Lista Pública de Trabalhos Acadêmicos

Curso:

Pesquisar: Ano:

Permite filtrar a lista de TCCs com o curso, o termo e o ano
escolhidos. O termo pode ser, por exemplo:

Autor ou orientador;
Nome do TCC;
Palavra-chave;
Conteúdo dos resumos.

Resumo A indústria da construção civil é um dos maiores contribuintes para as emissões de gases de efeito estufa (GEE) e consumo de recursos naturais. A seleção de materiais de construção é uma etapa crucial no ciclo de vida de uma edificação, impactando diretamente seu custo, desempenho energético e pegada de carbono. Este projeto propõe o desenvolvimento de um modelo de otimização multi-objetivo para a seleção de materiais de construção, visando o equilíbrio entre múltiplos critérios. Para isso, o projeto avaliará o desempenho de edificações em três cidades de climas distintos no Brasil (Belém-PA, Curitiba-PR e São Paulo-SP), utilizando dados climáticos atuais e projeções para o futuro (2080). Modelos de aprendizado de máquina (machine learning) serão desenvolvidos para prever rapidamente o impacto de cada material. Em seguida, será aplicado um algoritmo de otimização multi-objetivo que funciona de forma interativa: ele permite que o usuário final (como um arquiteto ou engenheiro) aponte suas prioridades - como preferir custos mais baixos ou maior eficiência energética. A partir dessas preferências, o sistema foca a busca em encontrar as melhores combinações de materiais. Os objetivos principais são minimizar os custos de construção e operação, reduzir a emissão de gases de efeito estufa e maximizar o conforto e a resiliência das edificações às variações do clima.

Ano 2026

Orientador LUCIANA CONCEICAO DIAS CAMPOS Co-Orientador JULIA CASTRO MENDES Palavras-chave Machine learning; Aprendizado de máquina; Multi-objective optimization; Otimização multiobjetivo; Regression; Thermal performance; Energy efficiency; Thermal load; Degree-hours; Energy simulation; Seleção de materiais de construção.

Resumo A crescente adoção de ambientes virtuais de aprendizagem tem gerado um grande volume de interações textuais entre estudantes e docentes, tornando inviável o acompanhamento manual do feedback discente em larga escala. Nesse contexto, a análise de sentimentos surge como uma ferramenta promissora para apoiar intervenções pedagógicas proativas. Este trabalho realiza um estudo comparativo entre diferentes técnicas de análise de sentimento aplicadas ao domínio educacional, confrontando abordagens léxicas consolidadas (TextBlob e VADER), um modelo especialista treinado especificamente para esse domínio (Pred-inter) e um modelo discriminativo baseado em Transformers disponibilizado pela biblioteca Hugging Face. O estudo utiliza o dataset Stanford MOOCPosts, composto por mensagens de fóruns educacionais rotuladas manualmente em uma escala de sentimento. As saídas das ferramentas foram normalizadas para permitir comparações diretas, sendo avaliadas por meio de métricas quantitativas, como acurácia global e erro médio absoluto, além de uma análise qualitativa das divergências. Os resultados demonstram desempenho amplamente superior do modelo especialista, confirmando a relevância da adaptação de domínio. As abordagens léxicas apresentaram resultados intermediários, enquanto o modelo baseado em Transformers, apesar de seu sucesso em domínios gerais, mostrou desempenho insatisfatório no contexto educacional analisado. Por fim, discute-se a viabilidade do uso de grandes modelos de linguagem, destacando limitações práticas e desafios para sua aplicação efetiva.

Ano 2026

Orientador VICTOR STROELE DE ANDRADE MENEZES Co-Orientador Palavras-chave Análise de Sentimentos; Educação; Processamento de Linguagem Natural; Learning Analytics; Adaptação de Domínio.

