LSLetícia Barros Dias Soares

Letícia Barros Dias Soares

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

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Letícia Barros Dias Soares has a total of 13 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Open Access

    PREDIÇÃO DE DADOS DE TEMPERATURA VIA LSTM E REGRESSÃO LINEAR: ESTUDO DE CASO EM RIVERA, URUGUAI

    by Letícia Barros Dias Soares, Jairo Valões de Alencar Ramalho, Geilson de Almeida Soares, Roney Menezes Meirelles Júnior, Pamela Gabriela Barboza Pereira, João Inácio Moreira Bezerra, Marlon Mauricio Hernandez Cely, Honório Joaquim Fernando, Nibia Raquel Navarro Pastor, Marcos Rafael Burlón Olivera, et al.

    A energia geotérmica superficial é uma fonte promissora de energia renovável, proporcionando soluções sustentáveis para o aquecimento e resfriamento de edificações. Exemplos disso são os Trocadores de Calor Solo-Ar (TCSA), que utilizam ventiladores de baixa potência para circular o ar por dutos subterrâneos, reduzindo o consumo de energia de sistemas convencionais de ar-condicionado. A eficiência dos TCSA depende de dados sobre as temperaturas do ar e do solo, obtidos por meio de modelagem matemática e técnicas de inteligência artificial. Esses modelos, inspirados no funcionamento do cérebro humano, são capazes de aprender padrões complexos em grandes volumes de dados. A previsão de séries temporais é essencial para a análise de dados, pois envolve sequências coletadas ao longo do tempo, permitindo identificar padrões e prever eventos futuros. Com o avanço da aprendizagem profunda, modelos como Redes Neurais Recorrentes (RNN) e Long Short-Term Memory (LSTM) têm superado métodos tradicionais na modelagem de dependências temporais em dados sequenciais. Este estudo busca prever o comportamento das temperaturas do ar e do solo em Rivera (Uruguai), utilizando dados coletados entre julho de 2023 e abril de 2024 por um sistema de monitoramento remoto, em parceria com a Universidad Tecnológica del Uruguay (UTEC). São avaliadas, em particular, as técnicas de LSTM e Regressão Linear para prever e recuperar dados de temperatura ausentes devido a falhas nos sensores ou manutenção. Os resultados indicam que ambas as técnicas recuperam os dados de forma satisfatória, sendo a LSTM a mais precisa nos casos testados.

  • Open Access

    Explorando a Estatística Visual: Criando e Interpretando Gráficos

    by Letícia Barros Dias Soares, Helena Duarte Vilela, Rita de Cássia de Souza Soares Ramos

    O presente artigo tem como propósito analisar a habilidade dos estudantes de Licenciatura em Matemática na identificação de erros e características corretas em gráficos estatísticos na disciplina de Laboratório de Ensino de Matemática (LEM), da Universidade Federal de Pelotas. Foi realizada uma atividade com o objetivo de instrumentalizar os alunos a distinguirem gráficos corretos e incorretos, bem como construí-los, a fim de permitir que os colegas realizassem essa diferenciação. A partir da perspectiva da Teoria dos Registros de Representação Semiótica, e com o uso da Metodologia de Análise de Erros integrada à Análise de Conteúdo, foram estudadas as respostas dos estudantes a problemas envolvendo atividades de Laboratório de Matemática e Estatística. A análise dos resultados revelou que, apesar dos estudantes apresentarem um bom domínio dos conceitos básicos relacionados à representação gráfica, ainda há a necessidade de aprimoramento em termos de interpretação e análise estatística.