Contribuição para o desenvolvimento de um software de diagnóstico baseado em sensores magnetoelásticos

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Andreatta, Alessandro Josue da Silva
Orientador(a): Zorzi, Janete Eunice
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Materiais
Magnetostricção
Magnetismo
Elasticidade
Maquinas - Projetos
Palavras-chave em Inglês:
Materials
Magnetostriction
Magnetism
Elasticity
Machine design
Link de acesso: https://repositorio.ucs.br/11338/13541
Resumo: Nas últimas décadas, ocorreram várias epidemias de vírus mortais com grande impacto na saúde pública global. Exemplos incluem o Ebola, o Marburg, o Nipah, o Zika, a febre hemorrágica da Crimeia-Congo, Dengue e, mais recentemente, o coronavírus SARS-CoV-2, que causou a pandemia de COVID-19. A rápida disseminação desses vírus e a falta de infraestrutura de saúde adequada em algumas regiões tornaram difícil conter as epidemias. A mobilização global foi necessária para conter a disseminação e fornecer assistência médica adequada às pessoas afetadas. A detecção rápida e o desenvolvimento de medicamentos e vacinas eficazes são cruciais para combater futuras epidemias. Sensores feitos com materiais magnetoelásticos e modelos de aprendizado de máquina podem ser úteis nessa corrida. Neste trabalho, a análise de um conjunto de dados coletados em um analisador de rede, a partir de sensores magnetoelásticos, foi utilizada para treinar um algoritmo de aprendizado de máquina. Um modelo de classificação foi desenvolvido para se obter o diagnóstico correto da presença de patógenos nos sensores de teste, com a exportação do mesmo para uso em dados externos. O modelo desenvolvido foi capaz de distinguir entre dados de controle e de teste, demonstrando precisão na identificação da presença de patógenos. A aplicação de aprendizado de máquina permitiu a detecção de pequenas variações nos sinais dos sensores, permitindo o uso para diagnóstico. A quantidade de dados disponíveis para o treinamento do modelo limitou parcialmente o aprofundamento da análise, não comprometendo, contudo, a técnica aplicada. [resumo fornecido pelo autor]
id UCS_6d7765a5262d1d9094026cbf3d2f8e77
oai_identifier_str oai:repositorio.ucs.br:11338/13541
network_acronym_str UCS
network_name_str Repositório Institucional da UCS
repository_id_str
spelling Andreatta, Alessandro Josue da SilvaRech, Giovani LuisMartinotto, André LuisCorso, Leandro LuísZorzi, Janete Eunice2024-07-16T12:08:17Z2024-07-16T12:08:17Z2024-07-152024-04-02https://repositorio.ucs.br/11338/13541Nas últimas décadas, ocorreram várias epidemias de vírus mortais com grande impacto na saúde pública global. Exemplos incluem o Ebola, o Marburg, o Nipah, o Zika, a febre hemorrágica da Crimeia-Congo, Dengue e, mais recentemente, o coronavírus SARS-CoV-2, que causou a pandemia de COVID-19. A rápida disseminação desses vírus e a falta de infraestrutura de saúde adequada em algumas regiões tornaram difícil conter as epidemias. A mobilização global foi necessária para conter a disseminação e fornecer assistência médica adequada às pessoas afetadas. A detecção rápida e o desenvolvimento de medicamentos e vacinas eficazes são cruciais para combater futuras epidemias. Sensores feitos com materiais magnetoelásticos e modelos de aprendizado de máquina podem ser úteis nessa corrida. Neste trabalho, a análise de um conjunto de dados coletados em um analisador de rede, a partir de sensores magnetoelásticos, foi utilizada para treinar um algoritmo de aprendizado de máquina. Um modelo de classificação foi desenvolvido para se obter o diagnóstico correto da presença de patógenos nos sensores de teste, com a exportação do mesmo para uso em dados externos. O modelo desenvolvido foi capaz de distinguir entre dados de controle e de teste, demonstrando precisão na identificação da presença de