https://repositorio.ufsc.br/handle/123456789/211473 2026-05-01T00:34:46Z 2026-05-01T00:34:46Z Mecabô, Giovan https://repositorio.ufsc.br/handle/123456789/273169 2026-04-01T23:26:41Z 2026-01-01T00:00:00Z

Contribuição ao estudo de controle em modo corrente histerese para conversores básicos Mecabô, Giovan Este trabalho apresenta uma nova abordagem de controle baseada em características físicas aplicada a conversores CC-CC. O compensador proposto combina uma ação proporcional-integral (PI) para regulação da tensão de saída com uma leitura diferencial da corrente do indutor, produzindo um comportamento equivalente a uma ação derivativa no sistema de controle. Essa estratégia permite reduzir a sensibilidade a ruídos de medição e melhorar a resposta dinâmica do conversor durante transientes de carga quando associada ao controle por histerese da corrente. O projeto do compensador e o dimensionamento dos componentes reativos são realizados de forma integrada, considerando as características dinâmicas do conversor e suas condições de operação. Como parte da metodologia proposta, foi desenvolvido um roteiro em software matemático capaz de determinar os parâmetros do compensador e os valores dos componentes reativos a partir das especificações do sistema, permitindo a obtenção de um projeto adequado já na primeira implementação. Resultados de simulação são apresentados para diferentes condições de operação e níveis de potência, incluindo variações de carga de até 92%, demonstrando bom desempenho tanto em regime permanente quanto em regime dinâmico. Os resultados experimentais obtidos em protótipo validam a metodologia proposta e indicam desempenho superior ao previsto no projeto inicial, com respostas rápidas a variações de carga, baixa sensibilidade a ruídos e ausência de overshoot significativo na tensão de saída.; Abstract: This work presents a new control approach based on physical characteristics applied to DC?DC converters. The proposed compensator combines a proportional?integral (PI) action for output voltage regulation with a differential measurement of the inductor current, producing a behavior equivalent to a derivative action in the control system. This strategy reduces sensitivity to measurement noise and improves the dynamic response of the converter during load transients when combined with hysteresis current control. The compensator design and the sizing of reactive components are performed in an integrated manner, considering the dynamic characteristics of the converter and its operating conditions. As part of the proposed methodology, a computational routine implemented in mathematical software was developed to determine the compensator parameters and the reactive component values based on system specifications, enabling the achievement of a suitable design in the first implementation. Simulation results are presented for different operating conditions and power levels, including load variations of up to 92%, demonstrating good performance in both steady-state and dynamic operation. Experimental results obtained from a prototype validate the proposed methodology and indicate performance superior to that predicted in the initial design, with fast responses to load variations, low sensitivity to noise, and no significant overshoot in the output voltage. Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico de Joinville, Programa de Pós Graduação em Engenharia de Sistemas Eletrônicos, Joinville, 2026.

2026-01-01T00:00:00Z Menegon, Victor Eberhardt https://repositorio.ufsc.br/handle/123456789/271944 2026-01-27T23:24:47Z 2026-01-01T00:00:00Z

Aprendizado de máquina aplicado à detecção de fibrilação atrial utilizando sensor de fotopletismografia em microcontrolador embarcado Menegon, Victor Eberhardt A Fibrilação Atrial (FA) é uma arritmia cardíaca que acomete 1-2% da população e, a sua presença, aumenta a probabilidade do indivíduo desenvolver um quadro clínico de derrame, podendo ser fatal. O monitoramento contínuo através de dispositivos como relógios inteligentes representa uma alternativa promissora aos métodos tradicionais, como o eletrocardiograma. Este estudo desenvolve e valida um modelo de aprendizado de máquina otimizado para a detecção de FA a partir de sinais simulados de fotopletismografia (PPG). Foram utilizados 4400 sinais de PPG simulados e processados em janelas de 10 segundos, foram também comparadas diferentes abordagens de aprendizado de máquina, como arquiteturas clássicas com engenharia e seleção de características e de aprendizado profundo. O modelo de Redes Neurais Convolucionais (CNN), projetado com enfoque na viabilidade de implementação da solução em sistemas embarcados, atingiu valores superiores sobre a abordagem de referência (Random Forest), alcançando um F1-Score de 0,71 e uma Área Sob a Curva ROC (AUC) de 0,9232. Os resultados validam a arquitetura CNN como o melhor compromisso entre alta performance preditiva e a exequibilidade em um dispositivo com recursos computacionais limitados.; Abstract: Atrial Fibrillation (AF) is a cardiac arrhythmia that affects 1-2% of the population, and its presence increases the individual?s probability of developing a clinical stroke, which can be fatal. Continuous monitoring through devices such as smartwatches represents a promising alternative to traditional methods, like the electrocardiogram. This study develops and validates an optimized machine learning model for AF detection from simulated photoplethysmography (PPG) signals. Using 4400 simulated PPG signals processed in 10-second windows, different machine learning approaches were also compared, such as classic architectures with feature engineering and selection, and deep learning. The Convolutional Neural Network (CNN) model, designed with a focus on the feasibility of implementing the solution in embedded systems, achieved superior results over the reference approach (Random Forest), reaching an F1-Score of 0.71 and an Area Under the ROC Curve (AUC) of 0.9232. The results validate the CNN architecture as the best compromise between high predictive performance and feasibility on a device with limited computational resources. Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico de Joinville, Programa de Pós Graduação em Engenharia de Sistemas Eletrônicos, Joinville, 2026.

