRA
Brasil 2017 ANÁLISE DE CAMADA DE OXIDO EM TUBOS DO SUPERAQUECEDOR DE CALDEIRA ANÁLISE DE CAMADA DE OXIDO EM TUBOS DO 2 Essa apresentação resume o desenvolvimento de análise metalúrgica sobre o efeito da
Leia maisEngenharia e Ciência dos Materiais II. Prof. Vera Lúcia Arantes
Engenharia e Ciência dos Materiais II Prof. Vera Lúcia Arantes [Lee, 1994:35] Sinterização: definição e força motriz Sinterização pode ser definida como a remoção dos poros de uma peça cerâmica, previmanete
Leia mais4 Algoritmos de Aprendizado
4 Algoritmos de Aprendizado Este capítulo apresenta os algoritmos utilizados ao longo da dissertação e alguns utilizados como base por eles. Os algoritmos adotados são todos de aprendizado supervisionado.
Leia maisSoftware para detecção de melanoma para ios
Software para detecção de melanoma para ios Aluno: Thiago Pradi Orientador: Aurélio Faustino Hoppe Motivação Câncer configura-se como um problema de saúde pública mundial Cânceres de pele tiveram um crescimento
Leia mais5 Experimentos Conjunto de Dados
Experimentos 48 5 Experimentos Este capítulo apresenta o ambiente experimental utilizado para validar o método de predição do CTR proposto neste trabalho. Na seção 5.1, descrevemos a geração do conjunto
Leia maisAnálise da evolução de defeitos em material compósito por microscopia.
Análise da evolução de defeitos em material compósito por microscopia. Aluna: Luiza Gabriela Araújo da Silva Professor: José Roberto D Almeida Introdução Amostras dos materiais estudados, um composto de
Leia maisEstrutura Interna do Concreto
Programa de Pós-Graduação em Engenharia Urbana Universidade Estadual de Maringá Centro de Tecnologia Departamento de Engenharia Civil Estrutura Interna do Concreto Referência desta aula Mehta & Monteiro
Leia maisGeração de Modelo para Reconhecimento de Entidades Nomeadas no OpenNLP
Geração de Modelo para Reconhecimento de Entidades Nomeadas no OpenNLP Gabriel C. Chiele 1, Evandro Fonseca 1, Renata Vieira 1 1 Faculdade de Informática Pontifícia Universidade Católica do Rio Grande
Leia maisSeleção de Atributos 1
Seleção de Atributos 1 Tópicos Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Seleção de atributos antes do aprendizado Benefícios Abordagens automáticas
Leia mais7 Congresso de Pós-Graduação MODELAGEM DE BASE DE CONHECIMENTO PARA TAREFA DE CLASSIFICAÇÃO EM MINERAÇÃO DE DADOS
7 Congresso de Pós-Graduação MODELAGEM DE BASE DE CONHECIMENTO PARA TAREFA DE CLASSIFICAÇÃO EM MINERAÇÃO DE DADOS Autor(es) LIDIA MARTINS DA SILVA Orientador(es) ANA ESTELA ANTUNES DA SILVA 1. Introdução
Leia maisIII metal-base, onde o metal não é afetado pelo processo de soldagem e permanece na mesma condição anterior ao processo.
