Banca de DEFESA: BERNARDO CAIO NUNES DE OLIVEIRA LIMA

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: BERNARDO CAIO NUNES DE OLIVEIRA LIMA
DATA : 16/07/2026
HORA: 14:00
LOCAL: Sessão de Defesa por videoconferência.
TÍTULO:

OTIMIZAÇÃO DE SENSORES ÓPTICOS VIA MACHINE LEARNING: UM ESTUDO SOBRE LOCK-IN DIGITAL EM MICROCONTROLADORES DE 32 BITS PARA APLICAÇÃO EM ESPECTROSCOPIA DE MODULAÇÃO DO COMPRIMENTO DE ONDA.

PALAVRAS-CHAVES:

Aprendizado de Máquina (ML), Espectroscopia de Modulação de Comprimento de Onda (WMS), Amplificador Lock-In (LIA) digital, Sensores ópticos embarcados.

PÁGINAS: 110
RESUMO:

Os amplificadores lock-in são instrumentos fundamentais em aplicações da óptica devido à sua alta capacidade de detectar sinais em ambientes de elevado ruído, sendo indispensáveis em técnicas como a Espectroscopia de Modulação de Comprimento de Onda (WMS - Wavelength Modulation Spectroscopy). Empregando esta técnica, pesquisadores do Grupo de Fotônica da UFPE e do Instituto de Inovação Tecnológica da UPE desenvolveram um sistema sensor óptico de bancada para a detecção de gases dissolvidos em óleo isolante de transformadores de alta tensão. Apesar da viabilidade em laboratório, o uso em campo requer avanços em portabilidade e processamento embarcado. Neste contexto, este trabalho apresenta, portanto, o desenvolvimento de um amplificador lock-in digital (DLIA - Digital Lock-in Amplifier) em plataforma microcontrolada embarcável, integrado à aplicação de algoritmos de Aprendizado de Máquina (ML - Machine Learning) para a interpretação de dados e inferência da concentração gasosa, visando a autonomia e a precisão do sistema em campo. Como prova de conceito, implementou-se o DLIA no microcontrolador STM32F446RE, validado na detecção de acetileno (C2H2) via WMS em uma célula espectrométrica com caminho óptico de 78 cm. O sistema apresentou desempenho comparável ao equipamento comercial Signal Recovery® DSP7265, alcançando um limite de detecção de 27 ppm. Para a quantificação da concentração gasosa a partir das curvas geradas pelo sensor, foram avaliados algoritmos de aprendizado de máquina, incluindo Random Forest, XGBoost, Regressões Polinomiais e Redes Neurais. O modelo baseado em Random Forest destacou-se ao apresentar os melhores indicadores de desempenho, com MAE de 1,55 ppm, RMSE de 2,31 ppm, R² de 99,6% e MAPE de 11,40%, sendo posteriormente embarcado no microcontrolador. O resultado é uma solução integrada que contempla desde a aquisição e o processamento digital de sinais até a inferência inteligente de dados em um único dispositivo.

MEMBROS DA BANCA:
Externo à Instituição - GUSTAVO OLIVEIRA CAVALCANTI - UPE
Interno - ***.447.564-** - HENRIQUE PATRIOTA ALVES - UFRPE
Presidente - 2226204 - JOAQUIM FERREIRA MARTINS FILHO
Externo à Instituição - SERGIO CAMPELLO OLIVEIRA - UPE
Externo à Instituição - VLADIMIR HOMOBONO SOARES - UPE