Responsive image
Universidade Federal de Santa catarina (UFSC)
Programa de Pós-graduação em Engenharia, Gestão e Mídia do Conhecimento (PPGEGC)
Detalhes do Documento Analisado

Centro: Não Informado

Dimensão Institucional: Pesquisa

Dimensão ODS: Econômica

Tipo do Documento: Projeto de Pesquisa

Título: ARQUITETURAS NEURAIS PARA MODELAGEM E CONTROLE DE SISTEMAS DINÂMICOS

Coordenador
  • ERIC AISLAN ANTONELO
Participante
  • ANDRÉ PADILHA ALVES
  • BRUNO MACIEL MACHADO
  • EDUARDO REHBEIN DE SOUZA
  • ERIC AISLAN ANTONELO (D)
  • FERNANDO KENDY MARCINIAK ARAKE
  • GUSTAVO CLAUDIO KARL COUTO
  • IRVING GIOVANI BRONZATTI PETRAZZINI
  • JEAN PANAIOTI JORDANOU (Di)
  • PEDRO HENRIQUE MARCONDES JOAO FERNANDES
  • WILLIAN DO NASCIMENTO FINATO BENOSKI

Conteúdo

A primeira vertente de pesquisa neste plano est...a primeira vertente de pesquisa neste plano está associada com a quarta revolução industrial, cunhada como indústria 4.0. esta será aquela onde a indústria usará de tecnologias que permitirão um ciclo de desenvolvimento ágil; personalização de produtos; e eficiência no uso de recursos. técnicas de aprendizagem de máquina devidamente implantados na indústria viabilizarão uma automação mais inteligentes de processos, prevendo onde haverá falhas e gargalos, e criando modelos aproximados para otimização rápida de processos. esse projeto visa criar arquiteturas de redes recorrentes conhecidas como redes de estado de eco, que apresentam treinamento rápido e eficiente, para o projeto e síntese de modelos aproximados (ou proxy) de sistemas dinâmicos industriais, especialmente no setor de petróleo e gás. esses modelos servirão para a otimização rápida da produção de petróleo em poços e reservatórios offshore (em alto mar), visto que os modelos de simuladores de alta fidelidade requerem um colossal esforço computacional de simulação. a segunda vertente de pesquisa busca melhorar a segurança de sistemas autônomos: agentes de software que negociam em sistemas financeiros com ações “seguras” (que minimizam riscos), robôs que navegam com segurança em seus ambientes ou carros autônomos que minimizam a probabilidade de ações inválidas em raras situações (acidentes). baseando-se em pesquisa de estado-da-arte sobre aprendizado por imitação e aprendizado de reforço para aprender comportamentos seguros para esses sistemas, o objetivo primordial é aumentar a segurança e o comportamento inteligente de carros autônomos. esta proposta lida com problemas complexos de alta dimensionalidade, buscando métodos de aprendizagem sensíveis a risco que podem ter um grande impacto em um número incontável de aplicações.

Pós-processamento: Índice de Shannon: 3.65319

ODS 1 ODS 2 ODS 3 ODS 4 ODS 5 ODS 6 ODS 7 ODS 8 ODS 9 ODS 10 ODS 11 ODS 12 ODS 13 ODS 14 ODS 15 ODS 16
1,69% 5,16% 3,85% 10,12% 2,19% 3,06% 9,42% 5,22% 21,96% 2,37% 7,72% 6,95% 3,81% 9,60% 3,35% 3,53%
ODS Predominates
ODS 9
ODS 1

1,69%

ODS 2

5,16%

ODS 3

3,85%

ODS 4

10,12%

ODS 5

2,19%

ODS 6

3,06%

ODS 7

9,42%

ODS 8

5,22%

ODS 9

21,96%

ODS 10

2,37%

ODS 11

7,72%

ODS 12

6,95%

ODS 13

3,81%

ODS 14

9,60%

ODS 15

3,35%

ODS 16

3,53%