51 4 Resultados 4.1 Caracterização Microestrutural 4.1.1 Macrografias As macrografias das seis condições de soldagem são mostradas da Figura 21 à Figura 26. O tamanho do ponto de solda pode ser visualmente
Leia maisDesenvolvimento de Rotinas de Automação em Microscopia Digital
Desenvolvimento de Rotinas de Automação em Microscopia Digital Aluno: Carlos Alexandre Papani Ferreira Orientador: Sidnei Paciornik Introdução A microscopia digital é a integração entre microscópio, aquisição
Leia maisNecessária onde a sinterização no estado sólido não é possível (Si 3
Líquido tem a função de cobrir as partículas dos pós e causar uma rápida densificação a temperaturas mais baixas que as necessárias para a sinterização no estado sólido Necessária onde a sinterização no
Leia maisTecnol. Mecânica: Produção do Ferro
A história do homem é a história do domínio da tecnologia dos materiais. Não é à toa que alguns de seus períodos se confundem com os materiais mais usados neles: Idade da Pedra, Idade do Bronze, Idade
Leia maisINFLUÊNCIA DE ASPECTOS MICROESTRUTURAIS NA RESISTÊNCIA À FRATURA DE AÇO ESTRUTURAL COM APLICAÇÕES OFFSHORE
INFLUÊNCIA DE ASPECTOS MICROESTRUTURAIS NA RESISTÊNCIA À FRATURA DE AÇO ESTRUTURAL COM APLICAÇÕES OFFSHORE Bernardo Soares Engelke 1 Marcos Venicius Soares Pereira 2 1 Aluno de Graduação do curso de Engenharia
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 09 Árvores de Decisão Max Pereira Classificação É a tarefa de organizar objetos em uma entre diversas categorias pré-definidas. Exemplos
Leia mais3 Revisão Bibliográfica
3 Revisão Bibliográfica Este capítulo apresenta, em primeiro lugar, informações gerais sobre o material de estudo, neste caso, o minério de ferro: sua composição, classificação, importância econômica e
Leia mais5 Discussão dos resultados
103 5 Discussão dos resultados É importante observar a ausência de dados na literatura sobre soldagem de poliamida 12 pelo processo de termofusão, para comparação específica com os dados obtidos nesta
Leia maisObjetivos. 1. O método desenvolvido usa características de pares de pixeis para fazer estatísticas e formar
Introdução Comidas podem apresentar deformações e variações em sua forma, além de conter muitos ingredientes, nem todos visíveis; Métodos tradicionais de reconhecimento requerem a detecção de características
Leia maisDeterminação de vícios refrativos oculares utilizando Support Vector Machines
Determinação de vícios refrativos oculares utilizando Support Vector Machines Giampaolo Luiz Libralão, André Ponce de Leon F. de Carvalho, Antonio Valerio Netto, Maria Cristina Ferreira de Oliveira Instituto
Leia maisPor que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas
Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas Wrapper Filtros Muitos algoritmos de AM são projetados de modo a selecionar os
Leia maisESTUDO DE TÉCNICAS PARA SOLUÇÃO DE PROBLEMAS DE PROCESSAMENTO DE IMAGENS UTILIZANDO A LINGUAGEM PYTHON
ESTUDO DE TÉCNICAS PARA SOLUÇÃO DE PROBLEMAS DE PROCESSAMENTO DE IMAGENS UTILIZANDO A LINGUAGEM PYTHON Marcus Vinícius Teodoro Silva, Marcos William da Silva Oliveira Instituto Federal de Educação, Ciência
Leia maisDepartamento de Engenharia Mecânica. Prof. Carlos Henrique Lauro
Departamento de Engenharia Mecânica Tipos de Tratamentos Térmicos Termoquímicos 2 Termoquímicos Os tratamentos termoquímicos têm por objetivo alterar as propriedades superficiais do aço. Adição de elementos
Leia maisImplementação dos Algoritmos e Resultados
Capítulo 6 Implementação dos Algoritmos e Resultados 6.1 Considerações Iniciais Diversas situações foram exploradas neste trabalho visando analisar qual seria a wavelet mais adequada para sistemas de extração
