Percorrer por data de Publicação, começado por "2026-04-27"
A mostrar 1 - 2 de 2
Resultados por página
Opções de ordenação
- Desenvolvimento de um serious game para treino de pronúncia em português europeuPublication . Nascimento, Simão Pinto; Cruz, Armando Jorge Ribeiro daA pronúncia é um dos componentes mais críticos da competência oral, podendo condicionar a inteligibilidade da fala mesmo quando o vocabulário e a gramática são adequados. No caso do Português Europeu, a oferta de ferramentas específicas para treino de pronúncia com feedback automatizado e registo sistemático do desempenho é ainda limitada. Este relatório descreve o desenvolvimento e a avaliação de um protótipo de serious game para treino de pronúncia em Português Europeu, concebido para funcionar em modo offline e apoiar tanto a prática autónoma como a integração em contextos educativos. O trabalho segue uma metodologia de natureza aplicada, combinando engenharia de software e prototipagem iterativa. O protótipo integra uma interface gráfica desenvolvida em Python com Pygame, um módulo de reconhecimento automático de fala baseado no modelo Whisper, um conjunto de frases organizadas em três níveis de dificuldade e um sistema de registo de dados suportado em ficheiros JSON e na geração de relatórios PDF. Em cada tentativa, o utilizador ouve uma frase em Português Europeu, repete-a e obtém uma transcrição automática, uma percentagem de acerto calculada por palavra e a identificação de determinados padrões de erro fonético. A avaliação do protótipo, realizada em contexto de prova de conceito, mostra que o sistema funciona de forma estável, gera métricas de desempenho interpretáveis e produz relatórios estruturados que permitem acompanhar a evolução ao longo do tempo. São igualmente discutidas limitações importantes, relacionadas com a escala e diversidade reduzidas dos dados, a dependência de um modelo ASR genérico e a cobertura parcial dos fenómenos fonéticos, apontando-se linhas de trabalho futuro para aprofundar a análise fonética, especializar o reconhecimento de fala e alargar o estudo a populações de utilizadores mais variadas.
- Smart Kiln Drying: Leveraging Al for Precision in Moisture ManagementPublication . Ramos, José Afonso de Almeida; Duarte, Rui Pedro Monteiro AmaroThis research studies the application of data-driven Machine Learning (ML) techniques to the modeling and analysis of an industrial wood drying process. Effective management of Moisture Content (MC) plays an essential role in the wood processing industry to ensure that product quality and operational efficiency is achieved. However, direct MC measurements in industrial drying systems are often sparse and sometimes inconsistently recorded or subject to uncertainty which limits their direct use. To address these limitations, temperature was adopted as a proxy variable for the drying state, leveraging its strong physical relationship with MC removal and its reliable, high-frequency availability in industrial environments. Using historical operational data from a traditional industrial drying system, a structured modeling framework is developed and evaluated offline. Two machine learning approaches are implemented and compared: a feedforward Artificial Neural Networks (ANN) and a Long Short-Term Memory (LSTM) network. The ANN model represents a static nonlinear regression approach based on instantaneous process snapshots, while the LSTM model explicitly captures temporal dependencies through sequential input representations. Both models are evaluated using chronologically split datasets to assess their generalization capability under realistic industrial conditions. In addition to predictive modeling, an offline control recommendation framework is introduced to explore how the predictive models respond to variations in control lable process variables. This framework enables the comparative analysis of model sensitivity, stability, control effort, and recommendation consistency without deploying a real-time or closed-loop control system. The results demonstrate that while ANN-based models can generate larger instantaneous corrective responses, their behavior is more variable and less stable in control-oriented scenarios. In contrast, LSTM-based models exhibit improved generalization and more consistent, conservative behavior due to their ability to incorporate process history. These findings highlight the importance of temporal modeling for advisory and decision support applications in industrial wood drying processes.