Plasmonic nanostructures have been widely studied for their unique optical properties, which are useful in sensing, photonics, and energy. However, the efficient design of these structures, considering the complex relationship between geometry, material, and optical response, remains a challenge. In this study, we propose a machine learning-based approach to address the inverse design problem in nanostructures, using data generated by numerical simulations via the Finite Element Method (FEM). We used a dataset of over 140,000 entries to train the regression models CatBoost, Random Forest, and Extra Trees, capable of predicting physical parameters, such as the radius of the nanocylinder, based on the simulated optical response. The CatBoost model achieved the best performance, with a Mean Absolute Error below 0.3 nm on unseen data. In parallel, we applied a direct design approach to experimental data of metallic nanoparticles, focusing on the optical absorption prediction from particle size. In this case, Random Forest presented the best performance, with a lower risk of overfitting. The results indicate that machine learning models are promising tools for optimizing the design and characterization of plasmonic nanostructures, thus reducing the need for costly experimental techniques.

This paper presents a comparison of Mobile Robots localization methods through Artifical Neural Networks in omnidirectional images. After an overview about Mobile Robotics, this work focuses on omnidirectional vision. The motivation for this work is the implementation and comparison of feature extraction techniques that can be used in omnidirectional images seeking invariance to rotation and building descriptors that can be used in Neural Networks. Five feature extraction techniques with their adaptations for omnidirectional image were presented and compared. The results were shown in order to choose the most suitable feature extractor for this application. The feature extractors are evaluated with respect to time processing and quality of scene description (accuracy of Artificial Neural Network) The results are satisfactory and elect GIST descriptor as the most suitable for the application.

O presente trabalho apresenta o estudo de uma alteração de layout, de funcional para celular, motivado pelos fundamentos da manufatura enxuta. Tendo como objetivo verificar os benefícios de se utilizar a manufatura celular com fluxo enxuto (contínuo), apresenta como metodologia um estudo de caso, pós-fato, em uma indústria de transformadores, onde a mudança foi realizada. Para fundamentar o estudo, apresenta revisão dos temas: Sistema de Manufatura Enxuta e layout industrial, para, em seguida, trazer os dados apresentados por esta indústria, ainda em um arranjo físico funcional, antes da alteração, e, em seguida, nas células de manufatura com um fluxo enxuto, após a alteração, e realizar uma comparação entre ambos. Os resultados obtidos desta comparação apresentam ganhos como aumento de produção, em 20%, e produtividade, em 56%, redução de lead time, em 67%, mão de obra direta, em 30%, tempo de processamento, em 20%, e área fabril, em 24%, dentre outros, evidenciando os benefícios que a utilização de um layout celular e Manufatura Enxuta proporcionam.

Machine learning (ML) has become an important tool in nanophotonics for predicting the optical response of plasmonic nanostructures based on parameters, such as geometry and material. Traditional modeling approaches often involve high computational costs and long simulation times, which hinder rapid optimization and design. This work investigates the plasmonic resonance behavior of cylindrical gold nanostructures and evaluates several ML regression models for direct and inverse design. Among the tested methods, the Extra Trees Regressor (ET) achieved the best performance in predicting scattering spectra, with MAE of 0.097, MSE of 0.052, RMSE of 0.224, and R ² of 0.999. For inverse design, which maps spectral inputs to physical parameters, the model demonstrated high accuracy and strong generalization, recovering nanocylinder radius with errors below 2.6%. These results highlight the potential of ML-based strategies to accelerate nanophotonic design, reduce dependence on high-cost simulations, and support efficient characterization workflows. Graphical abstract

O ensino de Comunicações Ópticas em cursos de Engenharia, utilizando o método expositivo tradicional, tem se mostrado desafiador para os estudantes. Muitas vezes, o aprendizado é percebido como complexo, em parte devido à abordagem passiva imposta pelos métodos convencionais, que limitam a interação ativa dos alunos no processo de construção do conhecimento. Paralelamente, a crescente presença da Inteligência Artificial (IA) na sociedade está transformando diversas áreas, incluindo a forma como interagimos com o mundo e aprendemos. Nesse contexto, este trabalho propõe o desenvolvimento de um aplicativo (API) baseado em IA para simulação de Redes Ópticas, com foco no ensino prático dessas tecnologias. Por meio da implementação de diferentes modelos preditivos de IA, foram conduzidas diversas simulações, permitindo uma análise detalhada do desempenho de cada modelo em variáveis-chave, como o fator máximo de qualidade (MAX_Q_FACTOR) e a taxa de erro de bit (BER). Os resultados das simulações oferecem uma visão comparativa sobre o impacto de cada modelo no desempenho e na confiabilidade de redes ópticas. Essa análise destaca a importância da escolha adequada de modelos preditivos, otimizando tanto o projeto quanto a operação dessas redes, além de facilitar a compreensão de conceitos complexos pelos alunos, contribuindo para um ensino mais dinâmico e interativo.

Este trabalho tem como objetivo o estudo do balancim, um dispositivo da suspensão do veículo Fórmula SAE que recebe os esforços oriundos do movimento de rolagem do veículo e os transmite para a estrutura do chassi de uma forma minimizada por uma relação de momento e suavizada pelo conjunto mola – amortecedor. Realiza-se uma revisão sobre parâmetros usados em dinâmica veicular e uma análise geométrica das forças e dos esforços provocados por tais. Em seguida, faz-se a análise pelo método dos elementos finitos, que utiliza a teoria de discretização de sistemas e analisa a resistência do componente baseado na energia de distorção, determinando a tensão máxima sofrida pelo componente e a região de maior solicitação e o fator de segurança para um carregamento estático