Nos últimos anos, os sistemas de bicicletas compartilhadas evoluíram significativamente. Desde iniciativas com bicicletas gratuitas para uso comum, passando por estações onde o aluguel era gerenciado presencialmente por atendentes, até os sistemas tecnologicamente avançados que predominam nas cidades atualmente. Apesar dessas inovações, o objetivo principal dos sistemas de compartilhamento de bicicletas permanece inalterado: facilitar que os usuários retirem uma bicicleta em um local desejado e a devolvam em outro, tornando esse meio de transporte mais prático e acessível. Com o crescimento da demanda, um problema recorrente se torna evidente: o desequilíbrio entre a procura dos usuários e a oferta de bicicletas. A indisponibilidade do serviço em determinadas estações leva os usuários a buscarem alternativas de transporte, o que pode comprometer o sucesso e a expansão desses sistemas. Por outro lado, investimentos em infraestrutura e novas bicicletas podem não ser financeiramente vantajosos se a operação não atender à demanda de forma eficiente. Além disso, a má redistribuição de bicicletas e a ineficiência operacional podem aumentar as emissões de carbono, já que os usuários recorrem a meios de transporte motorizados. Esse cenário destaca a importância de desenvolver técnicas que minimizem a discrepância entre a procura e a disponibilidade de bicicletas. Nesse contexto, o presente trabalho propõe uma nova abordagem para prever a demanda de usuários por bicicletas. A metodologia utiliza dados históricos de deslocamentos e informações meteorológicas. Para selecionar os atributos mais relevantes, é empregada a técnica de Eliminação Recursiva de Atributos (RFE). A previsão da demanda é realizada por modelos tradicionais, como Rede Neural Artificial, Random Forest, Support Vector Machine, Árvore de Decisão e Regressão Linear, e também por modelos evolutivos, como ALMMo, eNFN, eFCE e eFLS. Os experimentos computacionais realizados permitiram comparar o desempenho das abordagens propostas. Os resultados obtidos indicam que a metodologia apresentada é uma alternativa viável e eficaz para prever a demanda de bicicletas em sistemas de compartilhamento.

A energia eólica, uma fonte sustentável e crescente na matriz energética brasileira, tem ganhado destaque nos últimos anos. Esse crescimento gera uma demanda crescente por soluções de manutenção preventiva e corretiva para os equipamentos responsáveis pela geração dessa energia. As turbinas eólicas, que consistem na sua grande maioria em sistemas mecânicos rotativos, podem gerar sons na faixa audível (frequentemente fora da faixa audível humana) que podem ser analisados para a detecção de falhas em seus componentes. Esta dissertação visa investigar uma técnica inovadora para a detecção de falhas em turbinas eólicas, utilizando a análise acústica dos sons produzidos por seus mecanismos. A abordagem proposta envolve o uso de redes neurais não supervisionadas para identificar padrões sonoros anômalos e a aplicação de redes neurais especialistas para catalogar e classificar essas falhas. Ao final, são apresentados os resultados experimentais que demonstram a eficácia da técnica proposta, suas limitações e o potencial de aplicação em outros setores industriais. Através do monitoramento de cinco aerogeradores, foram separadas duas falhas com precisão entre 98 e 99% de acurácia na sua classificação.

Acompanhar o comportamento alimentar de bovinos de forma individualizada e
em grandes fazendas é um desafio, especialmente em fazendas que usam cocho, onde não
há uma separação do espaço utilizado por cada animal. Soluções existentes ou dependem
dessa separação no cocho ou utilizam equipamentos conectados aos animais que dependem
de bateria para funcionamento. Considerando a importância de aprimorar a compreensão
do comportamento alimentar de bovinos ao monitorar o tempo que cada animal permanece
no cocho, a coleta de dados visa otimizar a oferta de alimentação, possibilitando, inclusive,
a identificação precoce de eventuais doenças. Dessa forma, essa dissertação apresenta o
desenvolvimento de uma Plataforma de Internet das Coisas (IoT - Internet of Things) que
utilizatagsRFID (Radio-Frequency IDentification- Identificação por Radiofrequência)
UHF (Ultra-High Frequency- Ultra Frequência) e um cabo de antena específico para
registrar o tempo de entrada e saída dos animais no cocho de alimentação. Os dados
coletados são parcialmente tratados localmente e transmitidos para uma central para
armazenamento, tratamento e visualização. A definição dos equipamentos e tecnologias a
serem utilizadas é parte importante deste trabalho visto que existem poucos fabricantes
no mundo da tecnologia utilizada para cobertura da área monitorada.Testes iniciais
foram realizados em laboratório para avaliar o funcionamento de cada etapa, da coleta
à visualização dos dados.Experimentos em ambientes reais mostram que esta é uma
tecnologia promissora para o monitoramento alimentar, especialmente em cochos com até
8 metros de comprimento.

