40001016030P0 Programa de Pós-Graduação em Métodos Numéricos em Engenharia

Applications of data-driven methods in engineering : from manufacturing systems to vehicular connectivity

2026-06-23T18:21:35Z

Applications of data-driven methods in engineering : from manufacturing systems to vehicular connectivity Resumo: Este trabalho tem como objetivo demonstrar as diferentes formas como a coleta e uso de dados podem gerar valor para diferentes áreas da engenharia. Apresentamos quatro artigos com aplicações de aprendizagem de máquina, mineração de processos, ciência e análise de dados em engenharia. Os artigos são divididos em duas áreas abrangentes: planejamento e controle de produção; e utilização de dados de veículos conectados. Os dois primeiros artigos focam no planejamento e controle de produções em manufaturas, com o primeiro sendo uma pesquisa inicial na previsão de tempo remanescente de ordens de produção e o segundo uma pesquisa mais robusta, a qual é continuação e melhora direta do primeiro. Nestes dois artigos, são apresentados modelos de predição de tempo remanescente de ordens de produção orientados ao produto, utilizando métodos de mineração de processo e aprendizagem de máquina. Os modelos foram testados em dados artificiais e em dados de uma manufatura real e apresentaram resultados interessantes. Os dois últimos artigos têm como foco a utilização de dados de veículos conectados para gerar valor em dois diferentes tópicos: eficiência energética e otimização no tamanho de baterias de veículos elétricos. No primeiro desses artigos, uma clusterização com base no contexto é apresentada como solução para tornar rankings de consumo de combustível mais justos, isto é, que comparem os motorístas com mínima influência externa. Neste artigo, tal método de clusterização é demonstrado com dados de veículos reais e também é demonstrada a influência do contexto no consumo de combustível. Utilizando essa clusterização, rankings justos são criados e outras aplicações são propostas. O segundo desses artigos explora, em parte, uma das aplicações propostas no artigo anterior para a clusterização com base no contexto. Neste artigo, são utilizadas técnicas de aprendizagem de máquina e ciência e análise de dados para otimizar o tamanho de baterias de veículos elétricos, considerando os perfis de viagem dos diferentes contextos e considerando diferentes hipóteses de recarregamento. Tamanhos ótimos de baterias são encontrados para diferentes perfis de motoristas; Abstract: This work aims to demonstrate the different ways in which the collection and use of data can generate value for different areas of engineering. We present four papers with applications of machine learning, process mining, data science and analysis in engineering. The papers are divided into two broad areas: production planning and control; and utilizing data from connected vehicles. The first two articles focus on production planning and control in manufacturing, with the first being initial research into predicting the remaining time of production orders and the second more robust research, which is a direct continuation and improvement of the first. These two articles present product-orientated models for predicting the remaining time of production orders using process mining and machine learning methods. The models were tested on artificial data and data from a real manufacturing plant and showed interesting results. The last two papers focus on using data from connected vehicles to generate value in two different topics: energy efficiency and optimizing the size of electric vehicles’ batteries. In the first of these papers, context-based clustering is presented as a solution for making fuel consumption rankings fairer, i.e. comparing drivers with minimal external influence. In this paper, such a clustering method is demonstrated with real vehicles’ data, and the influence of context on fuel consumption is also shown. Using this clustering, fair rankings are created, and further applications are proposed. The second of these papers partly explores one of the applications proposed in the previous paper for context-based clustering. In this paper, machine learning, data science and analysis techniques are used to optimize the size of electric vehicles’ batteries, considering the travel profiles of different contexts and different recharging hypotheses. Optimal battery sizes are found for different driver profiles Orientador: Prof Dr. José Eduardo Pécora Junior; Coorientador: Dr. Eduardo Alves Portela Santos; Banca: José Eduardo Pécora Junior (Presidente da Banca), José Roberto Frega, Roberto Zanetti Freire; Dissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Métodos Numéricos em Engenharia. Defesa : Curitiba, 27/02/2025; Inclui referências

Aprendizado por reforço aplicado ao problema de alocação de berços no porto de Paranaguá e Antonina

