Banca de QUALIFICAÇÃO: BERNARDO CAIO NUNES DE OLIVEIRA LIMA

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE: BERNARDO CAIO NUNES DE OLIVEIRA LIMA
DATA : 30/07/2025
LOCAL: Sala 408, DES/CTG, presencial
TÍTULO:

OTIMIZACAO DE SENSORES OPTICOS VIA MACHINE LEARNING: UM ESTUDO SOBRE LOCK-IN DIGITAL EM MICROCONTROLADORES DE 32 BITS PARA ESPECTROSCOPIA WMS

PALAVRAS-CHAVES:

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

PÁGINAS: 47
RESUMO:

Pesquisadores do Grupo de Fotônica da Universidade Federal de Pernambuco (UFPE) e do Instituto de Inovação Tecnológica da Universidade de Pernambuco (IIT-UPE) desenvolveram um sistema sensor óptico embarcado para detecção de baixas concentrações de gases dissolvidos em óleo isolante de transformadores de alta tensão, empregando a técnica de Espectroscopia com Modulação do Comprimento de Onda (WMS). O atual Módulo de Controle e Aquisição (MCA) gerencia parâmetros de corrente e temperatura de cinco lasers DFB e adquire dados experimentais, mas para torná-lo apto a operar in loco, é necessário desenvolver um amplificador lock-in digital (DLIA) em plataforma microcontrolada e aplicar algoritmos de Machine Learning (ML) para interpretação dos dados e inferência da concentração gasosa. Diante do exposto, esse projeto de tese apresenta a viabilidade de utilizar plataformas microcontroladas oriundas da Internet das Coisas (IoT) e algoritmos de aprendizado de máquina para a otimização de um sistema sensor óptico baseado em microcontrolador e destinado à execução da técnica de WMS in loco. Como prova de conceito, implementou-se um DLIA no microcontrolador STM32F446RE, validado na detecção de acetileno C2H2 via WMS em uma célula espectrométrica de 78 cm de caminho óptico, com desempenho comparável ao equipamento comercial Signal Recovery® DSP7265, detectando concentrações de até 27 ppm (R2 = 0.88; RMSE = 31.22). Algoritmos como SVM e árvore de decisão mostraram-se promissores na tarefa de classificação das concentrações, ambos alcançando uma acurácia de 87.5%. O próximo passo é a implementação embarcada desses algoritmos no DLIA com STM32, visando uma solução inteligente para monitoramento em tempo real do estado de transformadores de alta potência.

MEMBROS DA BANCA:
Externo à Instituição - GUSTAVO OLIVEIRA CAVALCANTI - UPE
Presidente - 2226204 - JOAQUIM FERREIRA MARTINS FILHO
Externo à Instituição - SERGIO CAMPELLO OLIVEIRA - UPE