Resumo Software Architecture education presents significant pedagogical challenges, primarily due to the abstract nature of its concepts and the difficulty students face in connecting theory to practice. To understand this, we first conducted a Systematic Mapping Study between 2005 and 2025, analyzing 45 primary studies. The results revealed that while educational games exist, they often fail to address the specific skill of identifying architectural patterns from narrative-based problem descriptions. To bridge this gap, we propose Architectural Stories, a non-digital card game based on deductive reasoning mechanics. The game requires players to investigate Architectural situations, analyze symptoms, and deduce the appropriate architectural pattern to solve the enigma. To evaluate the proposed approach, we conducted a case study with 34 undergraduate students using three validated instruments: the Model for the Evaluation of Educational Game (MEEGA+), the Intrinsic Motivation Inventory (IMI), and the Instructional Materials Motivation Survey (IMMS). The results were highly positive, indicating that the game promotes strong social interaction, engagement, and intrinsic motivation. Furthermore, the evaluation confirmed that Architectural Stories is an effective instructional tool for developing diagnostic reasoning and reinforcing the understanding of architectural patterns in a collaborative environment.

Ano 2026

Orientador ALESSANDREIA MARTA DE OLIVEIRA JULIO Co-Orientador PEDRO HENRIQUE DIAS VALLE Palavras-chave Software Architecture Education, Game-Based Learning, Architectural Patterns, Educational Games.

Resumo Este trabalho de conclusão de curso investiga o uso de modelos de aprendizado de máquina para a predição de insuficiência cardíaca em tempo real, com foco na realidade do sistema de saúde brasileiro. O objetivo principal é treinar e avaliar modelos preditivos utilizando uma base de dados que reflita os parâmetros clínicos adotados nacionalmente. A solução considera o uso de computação de borda para realizar o processamento local dos sinais vitais, reduzindo a dependência de conexão contínua com a internet e a latência na geração de alertas. Os resultados demonstraram que o modelo \textit{XGBoost} obteve o melhor desempenho geral, com acurácia de 82\% e \textit{F1-Score} de 83\%, enquanto o modelo SVM destacou-se pela maior sensibilidade (86\% de \textit{recall}). A implementação em dispositivos móveis validou a eficiência da computação de borda, reduzindo a latência de inferência em 99,3\% em comparação ao processamento remoto e garantindo respostas imediatas para o monitoramento de pacientes.

Ano 2026

Orientador LUCIANA CONCEICAO DIAS CAMPOS Co-Orientador VICTOR STROELE DE ANDRADE MENEZES Palavras-chave Heart failure prediction, Edge computing, Machine learning, Internet of Things (IoT), Health monitoring, Mobile applications, Real-time systems, Privacy and security in healthcare

Resumo O timbre é um atributo multidimensional cuja análise puramente espectral muitas vezes obscurece a dinâmica temporal dos transientes, decisiva para a identificação da fonte sonora. Neste contexto, este trabalho foca na análise do modelo ADSR (Attack, Decay, Sustain, Release) do envelope de amplitude, explorando sistematicamente formulações matemáticas para sua construção. A metodologia proposta envolve a extração do envelope via Transformada de Hilbert e sua parametrização através de uma competição de modelos ajustados por Mínimos Quadrados, permitindo a criação de perfis de amplitude temporal para cada som. Estes perfis foram utilizados para treinar um classificador Random Forest, que alcançou uma acurácia global de 81,0% na distinção entre famílias de instrumentos. Os resultados demonstram que o envelope de amplitude, especialmente através dos coeficientes de curvatura das fases, oferece informações distintivas robustas, validando sua eficácia para a diferenciação de fontes sonoras e contribuindo para pesquisas futuras em Recuperação de Informação Musical (MIR) e síntese sonora.

Ano 2026

Orientador MARCOS DE MENDONCA PASSINI Co-Orientador Palavras-chave Timbre, Modelo ADSR, Identificação de sons, Síntese sonora, Reconhecimento de Áudio

