Relatório de Iniciação Científica
URI permanente para esta coleçãohttps://repositorio.insper.edu.br/handle/11224/3252
Navegar
4 resultados
Resultados da Pesquisa
Relatório de Iniciação Científica Estudo da visualização de dados neurais de Eletroencefalografia(2025) Rozatti, Giovanni AugusthoO objetivo dessa pesquisa de iniciação científica era explorar a viabilidade de controle direto de braços robóticos por meio de sinais neurais de eletroencefalografia (EEG). Devido à complexidade inerente da tarefa e à dificuldade em adquirir hardware adequado para ensaios, o foco da pesquisa foi ajustado para o desenvolvimento de novas estratégias e ferramentas de visualização de dados neurais, de modo a apoiar a exploração de sinais de EEG em aplicações de controle de movimento. As atividades realizadas incluíram o desenvolvimento de uma interface 3D para a visualização de dados de EEG, a proposta de uma arquitetura de rede neural que permite o tratamento de dados de EEG, e a criação de uma interface de “joystick virtual “que permitiria a visualização da intenção de movimento do usuário a partir dos outputs da rede neural. A interface de visualização implementou a normalização de dados neurais entre -1 e 1 para mapear potenciais excitatórios e inibitórios. A pesquisa também revelou a importância da qualidade do hardware de aquisição de sinais, com especialistas apontando que o equipamento utilizado captava ruídos miográficos em vez de sinais neurais confiáveis. Conclui-se que a comparação das visualizações de dados desenvolvidas com bibliotecas existentes, como MNE-Python, é crucial para validar abordagens, bem como são necessárias validações adicionais em relação ao método de normalização. Este trabalho destaca principalmente os desafios e aprendizados no campo das interfaces cérebro-máquina não invasivas e aponta para futuras direções de pesquisa.Relatório de Iniciação Científica Avaliação dos Impactos da Urbanização no Escoamento do Ar e na Dispersão de Poluentes em São Paulo(2025) Bonfim, Tainá Pereira deO crescimento urbano vertical tem provocado impactos significativos no microclima das cidades, especialmente na dinâmica de ventos e poluição ao nível dos pedestres. Neste contexto, a construção de edifícios altos pode aumentar a velocidade do vento e comprometer a dispersão de poluentes, representando um potencial risco à saúde pública. Visando compreender e mitigar esses efeitos, este estudo propõe uma análise detalhada do problema, utilizando a Dinâmica dos Fluidos Computacional (Computational Fluid Dynamics – CFD). A metodologia fundamenta-se em simulações computacionais realizadas no software STAR CCM+, com parâmetros rigorosamente ajustados para replicar condições urbanas reais. As configurações da simulação foram desenvolvidas a partir de uma extensa revisão de literatura científica, incorporando métodos avançados de modelagem, discretização da malha, análise de rugosidade da parede e modelagem do escoamento. A validação do modelo seguiu critérios estabelecidos pelo Instituto de Arquitetura do Japão (AIJ), garantindo robustez metodológica e confiabilidade dos resultados. O objetivo central desta pesquisa é desenvolver uma simulação computacional capaz de representar com precisão as condições urbanas brasileiras, oferecendo subsídios técnicos para estratégias de mitigação do fenômeno de ilhas de calor urbanas e seus impactos ambientais na saúde pública.Relatório de Iniciação Científica Sistema de gerenciamento de baterias de íons de Lítio(2024) Fleider, MaiaEste relatório apresenta uma pesquisa sobre o comportamento de baterias de íons de Lítio e seu sistema de gerenciamento. A investigação visa compreender seu funcionamento e comportamento durante o processo de descarga, além de abordar a funcionalidade de um sistema de gerenciamento a fim de estimar seu estado de carga.Relatório de Iniciação Científica Estudo de Reinforcement Learning para o Mercado Financeiro(2024) Claro, Lucca OliveiraO mercado ações é um ambiente complexo e volátil, por isso, encontrar uma estratégia favorável para analisá-lo é um desafio. Neste artigo serão utilizadas estratégias de fusão entre algoritmos de Reinforcement Learning para uma melhor análise desse mercado, visando maximizar o desempenho. Os algoritmos actor-critic, que serão treinados para a estratégia de fusão, são Advantage Actor Critic, Proximal Policy Optimization e Deep Deterministic Policy Gradient. A partir de um treinamento prévio, as fusões buscam priorizar o algoritmo com melhor estabilidade de acordo com as condições do mercado, com o objetivo de deixar o modelo robusto. As fusões são feitas para alcançar um melhor resultado do que os algoritmos individuais. A comparação entre os modelos é feita pelo Índice de Sharpe. O treinamento do modelo será feito pelas ações do Dow Jones e os indicadores técnicos utilizados são: Moving Average Convergence Divergence, Relative Strength Index, Commodity Channel Index e Average Directional Index.