ESTGV - DI - Trabalhos de projeto (após aprovados pelo júri)
Permanent URI for this collection
Browse
Browsing ESTGV - DI - Trabalhos de projeto (após aprovados pelo júri) by advisor "Lacerda, Ana Cristina Wanzeller Guedes de"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
- Gestão das zonas de kitting e melhoria com recurso a simulaçãoPublication . Nascimento, Bruno Filipe Pais do; Lacerda, Ana Cristina Wanzeller Guedes de; Silva, Jorge Manuel Fernandes Henriques daEsta pesquisa propõe uma abordagem integrativa para otimização de processos industriais, unindo os princípios fundamentais do Lean Manufacturing, a evolução tecnológica da Indústria 4.0, a aplicação estratégica de Digital Twin, a análise apro fundada por meio de simulação e a gestão eficaz de Autonomous Mobile Robot, incorporando os pilares emergentes da Indústria 5.0. O objetivo é criar um modelo holístico que aproveite as sinergias dessas abordagens para impulsionar a eficiência e a flexibilidade na produção. Ao examinar criticamente os princípios do Lean Manufacturing, a pesquisa ex plora a minimização de desperdícios e a maximização do valor, alinhando-os com as capacidades transformadoras da tecnologia da Indústria 4.0 e os pilares sustentáveis e humanocêntricos da Indústria 5.0. A introdução estratégica de Digital Twin pro porciona uma representação virtual precisa dos processos em tempo real, permitindo uma compreensão mais profunda e facilitando a implementação de melhorias. A gestão dos Autonomous Mobile Robot é integrada de forma eficaz nesse mo delo, abordando o papel dinâmico da robótica autónoma na melhoria dos fluxos de produção. A simulação desempenha um papel central na análise de cenários e na validação das propostas, proporcionando compreensões fundamentais para a tomada de decisões informadas. Os resultados esperados devem destacar não apenas os ga nhos de eficiência, mas também uma adaptação eficaz a mudanças dinâmicas nas demandas do mercado. Ao conciliar estes aspetos, o resultado obtido é um sistema de gestão de processo e de frota, baseada em microsserviços e orientada a eventos. Este sistema representa uma prova de conceito materializada, que recorre a uma arquitetura distribuída para prover alta disponibilidade e resiliência, e coloca o operador no centro da operação. Este estudo contribui para a convergência prática dessas abordagens, fornecendo uma estrutura abrangente para a melhoria contínua em ambientes industriais. A aplicação conjunta desses princípios representa uma evolução significativa na busca por operações mais inteligentes, adaptáveis e automatizadas.
- O uso de machine learning na prevenção de diabetesPublication . Lopes, Maria Alice Holanda; Lacerda, Ana Cristina Wanzeller Guedes de; Fialho, Joana Rita SilvaA Diabetes Mellitus é uma das doenças crónicas com crescimento mais acele rado no mundo, demandando soluções eficazes para diagnóstico e prevenção. Neste contexto, técnicas de Machine Learning (ML) apresentam potencial significativo na identificação de padrões relevantes ao controlo da doença. Este estudo utilizou a metodologia CRISP-DM para analisar dados do Diabetes Health Indicators Dataset, contendo informações sociodemográficas, clínicas e comportamentais. Na fase de pré-processamento, aplicou-se o equilíbrio de classes por subamos tragem (NearMiss) devido à baixa proporção de indivíduos diabéticos. Técnicas de seleção de características, como Eliminação Recursiva de Características (RFE) e Análise de Componentes Principais (PCA), foram utilizadas para avaliar a relevân cia das variáveis e reduzir a dimensionalidade. Avaliaram-se seis modelos: Floresta Aleatória, Gradient Boosting, KNN, Regressão Logística, Perceptron Multicamadas (MLP) e Redes Neuronais Recorrentes (RNN). Os resultados mostraram que o equilíbrio das classes melhorou significativamente o desempenho, destacando-se a RNN, com acurácia acima de 86% e F1-score próximo a 0,87. A combinação da seleção RFE com MLP também apresentou resultados robustos. Conclui-se que ML e DL são promissores para priorizar acompanhamento clínico e apoiar políticas públicas, sendo necessário ampliar a representatividade dos dados, incorporar técnicas de Explainable AI para maior interpretabilidade, e ajustar limiares decisórios visando minimizar falsos negativos.