2026-05-25T14:32:24Z

Aprendizado por reforço aplicado ao problema de alocação de berços no porto de Paranaguá e Antonina Resumo: O Problema de Alocação de Berços (PAB) é um dos principais desafios operacionais enfrentadospor terminais portuários, especialmente em contextos com alta variabilidade de carga, múltiplosoperadores e restrições físicas, como ocorre no sistema da APPA (Administração dos Portosde Paranaguá e Antonina). A alocação eficiente dos navios aos berços impacta diretamente otempo de espera, o uso da infraestrutura e a fluidez da cadeia logística. Diante da naturezaestocástica do ambiente portuário e das limitações dos métodos determinísticos tradicionais,esta dissertação propõe a modelagem do PAB como um Processo de Decisão Sequencial(SDP), resolvido por meio de Aprendizado por Reforço (Reinforcement Learning – RL). Aabordagem considera estados definidos por parâmetros operacionais reais, como tipo de carga,tempo de manuseio, configuração dos berços e tempos de troca entre tipos de operação. Aabordagem incorpora técnicas de clusterização funcional para reduzir o espaço de estados emelhorar a especialização das políticas aprendidas. O treinamento é realizado com base emrecompensas projetadas para maximizar a ocupação dos berços e minimizar o tempo de esperadas embarcações. Os resultados obtidos incluem ganhos significativos de eficiência operacionalem relação a políticas tradicionais, como First-In First-Out (FIFO) e Priority of Handling Time(PHT), com destaque para uma redução média de aproximadamente 37% nos tempos deespera das embarcações, além de escalabilidade e robustez frente a incertezas operacionais.Esta abordagem contribui para o avanço de soluções baseadas em inteligência artificial no setorportuário e pode ser replicada em outros terminais com características similares.; Abstract: The Berth Allocation Problem (BAP) is one of the main operational challenges faced by portterminals, especially in contexts with high cargo variability, multiple operators, and physicalconstraints, as observed in the APPA system (Administration of the Ports of Paranaguá andAntonina). Efficient allocation of vessels to berths directly impacts waiting times, infrastructureutilization, and the fluidity of the logistics chain. Considering the stochastic nature of the portenvironment and the limitations of traditional deterministic methods, this dissertation proposesmodeling the BAP as a Sequential Decision Process (SDP), solved through ReinforcementLearning (RL). The approach considers states defined by real operational parameters, such ascargo type, handling time, berth configuration, and switching times between different types ofoperations. The model incorporates functional clustering techniques to reduce the state spaceand improve the specialization of the learned policies. The training process is realized usingreward functions designed to maximize berth occupancy and minimize vessel waiting times.The results achieved include significant operational efficiency gains compared to traditionalpolicies such as First-In First-Out (FIFO) and Priority of Handling Time (PHT), with emphasison an average reduction of approximately 37% in vessel waiting times, in addition to improvedscalability and robustness in the face of operational uncertainties. This approach contributesto the advancement of artificial-intelligence-based solutions in the port sector and can bereplicated in other terminals with similar characteristics. Orientador: Prof. Dr. Eduardo Tadeu Bacalhau; Banca: Eduardo Tadeu Bacalhau (Presidente da Banca), Cassius Tadeu Scarpin e Flavia Barbosa; Dissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Métodos Numéricos em Engenharia. Defesa: Curitiba, 22/12/2025; Inclui referências

Modelagem numérica da equação de condução de calor unidimensional e bidimensional em regimes permanente e transiente com o método SPH e otimização de hiperparâmetros via aprendizado de máquina

