Douglas Soares dos Santos
Douglas Soares dos Santos has a total of 9 co-authors. Here are the top co-authors by number of shared publications:
- André Lopes Gama da Fonseca
Galp, Avenida da Índia 8, 1349-065 Lisboa, Portugal
1 shared publication Antônio Neves
Departamento de Ciência da Computac ¸ão Universidade Federal de Minas Gerais (UFMG) 31270-901 - Belo Horizonte - Brasil
1 shared publicationBernardo Dutra
Departamento de Ciência da Computac ¸ão Universidade Federal de Minas Gerais (UFMG) 31270-901 - Belo Horizonte - Brasil
1 shared publicationJorge Wanderley Ribeiro
ISQ Brasil
1 shared publication- Jussara Marques Almeida
Universidade Federal de Minas Gerais
1 shared publication Marcos André Gonçalves
1 shared publication
Latest Publications
- 29 September 2025
- Published by Sociedade Brasileira de Computação
- p. 935-941
Extração Automática de Atributos de Sinais de Emissão Acústica com Redes Neurais Autocodificadoras para Predição de Integridade em Tubulações
A análise de sinais de Emissão Acústica (EA) é uma técnica amplamente utilizada para monitorar processos de degradação estrutural, como a perda de espessura em tubulações. Contudo, a extração de atributos informativos a partir desses sinais é dificultada por ruídos e pela complexidade física da propagação acústica. Este trabalho propõe uma nova abordagem baseada em Denoising Autoencoders com redes neurais convolucionais para atenuação de ruídos e geração de representações latentes compactas e relevantes. A técnica proposta supera métodos tradicionais de extração de atributos na predição de espessura, especialmente em cenários com alto nível de ruído, utilizando dados sintéticos e reais.
- 29 September 2025
- Published by Sociedade Brasileira de Computação
- p. 935-941
Extração Automática de Atributos de Sinais de Emissão Acústica com Redes Neurais Autocodificadoras para Predição de Integridade em Tubulações
A análise de sinais de Emissão Acústica (EA) é uma técnica amplamente utilizada para monitorar processos de degradação estrutural, como a perda de espessura em tubulações. Contudo, a extração de atributos informativos a partir desses sinais é dificultada por ruídos e pela complexidade física da propagação acústica. Este trabalho propõe uma nova abordagem baseada em Denoising Autoencoders com redes neurais convolucionais para atenuação de ruídos e geração de representações latentes compactas e relevantes. A técnica proposta supera métodos tradicionais de extração de atributos na predição de espessura, especialmente em cenários com alto nível de ruído, utilizando dados sintéticos e reais.