The environment consists of the interaction between the physical, biotic, and anthropic means. As this interaction is dynamic, environmental characteristics tend to change naturally over time, requiring continuous monitoring. In this scenario, the internet of things (IoT), together with traditional sensor networks, allows for the monitoring of various environmental aspects such as air, water, atmospheric, and soil conditions, and sending data to different users and remote applications. This paper proposes a Standard-based Internet of Things Platform and Data Flow Modeling for Smart Environmental Monitoring. The platform consists of an IoT network based on the IEEE 1451 standard which has the network capable application processor (NCAP) node (coordinator) and multiple wireless transducers interface module (WTIM) nodes. A WTIM node consists of one or more transducers, a data transfer interface and a processing unit. Thus, with the developed network, it is possible to collect environmental data at different points within a city landscape, to perform analysis of the communication distance between the WTIM nodes, and monitor the number of bytes transferred according to each network node. In addition, a dynamic model of data flow is proposed where the performance of the NCAP and WTIM nodes are described through state variables, relating directly to the information exchange dynamics between the communicating nodes in the mesh network. The modeling results showed stability in the network. Such stability means that the network has capacity of preserve its flow of information, for a long period of time, without loss frames or packets due to congestion.

O presente trabalho objetivou avaliar o desempenho de algoritmos de aprendizado de máquinas na predição da resistência à compressão de argamassas. A base de dados foi criada através de uma busca bibliográfica de mais de 50 referências que foram catalogadas para conter dados de dosagens de argamassa com ou sem adição de resíduos de construção e demolição (RCD). O conjunto de dados avaliado passou por um pré-processamento de integração dos dados de resíduo de construção e demolição, e normalização. Como normalização optou-se pelo uso da técnica z-score. Em seguida, os algoritmos de Aprendizado de Máquina (AM): regressões linear e polinomial, árvores de decisão, ensembles e redes neurais foram utilizados para a predição da resistência à compressão. O conjunto de dados foi separado em 80% para treino e validação e 20% para teste. A validação cruzada empregada foi do tipo k-fold com 10 divisões no subconjunto de treino. Avaliando o desempenho dos modelos o algoritmo tipo ensemble Gradient Boosting apresentou o melhor desempenho quando comparado aos demais, atingindo um valor superior a 90% no coeficiente de determinação. Por fim, conclui-se que o AM é uma ferramenta prática importante na predição da resistência à compressão de argamassas. Além disso, o modelo de inteligência artificial foi prototipado para uso da comunidade científica e técnica em uma versão web disponível através do framework Streamlit da linguagem Python.

Mineração de regras de associação tem mostrado grande potencial para extrair conhecimento de conjunto de dados multidimensionais. Contudo, os métodos existentes na literatura não são efetivamente aplicáveis a dados temporais quantitativos. Este artigo estende os conceitos de mineração de regras de associação da literatura. Com base nestes conceitos é apresentado um método para mineração de regras de conjuntos de dados multidimensionais temporais quantitativos por meio de algoritmo genético, denominado GTARGA em referência à Quantitative Temporal Association Rule Mining by Genetic Algorithm. Experimentos com QTARGA em várias bases de dados reais mostram que este permite minerar várias regras de alta confiança em uma única execução do método.

This systematic review focuses on analyzing the use of machine learning techniques for identifying and quantifying analytes in various electrochemical applications, presenting the available applications in the literature. Machine learning is a tool that can facilitate the analysis and enhance the understanding of processes involving various analytes. In electrochemical biosensors, it increases the precision of medical diagnostics, improving the identification of biomarkers and pathogens with high reliability. It can be effectively used for the classification of complex chemical products; in environmental monitoring, using low-cost sensors; in portable devices and wearable systems; among others. Currently, the analysis of some analytes is still performed manually, requiring the expertise of a specialist in the field and thus hindering the generalization of results. In light of the advancements in artificial intelligence today, this work proposes to carry out a systematic review of the literature on the applications of artificial intelligence techniques. A set of articles has been identified that address electrochemical problems using machine learning techniques, more specifically, supervised learning.

RESUMO Este trabalho se insere no contexto de análise de imagens, visando a extração automática de informações complexas com alta precisão. Este estudo teve como objetivo avaliar o desempenho de redes neurais convolucionais na classificação de imagens de concreto em duas classes: (a) não fissuradas e (b) fissuradas. Para tanto, foram empregadas as redes profundas VGG16, VGG19 e ResNet50 com aprendizagem por transferência por meio de ajuste fino. As redes foram treinadas novamente e testadas usando um banco de dados de 40.000 imagens. Após o treinamento, as redes foram testadas, alcançando uma precisão impressionante entre 99,27% e 99,78%. Este alto nível de precisão inspira confiança no uso destes modelos preditivos. Para avaliar a robustez dos modelos, foram gerados gradientes visuais dos pontos focais de atenção das redes nas imagens, mostrando que os modelos focam e capturam aspectos das fotos que realmente caracterizam as fissuras. Com base nos resultados, pode-se concluir que as redes neurais convolucionais são eficazes na classificação de problemas envolvendo concreto e podem ser aplicadas em inspeções precisas para auxiliar engenheiros com alta confiabilidade quanto aos resultados.