Navegando por Autor "Dal Pai, Alexandre"

Agora exibindo 1 - 2 de 2
  • Imagem de Miniatura
    Item
    Anais do 6ª edição do Congresso de Pós-graduação do IFSP: 6º CONPOG: de 22 a 24 de junho de 2023
    (2023-06-22) Jesus, Edison Rosa Barbosa de; Rossi, Jesualdo Luiz; Bica, Marcos Roberto Ruybal; Stucchi, Giovana; Dal Pai, Alexandre; Sarnighausen, Valeria Cristina Rodrigues; Fontes, Marcos Alves; Borges, Ana Carolina Bueno; Raimundo, Daniel Scodeler; Salcedo, Walter Jaimes; Noris, Francisco José; Aranha, Elcio Rodrigues; Cassiano, Douglas Alves; Lourenço, Sérgio Ricardo; Abissamra, Pedro de Figueiredo; Aguiar, Paulo Marcos de; Ozaki, Adalton Masalu ; Silva, Francismeire Neves da; Silva, Isabel Cristina da ; Berenguel, Orlando Leonardo ; Moura, Suzana Cristina Andrade de ; Anais do 6º Congresso de Pós-Graduação do IFSP
    A 6ª edição do Congresso de Pós-graduação do IFSP (CONPOG) realizada entre os dias 22 e 24 de junho de 2023, com sede o Câmpus Bragança Paulista. O Congresso de Pós-Graduação do IFSP (CONPOG) é um evento científico multidisciplinar promovido pela Pró-reitoria de Pesquisa e Pós-graduação do IFSP, que neste ano está sendo organizado em parceria com o Câmpus Bragança Paulista, e tem por objetivo o compartilhamento de experiências acadêmicas entre pesquisadores, docentes e discentes vinculados à pós-graduação. A 6ª Edição do CONPOG trará novidades, o evento, além das apresentações de trabalhos acadêmicos desenvolvidos por alunos em nível de pós-graduação do IFSP e de outras Instituições de Ensino, contará com um painel específico para a divulgação de trabalhos com foco na geração de produtos, serviços ou soluções. Outra novidade será o painel voltado para os trabalhos em nível stricto sensu, resultados de teses ou dissertações, desenvolvidos por servidores do IFSP que estiveram em qualificação. Os trabalhos serão organizados de acordo com os eixos temáticos das Engenharias; Tecnologia e Gestão Estratégica; Governo, Espaço e Política; Educação e Ensino; Tecnologia e Sociedade e Dinter (Doutorado Interinstitucional) e demais trabalhos desenvolvidos no Stricto Sensu pelos servidores em qualificação. Os estudantes deverão indicar a área de pesquisa na confecção do resumo expandido.
  • Imagem de Miniatura
    Item
    Modelagem em superfícies inclinadas das radiações global e difusa usando técnicas de aprendizado de máquina
    (Universidade Estadual Paulista (UNESP), 2018-05-30) Marques, Adriano de Souza; Escobedo, João Francisco; Dal Pai, Alexandre; Ulson, José Alfredo Covolan; Sarnighausen, Valéria Cristina Rodrigues; Barros, Renato Correia de
    Neste trabalho é realizado um estudo para estimar a transmissividade da radiação global (Ktβh) e a fração difusa (Kdβh) incidentes em uma superfície com inclinação de 22,85° na base horária utilizando técnicas de aprendizado de máquina (TAM), a partir de dados obtidos no período de 1998 a 2001 em Botucatu/SP/Brasil. As estimativas foram realizadas usando uma série de combinações de variáveis astronômicas e geográficas por meio de três técnicas de redes neurais artificiais (RNA) do tipo Perceptron Multicamadas (MLP), Função de Base Radial (RBF) e Regressão Generalizada (GRNN) e do Sistema Adaptativo de Inferência Neuro Fuzzy (ANFIS). Como referência foram elaborados modelos estatísticos (ME) de regressão linear e polinomial. No Capítulo 1 as estimativas de (Ktβh) foram realizadas por combinações de variáveis medidas e calculadas a partir da irradiação global na superfície horizontal (HgH) e nas estimativas de (Kdβh) utilizou-se combinações de variáveis medidas e calculadas a partir de (HgH) e da irradiação global na superfície inclinada (Hgβ). No Capítulo 2 as estimativas de (Kdβh) foram realizadas por combinações de variáveis medidas e calculadas a partir das irradiações difusa (HdH) e global (HgH) obtidas na superfície horizontal. Os indicadores estatísticos r (correlação), RMSE(%) (precisão) e MBE(%) (exatidão) foram utilizados para avaliar os resultados das estimativas. No capítulo 1 os melhores resultados nas estimativas de (Ktβh) a partir das combinações realizadas com (HgH) foram: MLP - RMSE=3,73%; RBF - RMSE=3,99%; GRNN - RMSE=5,27%; ANFIS - RMSE=3,78% e ME - RMSE=6,65%. Nesse caso os indicadores de precisão mostram uma redução de aproximadamente 44% com o uso da técnica (MLP) em comparação ao modelo estatístico (ME). Nas estimativas de (Kdβh) a partir das combinações de (HgH) os melhores resultados foram: MLP - RMSE=21,69%; RBF - RMSE=25,43%; GRNN - RMSE=29,39%; ANFIS - RMSE=23,08% e - ME - RMSE=35,35%. Da mesma forma os indicadores de precisão mostram uma redução de aproximadamente 39% com o uso da técnica (MLP) em comparação ao modelo estatístico (ME). E nas estimativas de (Kdβh) a partir das combinações realizadas com (Hgβ) os melhores resultados foram: MLP - RMSE=20,32%; RBF - RMSE=21,95%; GRNN - RMSE=29,11%; ANFIS - RMSE=21,75% e ME - RMSE=36,48%. Os indicadores de precisão mostram uma redução de aproximadamente 44% com o uso da técnica (MLP) em comparação ao modelo estatístico (ME). No capítulo 2 as melhores estimativas de (Kdβh) a partir das combinações realizadas com (HdH) foram: MLP - RMSE=4,03%; RBF - RMSE=5,84%; GRNN - RMSE=10,85%; ANFIS - RMSE=4,15% e ME - RMSE=12,42%. Os indicadores de precisão mostram uma redução de aproximadamente 67% com o uso da técnica (MLP) em comparação ao modelo estatístico (ME). Nas estimativas de (Kdβh) a partir de (HgH) os melhores resultados foram: MLP - RMSE=21,69%; RBF - RMSE=25,43%; GRNN - RMSE=29,39%; ANFIS - RMSE=23,08% e ME - RMSE=35,35%. Os indicadores de precisão mostram uma redução de aproximadamente 39% com o uso da técnica (MLP) em comparação ao modelo estatístico (ME). Os resultados mostram que a técnica de rede neural artificial MLP apresentou os melhores índices em todas as estimativas de (Ktβh) e (Kdβh) com reduções significativas quando comparadas aos resultados obtidos com as estimativas obtidas com os modelos estatísticos. Pela análise dos resultados é possível observar que o uso das técnicas de aprendizado de máquina (TAM) nas combinações de variáveis propostas e com os dados obtidos de Botucatu/SP, se apresentam como alternativa aos modelos estatísticos (ME) para estimar as variáveis de (Ktβh) e (Kdβh).