2026-01-01T00:00:00Z Stefaniak, Antoniel Kleber https://repositorio.ufsc.br/handle/123456789/271237 2025-12-15T23:31:33Z 2025-01-01T00:00:00Z

Aplicação e comparação de modelos estatísticos, de aprendizado de máquina, híbridos e fundacionais para previsão de demanda de água em cidade no litoral do Brasil Stefaniak, Antoniel Kleber O presente trabalho apresenta a aplicação de diferentes abordagens para a previsão da demanda de água em uma cidade no litoral do Brasil, abrangendo modelos estatísticos (ARIMA e SARIMA), de aprendizado de máquina (LSTM), híbrido (NeuralProphet) e pré-treinado de larga escala (Chronos). A análise exploratória da série temporal incluiu técnicas consolidadas, como decomposição clássica, gráficos de autocorrelação e decomposição por Singular Spectrum Analysis (SSA), com o objetivo de compreender padrões e comportamentos relevantes. Por meio da validação cruzada para séries temporais (backtesting), os modelos foram testados com diversas combinações diferentes de hiperparâmetros, visando alcançar os melhores desempenhos preditivos possíveis. As avaliações foram conduzidas por meio de métricas como erro quadrático médio (RMSE), erro absoluto médio (MAE), erro percentual absoluto médio (MAPE) e coeficiente de determinação (R²). Os resultados evidenciaram que, embora o ARIMA ainda apresente desempenho competitivo, modelos como LSTM e NeuralProphet se destacaram pela maior consistência e capacidade de adaptação a comportamentos complexos da série. O SARIMA, por sua vez, não obteve resultados satisfatórios, e, o modelo Chronos, representante de modelos de larga escala, não superou os demais, indicando que sua aplicação em séries temporais contínuas ainda requer aprimoramentos. Além disso, realizou-se uma análise detalhada das datas em que os modelos mais subestimaram os valores reais, permitindo identificar fatores específicos que influenciam o consumo de água, complementando a avaliação global e servindo como base para melhorias futuras nos modelos aplicados.; Abstract: This study presents the application of different approaches for forecasting water demand in a coastal city in Brazil, including statistical models (ARIMA and SARIMA), machine learning models (LSTM), a hybrid model (NeuralProphet), and a large-scale pre-trained model (Chronos). The exploratory analysis of the time series employed well-established techniques such as classical decomposition, autocorrelation plots, and Singular Spectrum Analysis (SSA) to understand relevant patterns and behaviors. Through cross-validation for time series (backtesting), several hyperparameter combinations were applied to achieve the best possible predictive performance. The evaluation was based on metrics such as root mean squared error (RMSE), mean absolute error (MAE), mean absolute percentage error (MAPE), and the coefficient of determination (R²). The results showed that, although ARIMA still achieves competitive performance, models such as LSTM and NeuralProphet stood out for their greater consistency and ability to adapt to complex temporal behaviors. In contrast, SARIMA, did not achieve satisfactory results, and the Chronos model, a representative of large-scale models, did not outperform the others, indicating that its application in continuous time series still requires refinements. Additionally, a detailed analysis was performed on the dates when the models most underestimated the actual values, allowing the identification of specific factors influencing water consumption, complementing the overall evaluation and serving as a baseline for future improvements in the applied models. Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico de Joinville, Programa de Pós Graduação em Engenharia de Sistemas Eletrônicos, Joinville, 2025.

2025-01-01T00:00:00Z Klippel, Patricia Mistura https://repositorio.ufsc.br/handle/123456789/266734 2025-07-31T12:54:46Z 2025-01-01T00:00:00Z

