GGGlendo Freitas Guimarães

Glendo Freitas Guimarães

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Glendo Freitas Guimarães has a total of 150 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Open Access

    Performance of a Multimode Fiber-Optic Interferometric Sensor Using Nickel Ferrite Nanoparticles for Magnetic Field Sensing

    by Lidia Quirino Rodrigues, Luana Samara Paulino Maia, Francisco Willame Coelho de Vasconcelos, Matheus Rodrigues Araujo, Ianna Karollayne Alencar da Silva, João Isaac Silva Miranda, Marcus Aurélio Ribeiro Miranda, José Marcos Sasaki, Joacir Soares de Andrade, Yosdan Martinez Camejo, et al.

  • Open Access

    SMS Fiber-Optic Sensing System for Real-Time Train Detection and Railway Monitoring

    by Waleska Feitoza de Oliveira, Luana Samara Paulino Maia, João Isaac Silva Miranda, Alan Robson da Silva, Aedo Braga Silveira, Dayse Gonçalves Correia Bandeira, Antonio Sergio Bezerra Sombra, Glendo de Freitas Guimarães

    Railway traffic monitoring requires robust detection technologies capable of operating reliably under real-world vibration and environmental conditions. In this work, we present the design and validation of an optical vibration sensor based on a Single-mode–Multimode–Single-mode (SMS) fiber structure for Light Rail Vehicle (LRV) detection. The sensing mechanism relies on multimodal interference in the multimode fiber (MMF), where rail-induced vibrations modify the guided mode distribution and, consequently, the transmitted optical intensity. The optical signal is converted to voltage and processed through an embedded acquisition system. Additionally, we conducted tests with freight trains and maintenance trains in order to evaluate the applicability of the sensor in other types of trains besides the LRV. We conducted laboratory experiments to assess mechanical stability, sensibility, and packaging strategies, followed by supervised field tests on an operational LRV line. The recorded time-domain signal exhibited clear modulation during train passage, and first-derivative and sliding-window variance analyses were applied to reliably identify vibration events, even in the presence of slow baseline drift. In addition, frequency-domain analysis was performed by applying the Fast Fourier Transform (FFT) to the measured signal, enabling the identification of characteristic low-frequency spectral components induced by train passage. A quantitative sensitivity assessment was further carried out by correlating the integrated spectral energy (0–12 Hz) with vehicle weight, yielding a linear response with a sensitivity of 0.0017 a.u./t and coefficient of determination R2=0.933. The proposed solution demonstrated stable operation using commercially available low-cost components, confirming the feasibility of SMS-based optical sensing for railway monitoring. These results indicate strong potential for future deployment in traffic safety systems and distributed sensing networks.


  • Open Access

    Resonance spectrum prediction and inverse design of plasmonic gold nanostructures based on regression

    by Luana S. P. Maia, Darlan A. Barroso, Tiago B. Marinho, Matheus R. Araújo, João V. A. Pereira, Carlos Alexandre R. Fernandes, Renato J. Martins, Benoit Cluzel, Glendo F. Guimarães

    Machine learning (ML) has become an important tool in nanophotonics for predicting the optical response of plasmonic nanostructures based on parameters, such as geometry and material. Traditional modeling approaches often involve high computational costs and long simulation times, which hinder rapid optimization and design. This work investigates the plasmonic resonance behavior of cylindrical gold nanostructures and evaluates several ML regression models for direct and inverse design. Among the tested methods, the Extra Trees Regressor (ET) achieved the best performance in predicting scattering spectra, with MAE of 0.097, MSE of 0.052, RMSE of 0.224, and R 2 of 0.999. For inverse design, which maps spectral inputs to physical parameters, the model demonstrated high accuracy and strong generalization, recovering nanocylinder radius with errors below 2.6%. These results highlight the potential of ML-based strategies to accelerate nanophotonic design, reduce dependence on high-cost simulations, and support efficient characterization workflows. Graphical abstract


  • Open Access

    A Sequência Fedathi no ensino de comunicações ópticas mediada por um simulador educacional com inteligência artificial: uma análise quantitativa