Este trabalho propõe a aplicação de IoT no desenvolvimento de um sistema para o setor de sorvetes, melhorando a qualidade da tomada de decisão tanto para o lojista quanto para a fábrica. A proposta é desenvolver um sistema para acompanhamento remoto das vendas de sorvetes self-service e monitoramento de temperatura em freezers visando contribuir para melhoria da gestão da cadeia de suprimentos, incluindo a gestão para os pontos de vendas, para a fábrica e contribuindo para a inserção da indústria do sorvete no conceito de Indústria 4.0. No presente estudo são abordados os desafios enfrentados pela indústria de sorvetes, mais especificamente no que tange à otimização de mix de produtos nos pontos de venda, com foco em maximização do faturamento, previsão de demanda e controle de perdas. O sistema consiste em um conjunto de sensores instalados sob as caixas de sorvete, de forma individualizada, que tem a capacidade de medir a quantidade de sorvete da caixa. Esse sistema também conta com sensor de temperatura interna integrado ao equipamento. Essa estrutura conecta-se à internet por wi-fi e os dados são enviados para um banco de dados em nuvem. Esses dados são cruzados com os dados de um sistema que colhe informações da balança utilizada para cobrar os clientes no momento da compra e as envia também para um banco de dados em nuvem. Essas informações são processadas para detecção de padrões e tendências associadas aos objetivos do trabalho. Os resultados mostram um sistema capaz de melhorar a visão da cadeia de valor do sorvete tanto para a fábrica, quanto para o lojista. Esse projeto conta com a parceria de uma indústria de sorvetes e uma empresa especializada em sistema de gestão para a cadeia de sorvetes.

A automação em mineração começou na década de 1960 para aumentar a segurança em minas subterrâneas. Hoje, sistemas robóticos e autônomos realizam atividades específicas de mineração, criando novas oportunidades e uma indústria mais eficiente e segura. Este trabalho propõe uma nova solução para instrumentação aplicada a caminhões autônomos que trabalham em minas a céu aberto, especificamente durante a manobra de carregamento de minério. Neste caso, um novo hardware e firmware são desenvolvidos para obtenção das coordenadas da concha da escavadeira usando dois sistemas de posicionamento global receptores. Nesta abordagem, as coordenadas futuras da concha da escavadeira são calculadas e disponibilizadas para o sistema de controle, indicando ao caminhão autônomo a posição final desejada para manobra. Como resultado deste trabalho, foi desenvolvido um produto que integra tecnologias de transmissão de dados nas frequências de 2.4GHz e 900MHz, sistemas de posicionamento e tecnologias de auxílio ao georreferenciamento. A validação do sistema foi realizada por meio de testes funcionais, integração e testes em campo. Os resultados demonstraram um aumento de 88.5% da precisão do ponto de referência utilizando tecnologia de auxílio de georreferenciamento, permitindo um posicionamento preciso do caminhão fora-de-estrada durante o processo de carregamento do minério e uma correta execução do posicionamento da manobra do caminhão autônomo.

A usinagem de precisão e o controle dimensional exigem equipamentos de alto nível tecnológico, porém, observa-se que a interação humana também é utilizada na tomada de decisões como, por exemplo, nos ajustes de parâmetros de processo ou na definição de conformidade de peças produzidas. Essa interação humana é capaz de causar imprevisibilidade nos processos de fabricação por usinagem, acarretando na diminuição da produtividade e o aumento de custos de produção. Neste sentido, esse trabalho apresenta um modelo de predição baseado em árvore de decisão para controle dimensional no processo de fabricação de carcaças de mancais de deslizamento flangeados, conforme a norma técnica DIN 31693. O método que implementa essa aplicação fundamenta-se no monitoramento holístico da geometria da superfície da peça usinada. A abordagem utilizada para a compensação dos desvios dimensionais baseia-se no monitoramento e modelagem do desvio total. A heurística é utilizada para as etapas que compõe o processo de tomada de decisão. O caminho para a implementação do modelo preditivo na linha de produção baseia-se na interação entre a experiência humana e a máquina. É proposto o uso da técnica de aprendizado de máquina baseada em árvores de decisão por regressão, para definição dos parâmetros de deslocamento dos eixos do centro de usinagem a partir dos resultados dimensionais das carcaças. O modelo é validado se o erro médio absoluto for menor ou igual a 0,003mm. Uma comparação entre um modelo de floresta aleatória é realizada para verificar o desempenho entre diferentes modelos preditivos. O modelo desenvolvido resultou em um máximo erro médio absoluto de 0,002042mm. Experimentos foram realizados em uma indústria de fabricação de mancais de deslizamento, posicionada entre as três marcas de maior participação no mercado internacional no ano de 2023, onde um lote com 12 peças foi fabricado e 48 definições de parâmetros foram submetidas ao modelo preditivo, o qual teve seu resultado aplicado em 46 definições.