Navegando por Assunto "Artificial neural network"
Agora exibindo 1 - 2 de 2
Resultados por página
Opções de Ordenação
Trabalho de Curso - Graduação - Monografia Acesso aberto (Open Access) Geração de modelo via rede neural artificial para descrever o afundamento de trilha de roda(2026-06-05) MARTINS, Edilene de Sousa; ANJOS, Gérson Jacques Miranda dos; http://lattes.cnpq.br/4839640002001074; https://orcid.org/0000-0001-7260-8873A infraestrutura viária constitui elemento essencial para o desenvolvimento socioeconômico do Brasil, sendo os pavimentos flexíveis a solução predominante em virtude de sua adaptabilidade e menor custo inicial. Entretanto, um dos principais problemas enfrentados por esse tipo de estrutura é o afundamento de trilha de roda (ATR), que compromete a segurança, o conforto e a durabilidade das rodovias. Os métodos tradicionais de dimensionamento, como o do DNER/1966, mostraram-se insuficientes para prever o fenômeno, motivando a adoção do método mecanístico empírico MeDiNa. Contudo, a aplicação plena do MeDiNa é limitada pelo elevado custo e pela complexidade dos ensaios laboratoriais exigidos. Neste contexto, este trabalho teve como objetivo desenvolver um modelo de Rede Neural Artificial (RNA) capaz de prever o ATR a partir de parâmetros do tráfego, da base e do subleito, utilizando uma base de 1250 simulações realizadas no MeDiNa. O modelo foi treinado pelo algoritmo de retropropagação, validado por métricas estatísticas (R², RMSE, SSE, MAPE) e comparado a métodos de regressão linear múltipla. Os resultados demonstraram elevado desempenho da RNA, com R² ≈ 0,998 e mínima dispersão em relação à reta de tendência 1:1, superando os modelos lineares tradicionais. A análise de sensibilidade indicou que os coeficientes estruturais Ψ4 e Ψ2 foram os mais influentes, enquanto tráfego e coeficiente de Poisson tiveram impacto secundário. Conclui-se que a RNA constitui alternativa eficiente ao MeDiNa, oferecendo contribuição metodológica e prática para o dimensionamento de pavimentos, sobretudo em regiões onde há limitações de ensaios laboratoriais.Trabalho de Curso - Graduação - Monografia Acesso aberto (Open Access) Rede neural artificial para detecção do estado ocular usando sinal de EEG(2023-12-14) ALMEIDA, Juliano Mateus de; FERREIRA, Denis Vieira Gomes; http://lattes.cnpq.br/2392198150359061; https://orcid.org/0000-0002-2074-7246Este trabalho aborda a aplicação de redes neurais artificiais na detecção do estado ocular através do sinal de Eletroencefalograma (EEG). O objetivo foi descrever a neurofisiologia, bem como o funcionamento de um sistema de interface cérebro-computador, utilizando uma Rede Neural do tipo Perceptron de Múltiplas Camadas (MLP - Multi Layer Perceptron) para prever o estado ocular, distinguindo entre olhos abertos e fechados com base nos sinais de EEG. Para isso, empregou-se uma base de dados contendo leituras de 2 minutos de EEG obtidas em diferentes experimentos nos quais os participantes mantiveram os olhos fechados e abertos. Posteriormente, esses dados foram tratados, tabulados estatisticamente e visualizados em gráficos utilizando a linguagem de programação Python para facilitar a interpretação. O desenvolvimento da Rede Neural foi realizado em linguagem de programação no Python, utilizando as bibliotecas Scikit-learn, TensorFlow e NumPy. A arquitetura da rede MLP consistiu em 5 neurônios na camada de entrada, 2 camadas ocultas (a primeira com 20 neurônios e a segunda com 35 neurônios) e foi treinada ao longo de 100 épocas. Como resultado o modelo alcançou uma acurácia de 94,77%, validando efetivamente a rede neural artificial na classificação do estado ocular. Ao examinar a matriz de confusão, destacam-se os verdadeiros positivos (TP) e verdadeiros negativos (TN), registrando 6822 casos corretamente identificados para olhos fechados e 6825 para olhos abertos. Contudo, houve 453 casos em que o modelo previu erroneamente que os olhos estavam fechados quando estavam abertos, e vice-versa, em 300 ocasiões. Consequentemente, a pesquisa confirmou a eficácia do modelo por meio de métricas como acurácia e análise da Matriz de Confusão. No entanto, essa análise não exaure as oportunidades de aplicar métodos adicionais para explorar diferentes abordagens de validação do modelo proposto. Valendo ainda ressaltar que muitas vezes, compreender os resultados obtidos e buscar uma arquitetura mais eficaz para a resolução do problema proposto tornar-se desafiador.