    by Sebastião Elvis Gomes, Glendo de Freitas Guimarães

    O ensino de Comunicações Ópticas em cursos de Engenharia de Telecomunicações, Tecnólogo em Telemática e áreas afins, quando fundamentado predominantemente no método expositivo tradicional, tem se mostrado desafiador para os estudantes. Abordagens clássicas, nas quais o discente assume uma postura passiva no processo de ensino, tendem a limitar a participação ativa, dificultando tanto a construção autônoma do conhecimento quanto a compreensão de conteúdos abstratos e de elevada complexidade conceitual. Diante desse cenário, o presente trabalho investiga a eficácia da aplicação de uma sequência didática fundamentada na metodologia de ensino Sequência Fedathi, a qual organiza o processo de ensino em etapas investigativas e reflexivas, favorecendo o protagonismo discente. Essa abordagem foi integrada ao uso do simulador educacional de redes ópticas Optilearn, que incorpora modelos preditivos de Inteligência Artificial (IA) embarcada, desenvolvido no laboratório de Fotônica do Instituto Federal de Educação, Ciência e Tecnologia do Ceará (IFCE). O simulador permite o cálculo de parâmetros relevantes de desempenho de redes ópticas, como a Mínima Taxa de Erro de Bit (MIN_BER) e o Fator Máximo de Qualidade (MAX_Q_FACTOR). A intervenção pedagógica, que combinou a Sequência Fedathi com o uso do simulador Optilearn, foi aplicada em sessões didáticas com estudantes do curso de Engenharia de Telecomunicações e de áreas afins, em um ambiente de aprendizagem interativo e adaptativo. A avaliação da eficácia da proposta, sob uma abordagem metodológica quantitativa, foi realizada por meio de uma análise comparativa entre os resultados obtidos nos questionários aplicados no pré-teste e no pós-teste, com o mesmo grupo de alunos. Os dados foram analisados utilizando o teste estatístico não paramétrico de Wilcoxon, cujos resultados indicaram um aumento estatisticamente significativo no desempenho dos estudantes após a intervenção pedagógica. Esses achados evidenciam a efetividade da integração entre a metodologia de ensino Sequência Fedathi e o uso de ferramentas de simulação educacional de redes ópticas baseadas em Inteligência Artificial, demonstrando seu potencial para a facilitação do ensino de conceitos abstratos, o estímulo ao raciocínio investigativo e o aumento do engajamento discente em conteúdos complexos de Física Óptica e Comunicações Ópticas.

  • Open Access

    Quantum Pendulum via Physics-Informed Neural Networks: A Topological Approach to Quantum Dynamics

    by José Carlos Ferreira Bastos, Glendo de Freitas Guimarães, Maximiliano Bevilaqua Esper

  • Open Access

    A pesquisa na Pós-Graduação Stricto Sensu acerca do uso de Inteligência Artificial no ensino: uma revisão sistemática de literatura

    by Sebastião Elvis Gomes, Glendo de Freitas Guimarães

    O crescimento exponencial da Inteligência Artificial (IA) representa um desafio e uma oportunidade para a educação, tornando imperativo compreender como essa tecnologia está sendo incorporada e pesquisada no Ensino brasileiro. Para traçar um panorama atualizado do estado da arte, esta pesquisa apresenta uma Revisão Sistemática da Literatura (RSL), focada em teses e dissertações disponíveis na Biblioteca Digital Brasileira de Teses e Dissertações (BDTD). A RSL buscou mapear: (i) o volume e a distribuição geográfica (UF) das publicações; (ii) as Instituições de Ensino Superior (IES) e os pesquisadores (discentes e docentes) mais ativos; (iii) os segmentos educacionais (Básico, Médio e Superior) e as áreas/disciplinas (Ciências, Física, Matemática) de aplicação da IA; e (iv) a distribuição de autoria por gênero. Os resultados revelaram um crescimento significativo das pesquisas a partir de 2022, concentradas majoritariamente na Região Sudeste. As IES com maior destaque foram USP, UNB, UNESP e USC. Observou-se que a aplicação da IA é predominante no Ensino Superior, com especial foco em áreas como o Ensino de Ciências. Esses achados oferecem um mapeamento essencial das tendências e lacunas da pesquisa nacional, fornecendo subsídios importantes para futuros pesquisadores e para a formulação de políticas educacionais estratégicas sobre o uso da IA na educação.

  • Open Access

    Inverse Design of Plasmonic Nanostructures Using Machine Learning for Optimized Prediction of Physical Parameters

    by Luana S. P. Maia, Darlan A. Barroso, Aêdo B. Silveira, Waleska F. Oliveira, André Galembeck, Carlos Alexandre R. Fernandes, Dayse G. C. Bandeira, Benoit Cluzel, Auzuir R. Alexandria, Glendo F. Guimarães

    Plasmonic nanostructures have been widely studied for their unique optical properties, which are useful in sensing, photonics, and energy. However, the efficient design of these structures, considering the complex relationship between geometry, material, and optical response, remains a challenge. In this study, we propose a machine learning-based approach to address the inverse design problem in nanostructures, using data generated by numerical simulations via the Finite Element Method (FEM). We used a dataset of over 140,000 entries to train the regression models CatBoost, Random Forest, and Extra Trees, capable of predicting physical parameters, such as the radius of the nanocylinder, based on the simulated optical response. The CatBoost model achieved the best performance, with a Mean Absolute Error below 0.3 nm on unseen data. In parallel, we applied a direct design approach to experimental data of metallic nanoparticles, focusing on the optical absorption prediction from particle size. In this case, Random Forest presented the best performance, with a lower risk of overfitting. The results indicate that machine learning models are promising tools for optimizing the design and characterization of plasmonic nanostructures, thus reducing the need for costly experimental techniques.