Resumo A crescente adoção de computação em nuvem impõe novos desafios à segurança da informação, especialmente no controle de acesso em ambientes distribuídos. Nesse contexto, a Arquitetura Zero Trust propõe a eliminação da confiança implícita, exigindo a avaliação contínua do contexto de cada requisição. Este trabalho apresenta uma arquitetura de decisão de acesso baseada nos princípios do Zero Trust, implementada como uma API serverless em nuvem. A solução combina políticas determinísticas de controle de acesso baseadas em atributos (ABAC) com um modelo de aprendizado de máquina supervisionado, utilizado como mecanismo complementar de estimativa de risco contextual. A metodologia envolve uma revisão sistemática da literatura, conduzida segundo PRISMA e PICOC, seguida do desenvolvimento de uma prova de conceito. Os resultados indicam que a abordagem proposta é viável e funcional, permitindo decisões de acesso mais sensíveis ao contexto. São discutidas limitações relacionadas ao uso de dados sintéticos e ao tratamento conceitual da autenticação multifator, bem como direções para trabalhos futuros.

Ano 2026

Orientador ALEX BORGES VIEIRA Co-Orientador Palavras-chave Zero Trust Architecture, Access Control, Attribute-Based Access Control, Machine Learning, Serverless Computing, Cloud Security

Resumo A inexistência de uma Máquina de Parsing especificada para Parsing Expression Grammars with Syntactic Attributes (PEGwSA) limita as alternativas práticas para a implementação de analisadores sintáticos que manipulam atributos. Este projeto propõe a especificação e implementação de uma Máquina de Parsing voltada para PEGwSA, oferecendo uma nova ferramenta para a área de análise sintática. A intervenção consiste na especificação do conjunto de instruções da máquina. Espera-se como resultado uma solução que simplifique o desenvolvimento de analisadores, aumente a eficiência e promova portabilidade, ampliando as possibilidades de aplicação das PEGwSA em diferentes contextos computacionais.

Ano 2026

Orientador LEONARDO VIEIRA DOS SANTOS REIS Co-Orientador Elton Máximo Cardoso Palavras-chave PEG, PEGwSA, Parsing Machine

Resumo Introdução: O ensino de Circuitos Lógicos, embora essencial nos cursos de Computação, enfrenta desafios decorrentes da abstração e da complexidade dos conceitos. No contexto da aprendizagem baseada em jogos, os Jogos Educacionais Digitais (JEDs) têm sido apontados como uma alternativa promissora para promover o engajamento e facilitar a aprendizagem. Objetivos: Este trabalho apresenta o projeto, a implementação e a avaliação preliminar do JED Flip n' Flop, com foco na prática de construção de diagramas de tempo de circuitos sequenciais. Métodos: Inicialmente, foi conduzido um mapeamento sistemático da literatura sobre JEDs aplicados ao ensino de Circuitos Lógicos, a fim de identificar tendências, lacunas e diretrizes de projeto. Com base nesses resultados, foi concebido o Flip n’ Flop, um jogo de plataformas 2D em que a movimentação da personagem está associada ao traçado das linhas em diagramas de tempo. Um protótipo funcional do jogo foi implementado utilizando a engine Unity. A avaliação preliminar do jogo foi realizada com estudantes de graduação por meio do modelo MEEGA+, analisando aspectos de usabilidade, experiência do jogador e aprendizagem percebida. Resultados: A avaliação preliminar do protótipo indicou percepções positivas quanto à relevância pedagógica, facilidade de uso, diversão e contribuição para a compreensão do funcionamento dos flip-flops e da construção de diagramas de tempo, embora limitações relacionadas à personalização e à acessibilidade tenham sido identificadas. Conclusão: Conclui-se que o jogo Flip n’ Flop apresenta potencial como ferramenta de apoio ao ensino de Circuitos Lógicos, oferecendo uma abordagem interativa e alinhada aos objetivos pedagógicos da disciplina. Trabalhos futuros incluem a evolução do protótipo, a ampliação de funcionalidades e a realização de avaliações mais abrangentes.