2026-05-11T15:37:23Z

Modelagem numérica da equação de condução de calor unidimensional e bidimensional em regimes permanente e transiente com o método SPH e otimização de hiperparâmetros via aprendizado de máquina Resumo: O desenvolvimento de métodos numéricos que assegurem simultaneamente precisão, estabilidade e adaptabilidade permanece como um desafio fundamental na modelagem defenômenos físicos complexos. Nesse contexto, o método Smoothed Particle Hydrodynamics(SPH), devido à sua formulação Lagrangiana livre de malha, tem se destacado comouma abordagem poderosa para problemas difusivos e térmicos. Esta tese apresenta umaimplementação abrangente do método SPH aplicada à solução da equação de Poisson e daequação de condução de calor em regimes permanente e transiente, em domínios unidimensionais e bidimensionais (RP1D, RP2D, RT1D e RT2D), sob condições de contornode Dirichlet e Neumann. Seis funções suavizadoras — Spline Cúbica, Spline Quártica,Spline Quíntica, New Quártica, Lucy e Gaussiana — são avaliadas por meio de variaçõessistemáticas do parâmetro de suporte. Os resultados numéricos são validados com soluçõesanalíticas e com o Método dos Volumes Finitos (MVF), alcançando erros médios inferioresa0,1?C em casos lineares. Como principal contribuição, propõe-se uma estrutura automatizada para a seleção da função suavizadora ótima por meio de técnicas de aprendizado demáquina. Modelos de Extreme Learning Machine (ELM), Multilayer Perceptron (MLP),Random Forest e XGBoost foram treinados com uma base de dados composta por 26.064simulações independentes. Métodos baseados em ensemble apresentaram desempenhosuperior, com acurácias acima de 93% em todos os cenários; o Random Forest atingiu99,4% no caso RT2D, enquanto o XGBoost alcançou 98,5% no caso RP2D. Em contraste,os modelos ELM e MLP demonstraram maior sensibilidade à complexidade do problema,especialmente em regimes transientes. A superioridade estatística dos modelos ensemblefoi confirmada por meio dos testes de Friedman e Nemenyi post-hoc, comp<0,05. Aelevada acurácia de classificação indica que as configurações preditas correspondem deforma confiável às configurações ótimas de referência, preservando a fidelidade física dasolução SPH e eliminando a necessidade de calibração manual. A abordagem propostareduz o custo computacional em até cinco ordens de magnitude, substituindo processosde calibração que demandam várias horas por inferências realizadas em menos de umsegundo. Os resultados demonstram que a integração entre o método SPH e técnicas deaprendizado de máquina constitui uma estratégia eficiente, robusta e orientada por dadospara a modelagem numérica preditiva, com elevado potencial de extensão para outrosmétodos livres de malha e aplicações multifísicas mais complexas; Abstract: The development of numerical methods that ensure accuracy, stability, and adaptabilityremains a fundamental challenge in the modeling of complex physical phenomena. Inthis context, the Smoothed Particle Hydrodynamics (SPH) method, due to its mesh-freeLagrangian formulation, has emerged as a powerful approach for diffusive and thermalproblems. This thesis presents a comprehensive implementation of the SPH method forsolving the Poisson equation and the heat conduction equation in steady-state and transientregimes, in both one- and two-dimensional domains (RP1D, RP2D, RT1D, and RT2D),under Dirichlet and Neumann boundary conditions. Six smoothing kernels — CubicSpline, Quartic Spline, Quintic Spline, New Quartic, Lucy, and Gaussian — are evaluatedthrough systematic variations of the support parameter. Numerical results are validatedagainst analytical solutions and the Finite Volume Method (FVM), achieving averageerrors below 0.1,?C in linear cases. As the main contribution, an automated framework isproposed for selecting the optimal smoothing kernel using machine learning techniques.Extreme Learning Machine (ELM), Multilayer Perceptron (MLP), Random Forest, andXGBoost models were trained on a dataset comprising 26,064 independent simulations.Ensemble methods demonstrated superior performance, with accuracies above 93% acrossall scenarios; Random Forest achieved 99.4% in the RT2D case, while XGBoost reached98.5% in the RP2D case. In contrast, ELM and MLP exhibited greater sensitivity toproblem complexity, particularly in transient regimes. Statistical superiority of ensemblemodels was confirmed using Friedman and Nemenyi post-hoc tests (p<0.05). The highclassification accuracy indicates that the predicted configurations reliably correspondto optimal reference settings, preserving the physical fidelity of the SPH solution whileeliminating the need for manual calibration. The proposed approach reduces computationalcost by up to five orders of magnitude, replacing calibration procedures that require severalhours with inference times of less than one second. These results demonstrate that theintegration of SPH with machine learning provides an efficient, robust, and data-drivenframework for predictive numerical modeling, with strong potential for extension to othermesh-free methods and complex multiphysics applications Orientador: Prof. Dr. Eduardo Tadeu Bacalhau; Banca: Eduardo Tadeu Bacalhau (Presidente da Banca), Hugo Valadares Siqueira, Luiz Carlos Matioli e Carlos Adalberto Schnaider Batista; Tese (doutorado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Métodos Numéricos em Engenharia. Defesa : Curitiba, 30/01/2026; Inclui referências