Leia mais4 Materiais e Métodos
4 Materiais e Métodos Neste capítulo apresenta-se as etapas experimentais e os materiais usados no trabalho de pesquisa, assim como os equipamentos e as técnicas envolvidas. 4.1. Preparação de Amostras
Leia maisTRATAMENTO DE EFLUENTES INDUSTRIAIS CONTENDO METAIS PESADOS
TRATAMENTO DE EFLUENTES INDUSTRIAIS CONTENDO METAIS PESADOS Aluno: Victor Surerus Leal Costa Orientador: Luiz Alberto Cesar Teixeira Introdução A extração de diversos metais, em geral, conduz à presença
Leia maisTRATAMENTOS TÉRMICOS: AÇOS E SUAS LIGAS. Os tratamentos térmicos em metais ou ligas metálicas, são definidos como:
TRATAMENTOS TÉRMICOS: AÇOS E SUAS LIGAS Os tratamentos térmicos em metais ou ligas metálicas, são definidos como: - Conjunto de operações de aquecimento e resfriamento; - Condições controladas de temperatura,
Leia maisInteligência Artificial. Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo]
Inteligência Artificial Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo] Aprendizagem de Máquina Área da Inteligência Artificial cujo objetivo é o desenvolvimento de técnicas computacionais sobre
Leia maisINSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO RIO GRANDE DO SUL CAMPUS RIO GRANDE INSTRUMENTAÇÃO INDUSTRIAL
INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO RIO GRANDE DO SUL CAMPUS RIO GRANDE INSTRUMENTAÇÃO INDUSTRIAL Aula 24 2 TERMÔMETROS DE RADIAÇÃO São medidores de temperatura sem contato. Os componentes
Leia maisTeste de Software. Karen Frigo Busolin Novembro / 2010
Teste de Software Karen Frigo Busolin Novembro / 2010 Processo de Testes de Software Possibilitar aos profissionais maior visibilidade e organização dos trabalhos. Representa uma estruturação de etapas,
Leia maisProcessamento de Imagem. A Imagem digital Professora Sheila Cáceres
Processamento de Imagem A Imagem digital Professora Sheila Cáceres Visão Humana Processamento de Imagens 2 Semelhança entre o sistema visual humano e uma câmera fotográfica Várias semelhanças podem ser
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 maisFÍSICA:TERMODINÂMICA, ONDAS E ÓTICA
FÍSICA:TERMODINÂMICA, ONDAS E ÓTICA RESUMO: UNIDADES 7 E 8 Professora Olivia Ortiz John 2017 1 Unidade 7: Espelhos e Lentes Óptica Geométrica Reflexão da luz Espelhos planos Espelhos esféricos Refração
Leia mais3 Material e Procedimento Experimental
3 Material e Procedimento Experimental 3.1. Material Para este estudo foi utilizado um tubo API 5L X80 fabricado pelo processo UOE. A chapa para a confecção do tubo foi fabricada através do processo de
Leia maisSÍNTESE E CARACTERIZAÇÃO DE SÍNTER UTILIZANDO RESÍDUOS SIDERÚRGICOS COM FOCO NA RESISTÊNCIA MECÂNICA
SÍNTESE E CARACTERIZAÇÃO DE SÍNTER UTILIZANDO RESÍDUOS SIDERÚRGICOS COM FOCO NA RESISTÊNCIA MECÂNICA Mestrando: Adailson da Silva Duarte Orientador: Prof. Dr. Alexandre Fernandes Habibe. Resíduos Sólidos
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 mais7 Determinação de Fe, Ni e V em asfaltenos por extração ácida assistida por ultra-som usando ICP OES
136 7 Determinação de Fe, Ni e V em asfaltenos por extração ácida assistida por ultra-som usando ICP OES Baseando-se nos bons resultados obtidos descritos no Capítulo 6, com a extração de metais-traço
Leia maisInteligência Artificial
Inteligência Artificial Aula 14 Aprendizado de Máquina Avaliação de s Preditivos (Classificação) Hold-out K-fold Leave-one-out Prof. Ricardo M. Marcacini ricardo.marcacini@ufms.br Curso: Sistemas de Informação
Leia maisA composição química das amostras de metal solda, soldadas a 10 m de profundidade, está listada na Tabela 2.