Ano 2026

Orientador LUCIANO JEREZ CHAVES Co-Orientador Palavras-chave Jogos educacionais digitais; aprendizagem baseada em jogos; circuitos lógicos; diagramas de tempo; flip-flops

Resumo A Internet das Coisas (IoT) requer sistemas de processamento de dados em tempo real. Nesse cenário, a integração de Inteligência Artificial (IA) e aprendizado de máquina supervisionado viabiliza a análise automatizada de dados. Entretanto, a ocorrência de concept drift em fluxos contínuos (streaming) ocasiona a degradação de desempenho dos modelos. Para tratar esse problema, este trabalho apresenta a arquitetura AutoMLOps, disponibilizada como um serviço via API utilizando FastAPI e direcionada a aplicações de IoT, com configuração parametrizável conforme o domínio. A arquitetura realiza a seleção automática de modelos supervisionados por meio de técnicas de AutoML, monitora métricas de desempenho e adota o padrão Champion/Challenger. Adicionalmente, utiliza um índice de saúde unificado (Health Index – HI) para acionar processos de retreinamento e chaveamento de modelos. A avaliação experimental, conduzida com 3.283 registros de monitoramento bovino para emissão de CO2, evidenciou a capacidade do HI em identificar a degradação de desempenho. Em cenários com ocorrência de concept drift induzido por inserção de ruído, a redução do índice acionou os mecanismos de controle e o ciclo human-in-the-loop, permitindo o retreinamento automático e a recuperação do desempenho do sistema.

Ano 2026

Orientador JOSE MARIA NAZAR DAVID Co-Orientador REGINA MARIA MACIEL BRAGA VILLELA Palavras-chave Internet das Coisas (IoT), AutoMLOps, Aprendizado de Máquina, concept drift, Arquiteturas autoadaptativas.

Resumo Este trabalho apresenta o desenvolvimento do ReFUM2D, um solucionador bidimensional de Dinâmica dos Fluidos Computacional, implementado em C++ e baseado no Método dos Volumes Finitos aplicado a malhas não estruturadas. O principal objetivo é a simulação de escoamentos governados pelas equações de Navier–Stokes. São descritas as estratégias de discretização das equações governantes e o funcionamento do algoritmo SIMPLE, amplamente utilizado em CFD. Adicionalmente, o trabalho aborda os principais aspectos computacionais do ReFUM2D, incluindo a organização do código, o pré-processamento das malhas, o cálculo de grandezas geométricas e a exportação dos resultados. A validação do solver é realizada por meio de benchmarks clássicos da literatura, cujos resultados apresentam boa concordância com dados de referência, evidenciando a robustez e a acurácia do código como ferramenta didática e de pesquisa em CFD.

Ano 2026

Orientador José Jerônimo Camata Co-Orientador Palavras-chave Dinâmica de Fluidos Computacional, Métodos Numéricos, Método dos Volumes Finitos, Equações Diferenciais Parciais, Navier-Stokes.

Resumo Este trabalho investiga a aplicação da Decomposição em Modos Dinâmicos (DMD) e de suas variantes sequenciais na modelagem e reconstrução da dinâmica temporal de escoamentos com transporte de sedimentos. Considerando a alta dimensionalidade dos dados gerados por simulações de Dinâmica dos Fluidos Computacional (CFD), modelos de ordem reduzida surgem como uma alternativa eficiente para a análise e aproximação da dinâmica dominante do sistema. Foram implementados em C++ o DMD clássico, o Online DMD e o Streaming DMD, sendo os métodos aplicados a diferentes janelas temporais de uma simulação numérica de escoamento com sedimentos, a partir de snapshots bidimensionais em escala de cinza. A comparação entre os métodos foi conduzida de forma controlada, adotando postos reduzidos consistentes e estratégias uniformes de inicialização. A avaliação do desempenho foi realizada exclusivamente por meio de métricas quantitativas, incluindo o erro quadrático médio (MSE), o Peak Signal-to-Noise Ratio (PSNR), bem como o custo computacional em termos de tempo de execução e uso de memória. Os resultados evidenciam diferenças relevantes entre as abordagens, destacando o compromisso entre precisão, robustez temporal e eficiência computacional na escolha do método mais adequado para aplicações sequenciais envolvendo transporte de sedimentos.

Ano 2026

Orientador José Jerônimo Camata Co-Orientador Palavras-chave Decomposição em Modos Dinâmicos; Modelos de Ordem Reduzida; Transporte de Sedimentos.

