
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


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%