  • Open Access

    Um desenvolvimento de aplicativo para predição de parâmetros de redes de comunicações ópticas voltado para o ensino

    by Sebastião Elvis Gomes, Glendo de Freitas Guimarães, Yosdan Martínez Camejo, Darlan Almeida Barroso, Carlos Alexandre Rolim Fernandes

    O ensino de Comunicações Ópticas em cursos de Engenharia, utilizando o método expositivo tradicional, tem se mostrado desafiador para os estudantes. Muitas vezes, o aprendizado é percebido como complexo, em parte devido à abordagem passiva imposta pelos métodos convencionais, que limitam a interação ativa dos alunos no processo de construção do conhecimento. Paralelamente, a crescente presença da Inteligência Artificial (IA) na sociedade está transformando diversas áreas, incluindo a forma como interagimos com o mundo e aprendemos. Nesse contexto, este trabalho propõe o desenvolvimento de um aplicativo (API) baseado em IA para simulação de Redes Ópticas, com foco no ensino prático dessas tecnologias. Por meio da implementação de diferentes modelos preditivos de IA, foram conduzidas diversas simulações, permitindo uma análise detalhada do desempenho de cada modelo em variáveis-chave, como o fator máximo de qualidade (MAX_Q_FACTOR) e a taxa de erro de bit (BER). Os resultados das simulações oferecem uma visão comparativa sobre o impacto de cada modelo no desempenho e na confiabilidade de redes ópticas. Essa análise destaca a importância da escolha adequada de modelos preditivos, otimizando tanto o projeto quanto a operação dessas redes, além de facilitar a compreensão de conceitos complexos pelos alunos, contribuindo para um ensino mais dinâmico e interativo.


  • Optimization of Energy Storage Systems with Renewable Energy Generation and Consumption Data

    by Edmilson Moreira Lima Filho, Aêdo Braga Silveira, Alexandre Marques Ferreira, João Alexandre Lobo Marques, Josias Guimarães Batista, Glendo De Freitas Guimarães, Auzuir Ripardo De Alexandria, Joel José Puga Coelho Rodrigues

    This work provides a comprehensive systematic review of optimization techniques using artificial intelligence (AI) for energy storage systems within renewable energy setups. The primary goals are to evaluate the latest technologies employed in forecasting models for renewable energy generation, load forecasting, and energy storage systems, alongside their construction parameters and optimization methods. The review highlights the progress achieved, identifies current challenges, and explores future research directions. Despite the extensive application of machine learning (ML) and deep learning (DL) in renewable energy generation, consumption patterns, and storage optimization, few studies integrate these three aspects simultaneously, underscoring the significance of this work. The review encompasses studies from Web of Science, Scopus, and Science Direct up to December 2023, including works scheduled for publication in 2024. Each study related to renewable energy storage was individually analyzed to assess its objectives, methodology, and results. The findings reveal useful insights for developing AI models aimed at optimizing storage systems. However, critical areas need further exploration, such as real-time forecasting, long-term storage predictions, hybrid neural networks for demand-based generation forecasting, and the evaluation of various storage scales and battery technologies. The review also notes a significant gap in research on large-scale storage systems in Brazil and Latin America. In conclusion, the study emphasizes the need for continued research and the development of new algorithms to address existing limitations in the field.


  • Open Access

    Research and Improvement in Magnetic Field Sensors Using Mach–Zehnder Interferometer with Cobalt Ferrite Nanoparticles

    by Francisco Willame Coelho de Vasconcelos, Matheus Rodrigues Araújo, Luana Samara Paulino Maia, Lidia Quirino Rodrigues, Ianna Karollayne Alencar da Silva, João Isaac Silva Miranda, José Marcos Sasaki, Marcus Aurélio Ribeiro Miranda, Joacir Soares de Andrade, Yosdan Martinez Camejo, et al.

    In this work, a current and magnetic field sensor is proposed and experimentally demonstrated utilizing a fiber-optic Mach–Zehnder interferometer (MZI) structure. In our setup, one of the interferometer arms is coated with magnetic nanoparticles. The MZI comprises a laser source emitting an optical signal, split by a coupler into two signals propagated by a reference fiber and a sensor fiber. The sensing fiber is encased in cobalt ferrite (CoFe2O4). Upon exposure to a magnetic field, CoFe2O4 induces vibration in the fiber, modifying the sensor’s transmission and causing an imbalance between the optical signals of the interferometer arms. This enables us to evaluate the sensor performance regarding sensitivity, accuracy, and saturation. The nanoparticles were synthesized using the protein sol–gel method, resulting in an average crystallite size of 8, 27, and 67 nm for 623, 773, and 1073 K, respectively. Sample characterizations were conducted through X-ray fluorescence, X-ray diffraction, VSM magnetic measurements, and Mössbauer spectroscopy for further analysis of the performance. The sensor exhibited a linear response, achieving a maximum regression between 93.0% and 98.6% across all sample points in the 0 to 150 Oe range, with an output power of approximately 20 dBm, correlated with the applied magnetic field. Sensitivity was measured at 1.15, 0.93, and 1.41 dB/Oe. Previous studies have correlated the horizontal width of the hysteresis loop with sensor saturation. However, by employing a different coating in this work, we complement these findings by demonstrating that the sensor does not saturate if the maximum applied field is smaller than the hysteresis loop width.