Pamela Gabriela Barboza Pereira
Pamela Gabriela Barboza Pereira has a total of 11 co-authors. Here are the top co-authors by number of shared publications:
Cindy Jireth Ortiz Gamba
1 shared publication- Geilson de Almeida Soares1 shared publication
- Honório Joaquim Fernando
Department of Mathematics, UFF, Volta Redonda, Brazil
1 shared publication - Jairo Valões de Alencar Ramalho
Universidade Federal de Pelotas
1 shared publication - João Inácio Moreira Bezerra
Universidade Federal de Pelotas
1 shared publication - Letícia Barros Dias Soares
Universidade Federal de Pelotas
1 shared publication
Latest Publications
- Open Access
- 8 April 2026
- Published by Revista Mundi in Revista Mundi Engenharia, Tecnologia e Gestão (ISSN: 2525-4782)
- Vol. 11 (1)
PREDIÇÃO DE DADOS DE TEMPERATURA VIA LSTM E REGRESSÃO LINEAR: ESTUDO DE CASO EM RIVERA, URUGUAI
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.
- 8 April 2026
- Published by Revista Mundi in Revista Mundi Engenharia, Tecnologia e Gestão (ISSN: 2525-4782)
- Vol. 11 (1)
Open AccessPREDIÇÃO DE DADOS DE TEMPERATURA VIA LSTM E REGRESSÃO LINEAR: ESTUDO DE CASO EM RIVERA, URUGUAI
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.