PPPamela Gabriela Barboza Pereira

Pamela Gabriela Barboza Pereira

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

Pamela Gabriela Barboza Pereira has a total of 11 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.