Modelagem e otimização da alocação de carga horária docente em instituições de ensino

2026-05-07T17:34:33Z

Modelagem e otimização da alocação de carga horária docente em instituições de ensino Resumo: Este trabalho apresenta o desenvolvimento, a implementação e a análise de três modelos de Programação Linear Inteira Mista voltados à otimização da alocação de carga horária docente em distintos contextos institucionais. A pesquisa é fundamentada por um estudo cienciométrico sobre o problema de timetabling acadêmico, o qual evidenciou a predominância de formulações exatas na literatura recente e identificou lacunas relacionadas à integração de diferentes níveis de ensino em uma estrutura unificada de modelagem. Foi desenvolvido um modelo aplicado a uma escola pública de Ensino Médio organizada segundo as diretrizes do Novo Ensino Médio, contemplando aulas síncronas, atividades assíncronas, Horas de Atividade, preferências docentes e restrições operacionais específicas. Em seguida, formulou-se um modelo para um Departamento de Matemática em instituição pública de Ensino Superior, incorporando blocos consecutivos de aulas e mecanismos de balanceamento da carga horária entre docentes. Por fim, foi proposto um modelo para um Campus Multicursos com sete graduações, estruturado por meio de decomposição e resolução sequencial em lotes, associado a um processo de periodização das ofertas curriculares. Os modelos foram implementados em Julia, utilizando JuMP e o solver Gurobi. A otimização suprimiu a necessidade de ajustes manuais de horário, uma vez que o cronograma gerado passou a satisfazer automaticamente todas as restrições institucionais e operacionais. A utilização de modelos de Programação Linear Inteira Mista constitui uma abordagem eficaz e flexível para apoiar a tomada de decisão na gestão educacional, especialmente emcontextos caracterizados por elevada complexidade organizacional, múltiplas res trições e demandas por equidade, permitindo maior racionalização do processo de planejamento acadêmico e oferecendo bases para futuras aplicações e adaptações institucionais; Abstract: This study presents the development, implementation, and analysis of three Mixed Integer Linear Programming (MILP) models aimed at optimizing faculty workload alloca tion across distinct institutional contexts. The research is grounded in a scientometric study of the academic timetabling problem, which revealed the predominance of exact formulations in recent literature and identified gaps related to the integration of different educational levels within a unified modeling framework. The first model was developed and applied to a public high school organized according to the guidelines of Brazil’s Novo Ensino Médio, incorporating synchronous classes, asynchronous activities, Activ ity Hours, faculty preferences, and specific operational constraints. The second model, developed for a university mathematics department, incorporates consecutive teaching blocks and workload balancing mechanisms among faculty members. Finally, a scalable model was proposed for a multi-course campus offering seven undergraduate programs, structured through a decomposition strategy and sequential batch resolution procedure, combined with a curriculum offering periodization process. The models were imple mented in Julia using JuMP and the Gurobi solver. The optimization process eliminated the need for manual timetable adjustments, as the generated schedule automatically satisfied all institutional and operational constraints. The use of MILP models constitutes an effective and flexible approach to supporting decision-making in educational manage ment, particularly in contexts characterized by high organizational complexity, multiple constraints, and equity requirements. This approach promotes greater rationalization of academic planning processes and provides a foundation for future applications and institutional adaptations Orientador: Profº Dr. Paulo Henrique Siqueira; Coorientadora: Profª Dra. Viviane Cristhyne Bini Conte; Banca: Viviane Cristhyne Bini Conte (Presidente da Banca), Cassius Tadeu Scarpin, Angelo Aliano Filho e Anselmo Chaves Neto; Tese (doutorado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Métodos Numéricos em Engenharia. Defesa : Curitiba, 05/12/2025; Inclui referências; Área de concentração: Programação Matemática