Resumo A rápida expansão da geração distribuída fotovoltaica no Brasil enfrenta um gargalo técnico significativo: a escassez de dados operacionais públicos e padronizados que reflitam as condições climáticas locais. Este trabalho apresenta a sanitização e a caracterização do conjunto de dados BR-PVGen, composto por informações de 51 usinas fotovoltaicas em operação comercial nas regiões Sudeste e Centro-Oeste do Brasil. A metodologia de aquisição utilizou um sistema SCADA baseado em nuvem para consolidar dados heterogêneos de inversores e estações solarimétricas. Para garantir a integridade das séries temporais, foi aplicado um processo de ETL que incluiu a padronização temporal em janelas de 15 minutos via Média Móvel Ponderada e mitigação de dados ausentes por interpolação linear. O resultado é um dataset com mais de 15 milhões de registros, abrangendo o período de março de 2024 a junho de 2025. O conjunto de dados encontra-se disponível publicamente em formatos CSV e JSON. Diferentemente de bases internacionais, este conjunto disponibiliza variáveis raras em dados públicos, como potência reativa, temperatura interna dos inversores e medições ambientais on-site. O trabalho contribui de forma relevante para a comunidade científica ao disponibilizar insumos fundamentais para o desenvolvimento de modelos de previsão de geração, diagnóstico de falhas, bem como para o desenvolvimento e a validação de novas tecnologias e a realização de estudos de qualidade de energia, considerando as particularidades da realidade tropical brasileira.

Ano 2026

Orientador WAGNER ANTONIO ARBEX Co-Orientador EDUARDO PESTANA DE AGUIAR Palavras-chave geração distribuída, energia solar fotovoltaica, conjunto de dados, usinas fotovoltaicas, monitoramento SCADA, dados meteorológicos, qualidade de dados, análise de desempenho, detecção de falhas, transição energética.

Resumo A inteligência artificial (IA) tem remodelado a engenharia de software ao introduzir novos paradigmas de automação, suporte à codificação e otimização de processos. Com a ascensão da IA generativa — modelos capazes de produzir código, sugerir soluções e apoiar decisões técnicas — passaram a integrar rotinas corporativas de desenvolvimento. Entretanto, sua adoção amplia discussões éticas e humanas ao impactar percepções de autonomia, autoeficácia e recompensa intrínseca, entendida como a motivação que surge do próprio ato de realizar uma atividade pelo prazer, interesse ou senso de propósito associado à tarefa, e não por recompensas externas. A dependência crescente de sistemas automatizados pode reduzir a clareza sobre o processo de tomada de decisão, reforçar assimetrias de poder tecnológico e criar tensões entre eficiência operacional e identidade profissional. No âmbito psicológico, estudos apontam que o uso indiscriminado da IA pode gerar sentimentos de insegurança, diminuição da percepção de competência e enfraquecimento do senso de agência, ao mesmo tempo em que, quando bem integrada, pode elevar a satisfação, o engajamento e a sensação de dever cumprido. Assim, compreender o equilíbrio entre benefícios técnicos e impactos humanos torna-se essencial para orientar práticas responsáveis de incorporação da IA no ambiente corporativo e na engenharia de software, levando em conta de forma mais abrangente tanto as transformações organizacionais quanto os efeitos subjetivos sobre os profissionais.

Ano 2026

Orientador LUCIANA CONCEICAO DIAS CAMPOS Co-Orientador Palavras-chave engenharia de software; IA generativa; automação; suporte à codificação; ética; autonomia; autoeficácia; motivação intrínseca; ambiente corporativo

Resumo Deep learning is a highly successful class of methods in the artificial intelligence (AI) field that has a variety of applications. To perform well, deep learning models require a large amount of high-quality annotated data. Data annotation is a time-consuming and laborious task that requires a significant amount of human labor, which makes it expensive. This work aims to reduce the time required to annotate image datasets by building an easy-to-use software tool that has semi-automated annotation powered by an artificial intelligence model. We developed a web-based tool and employed HQ-SAM, a deep neural network for image segmentation based on Vision Transformers, to generate polygon annotations based on the user’s prompts. Although HQ-SAM has a good zero- shot generalizability, we fine-tuned it on the Bean Leaf Dataset to evaluate how well the network adapts to specific tasks. We observed an increase in accuracy of the fine-tuned model in comparison with the pre-trained one. We tested our tool with 20 participants, all of whom are from the computer vision and graphics fields. We asked them to annotate the same two images both manually and AI-aided, and we recorded the annotation times. Lastly, we asked the participants to fill out a usability form about their user experience. In our evaluation, we registered a median speedup of 1.5× regarding the AI-aided annotation compared to manual annotation and overly positive answers regarding our tool’s ease of use and usefulness.