Utilização de IA em processos de otimização para o projeto do sistema de ancoragem de uma plataforma offshore Klippel, Patricia Mistura A exploração de petróleo em águas profundas (300-1500 metros) e ultraprofundas (>1500 metros) tem se intensificado nas últimas décadas, impulsionada pela descoberta das reservas do pré-sal no Brasil e pelo aumento global na demanda energética. Nessas regiões, a manutenção do posicionamento das plataformas depende diretamente do sistema de ancoragem, cujo projeto deve atender a critérios rigorosos relacionados ao deslocamento, tensões nas linhas e distribuição de carga. Nesse contexto, o projeto adequado e a análise detalhada desses sistemas são etapas fundamentais para garantir a segurança das operações sob condições ambientais adversas, como ondas, ventos e correntes marítimas. Esta dissertação apresenta uma metodologia estruturada em três etapas para otimizar o projeto de sistemas de ancoragem offshore. Na primeira etapa, realiza-se uma otimização multiobjetivo utilizando o algoritmo genético NSGA-II (Non-dominated Sorting Genetic Algorithm II), implementado no programa Synapse Offshore, programa desenvolvido pela Universidade Federal de Santa Catarina. Essa otimização utiliza cenários ambientais simulados pelos programas Dynasim, desenvolvido pela Petrobras, e Exmoor, programa resultante da colaboração entre a Universidade de São Paulo, a Universidade Federal de Santa Catarina e a Petrobras. O objetivo é identificar uma solução que minimize a porcentagem de deslocamento (offset) a partir do neutro, respeitando simultaneamente as restrições de tensão nas linhas, ângulo delta yaw neutro e carga nas âncoras. Na segunda etapa, desenvolve-se um modelo preditivo baseado em redes neurais artificiais, implementado em Python com o uso das bibliotecas TensorFlow/Keras para construção e treinamento das arquiteturas, e Scikeras em conjunto com Scikit-learn para validação cruzada (KFold) e ajuste de hiperparâmetros por meio do GridSearchCV. Os dados provenientes das simulações da etapa anterior são normalizados e organizados em conjuntos de treinamento, validação e teste. A qualidade das previsões é garantida por meio de validação cruzada e ajuste sistemático da rede neural. O modelo tem como função estimar os valores de deslocamento (offset) a partir do neutro, ângulo delta yaw neutro, tensões nas linhas e cargas nas âncoras. Na terceira etapa, o modelo preditivo substitui as simulações completas realizadas pelo Dynasim no processo de otimização. Essa substituição reduz significativamente o tempo de processamento das análises, possibilitando a avaliação rápida de um número maior de alternativas de projeto. Para garantir que a confiabilidade das soluções geradas esteja dentro dos limites técnicos estabelecidos, as previsões do modelo são validadas comparando-se seus resultados com simulações completas realizadas no Dynasim. Os resultados demonstram uma redução de aproximadamente 30% no tempo total das análises, mantendo-se a qualidade das previsões dentro de limites pré-estabelecidos. Além disso, o uso da abordagem proposta permite explorar mais soluções, facilitando a seleção de configurações adequadas para atender aos requisitos operacionais das plataformas offshore. A metodologia proposta contribui para maior eficiência e flexibilidade no desenvolvimento de sistemas de ancoragem e pode ser aplicada a outros problemas de engenharia naval e oceânica que envolvam simulações complexas e elevado custo computacional.; Abstract: Deepwater (300–1500 meters) and ultra-deepwater (> 1500 meters) oil exploration has intensified in recent decades, driven by the discovery of Brazil’s pre-salt reserves and by the global rise in energy demand. In these regions, the maintenance of platform positioning depends directly on the mooring system, whose design must meet stringent criteria related to offset, line tensions, and load distribution. In this context, proper design and detailed analysis of these systems are fundamental steps to ensure operational safety under adverse environmental conditions such as waves, winds, and ocean currents. This dissertation presents a three-stage methodology for optimizing offshore mooring system design. In the first stage, a multi-objective optimization is carried out using the NSGA-II (Non-dominated Sorting Genetic Algorithm II) genetic algorithm, implemented in the Synapse Offshore software developed by the Federal University of Santa Catarina. That optimization employs environmental scenarios simulated by the Dynasim program (developed by Petrobras) and by Exmoor (the result of a collaboration between the University of São Paulo, the Federal University of Santa Catarina, and Petrobras). The objective is to identify a solution that minimizes percentage offset from the neutral point while simultaneously satisfying constraints on line tension, neutral delta-yaw angle, and anchor load. In the second stage, a predictive model based on artificial neural networks is developed in Python using TensorFlow/Keras for architecture construction and training, and Scikeras together with Scikit-learn for K-Fold cross-validation and hyperparameter tuning via GridSearchCV. Data from the previous stage’s simulations are normalized and organized into training, validation, and test sets. Prediction quality is ensured through cross-validation and systematic network adjustment. The model estimates offset from neutral, neutral delta-yaw angle, line tensions, and anchor loads. In the third stage, the predictive model replaces the full Dynasim simulations within the optimization process. This substitution significantly reduces analysis processing time, allowing rapid evaluation of a greater number of design alternatives. To ensure that the reliability of generated solutions remains within established technical limits, the model’s predictions are validated by comparing them with full Dynasim simulations. Results show an approximately 30 percent reduction in total analysis time while maintaining prediction quality within predefined bounds. Moreover, the proposed approach enables exploration of a broader solution space, facilitating the selection of configurations that meet offshore platform operational requirements. The methodology contributes to greater efficiency and flexibility in the development of mooring systems and can be applied to other naval and ocean engineering problems involving complex simulations and high computational cost. Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico de Joinville, Programa de Pós Graduação em Engenharia de Sistemas Eletrônicos, Joinville, 2025.

2025-01-01T00:00:00Z