52 4 Resultados 4.1. Análise Química A composição química das amostras de metal solda, soldadas a 10 m de profundidade, está listada na Tabela 2. Tabela 2: Composição química do metal de solda (porcentagem
Leia maisVisão Computacional. Alessandro L. Koerich. Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR)
Visão Computacional Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Análise da Imagem Análise da Imagem O algoritmo opera sobre a imagem e extrai
Leia maisVelocimetria por Imagem de Partículas
Velocimetria por Imagem de Partículas Juliana Kuhlman Abrantes Igor Braga de Paula Luís Fernando Azevedo Departamento de Engenharia Mecânica PUC-RIO jkabrantes@gmail.com igordepaula@puc-rio.br Lfaa@puc-rio.br
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 mais4 Resultados e Discussões
4 Resultados e Discussões Foram propostos 2 (dois) métodos de amostragem em três usinas siderúrgicas diferentes. O primeiro método seria obtido acompanhando desde a geração da escória no forno, passando
Leia maisMáquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino
Máquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino Ricardo Cezar Bonfim Rodrigues 24 de abril de 2006 1 Antecedentes e Justificativa Hoje, em diversos processos industriais,
Leia maisPalavras chave: Aço-carbono, Tratamento Térmico, Propriedade Mecânica.
Caracterização Mecânica e Microestrutural de um Aço AISI 1060 submetido a diferentes Meios de Resfriamentos Angela de Jesus Vasconcelos 1, Daniele Cristina de Brito Lima Soares 1, Adriano Matos Mendes
Leia maisFigura 1: Metodologia de Reconhecimentos de Padrões desenvolvida na UFC
Uma Solução para o GISSA: Análise Comparativa entre Algoritmos de Aprendizagem de Máquina Aplicados em um Dataset Relacionado ao Óbito Infantil Joyce Quintino Alves (1) ; Cristiano Lima da Silva (2); Antônio
Leia maisAUMENTO DA EFICIÊNCIA DO PROCESSO DE ENDURECIMENTO NO FORNO DE PELOTIZAÇÃO DA SAMARCO MINERAÇÃO
AUMENTO DA EFICIÊNCIA DO PROCESSO DE ENDURECIMENTO NO FORNO DE PELOTIZAÇÃO DA SAMARCO MINERAÇÃO COTTA, L.C.V.S. 1, ATHAYDE, M. 2, BAILON, A.M.G. 3, SANTOS, G.M. 4, NUNES, S.F. 5 1 Samarco Mineração, Anchieta,
Leia maisDESENVOLVIMENTO DE SOFWARE PARA PROJETO DE ELEMENTOS SENSORES PIEZORESISTIVOS 1
DESENVOLVIMENTO DE SOFWARE PARA PROJETO DE ELEMENTOS SENSORES PIEZORESISTIVOS 1 André Luciano Rakowski 2, Luiz Antônio Rasia 3, Carlos Augusto Valdiero 4, Antônio Carlos Valdiero 5. 1 Projeto de pesquisa
Leia maisvértices dessas células. Exemplos de malhas estruturadas e não-estruturadas são apresentados na Figura 2.
1 Introdução O termo visualização corresponde, no contexto desta dissertação, aos métodos que permitem a extração de informações relevantes a partir de conjuntos de dados complexos, com o auxílio de técnicas
Leia maisTransformações de fase em aços [15]
[15] Diagrama de equilíbrio transformações muito lentas divergências devido ao processamento industrial Reações / transformações em condições realísticas: resfriamento isotérmico (T-T-T) diagramas resfriamento
Leia mais2 O Modelo: SetModel. 2.1 Modelo de Informação
O Modelo: SetModel 2 O Modelo: SetModel 2.1 Modelo de Informação Modelo de informação é uma representação abstrata e formal de entidades incluindo suas propriedades, relações e operações que podem ser
Leia mais