Ano 2025

Orientador LUIZ MAURILIO DA SILVA MACIEL Co-Orientador Palavras-chave Deep learning, web application, semi-automated annotation, image datasets, vision transformers

Resumo Este trabalho de conclusão de curso aborda a aplicação de técnicas de aprendizado de máquina no esporte, com foco em corredores amadores e entusiastas. O objetivo principal é desenvolver um sistema inteligente de apoio para auxiliar corredores na melhoria de seu desempenho durante a prática da corrida. Através da análise de dados coletados de smartwatches, o sistema oferece insights personalizados, prevendo o tempo estimado para percorrer uma distância específica. Com base nesses insights, o atleta pode ajustar seu ritmo de corrida, otimizando sua performance de maneira mais eficaz. Com isso, o trabalho busca beneficiar corredores não profissionais, ajudando-os a otimizar seu rendimento e a alcançar melhores resultados em suas corridas.

Ano 2025

Orientador VICTOR STROELE DE ANDRADE MENEZES Co-Orientador Palavras-chave Aprendizado de Máquina, ehealth, corredores não profissionais, temperatura, qualidade do sono

Trabalho	Autor	PDF	Extras
Otimização multiobjetivo para seleção de materiais de construção	ALEMILSON FABIANO SILVA
Técnicas de Análise de Sentimento no Contexto Educacional: um Estudo Comparativo	RAFAEL GOMES LOPES
Architectural Stories: A Card Game for Architectural Patterns Education	MARIA CLARA RIBEIRO DE MENEZES
Predição de Insuficiência Cardíaca em Tempo Real: Uma Abordagem para Ambientes de Vida Assistida	LUCAS DUARTE CHAVES
Identificação de Timbres utilizando o Envelope de Ondas Sonoras	ALVARO DOMINGUES DE FREITAS
Arquitetura Zero Trust como Microsserviço Serverless em Nuvem com ABAC e Machine Learning	RODRIGO SOARES DE ASSIS
Uma Máquina de Parsing para PEGs com atributos	MARIA EDUARDA DE MEDEIROS SIMONASSI
Flip n' Flop: um jogo educacional para construção interativa de diagramas de tempo	FREDERICO DÔNDICI GAMA VIEIRA
AutoMLOps: Arquitetura de Software Autoadaptativa para Internet das Coisas (IoT)	EDUARDA ARAUJO CARVALHO
ReFUM2D: Uma Ferramenta de Volumes Finitos para a Simulação das Equações de Navier-Stokes em C++	RICARDO ERVILHA SILVA
Estudo de variantes do Decomposição em Modos Dinâmicos aplicadas à dinâmica de sedimentos em escoamentos	BRENO LINO PRADO
BR-PVGen: Coleta, Sanitização e Caracterização de Dados de Geração Fotovoltaica Distribuída no Brasil	RHUAN NASCIMENTO FERREIRA
A Evolução da Inteligência Artificial na Engenharia de Software: Uma Revisão Sistemática com Ênfase na IA Generativa e Seus Impactos Éticos e Humanos no Meio Corporativo	HENRIQUE BARRAL SILVA
Development of an Artificial Intelligence-Aided Software for Annotating Image Datasets	PAULO VICTOR DE MAGALHÃES ROZATTO
Uso de Machine Learning no Esporte: Apoio Inteligente para Corredores não Profissionais	PEDRO HENRIQUE ALMEIDA CARDOSO REIS

<< Anterior
<< Anterior
1
2
3
4
5
6
7
8
9
Próximo >>