patógenos. A aplicação de aprendizado de máquina permitiu a detecção de pequenas variações nos sinais dos sensores, permitindo o uso para diagnóstico. A quantidade de dados disponíveis para o treinamento do modelo limitou parcialmente o aprofundamento da análise, não comprometendo, contudo, a técnica aplicada. [resumo fornecido pelo autor]In recent decades, there have been several epidemics of deadly viruses with significant impact on global public health. Examples include Ebola, Marburg, Nipah, Zika, Crimean-Congo hemorrhagic fever, Dengue, and more recently, the SARSCoV-2 coronavirus, which caused the COVID-19 pandemic. The rapid spread of these viruses and the lack of adequate healthcare infrastructure in some regions have made it difficult to contain the epidemics. Global mobilization was necessary to contain the spread and provide adequate medical assistance to affected individuals. Rapid detection and the development of effective drugs and vaccines are crucial to combating future epidemics. Sensors made from magnetoelastic materials and machine learning models can be useful in this endeavor. In this work, the analysis of a dataset collected from a network analyzer using magnetoelastic sensors was employed to train a machine learning algorithm. A classification model was developed to accurately diagnose the presence of pathogens in test sensors, with the capability of exporting the model for use with external data. The developed model was able to distinguish between control and test data, demonstrating precision in identifying the presence of pathogens. The application of machine learning enabled the detection of small variations in the sensor signals, facilitating its use for diagnostic purposes. The amount of data available for model training partially limited the depth of the analysis; however, it did not compromise the applied technique. [resumo fornecido pelo autor]Coordenação de Aperfeiçoamento de Pessoal de Nível Superior, CAPESengporMateriaisMagnetostricçãoMagnetismoElasticidadeMaquinas - ProjetosMaterialsMagnetostrictionMagnetismElasticityMachine designContribuição para o desenvolvimento de um software de diagnóstico baseado em sensores magnetoelásticosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UCSinstname:Universidade de Caxias do Sul (UCS)instacron:UCSinfo:eu-repo/semantics/openAccessUniversidade de Caxias do Sulhttps://lattes.cnpq.br/6813691917133646ANDREATTA, Alessandro J. da S.Mestrado Acadêmico em Engenharia e Ciência dos MateriaisAguzzoli, CesarCampus Universitário de Caxias do Sul2024-07-15ORIGINALDissertação Alessandro Josue da Silva Andreatta.pdfDissertação Alessandro Josue da Silva Andreatta.pdfapplication/pdf2432914https://repositorio.ucs.br/xmlui/bitstream/11338/13541/1/Disserta%c3%a7%c3%a3o%20Alessandro%20Josue%20da%20Silva%20Andreatta.pdf64fd25b971ec5d58417cccad26d9c77cMD51TEXTDissertação Alessandro Josue da Silva Andreatta.pdf.txtDissertação Alessandro Josue da Silva Andreatta.pdf.txtExtracted texttext/plain80462https://repositorio.ucs.br/xmlui/bitstream/11338/13541/3/Disserta%c3%a7%c3%a3o%20Alessandro%20Josue%20da%20Silva%20Andreatta.pdf.txt5ecedeedbaa59f225d744dc3ca1789c0MD53THUMBNAILDissertação Alessandro Josue da Silva Andreatta.pdf.jpgDissertação Alessandro Josue da Silva Andreatta.pdf.jpgGenerated Thumbnailimage/jpeg1186https://repositorio.ucs.br/xmlui/bitstream/11338/13541/4/Disserta%c3%a7%c3%a3o%20Alessandro%20Josue%20da%20Silva%20Andreatta.pdf.jpg4f306c10da38273a745d820231bbffe4MD5411338/135412025-10-08 18:11:56.615oai:repositorio.ucs.br:11338/13541Repositório de Publicaçõeshttp://repositorio.ucs.br/oai/requestopendoar:2025-10-08T18:11:56Repositório Institucional da UCS - Universidade de Caxias do Sul (UCS)false
dc.title.pt_BR.fl_str_mv Contribuição para o desenvolvimento de um software de diagnóstico baseado em sensores magnetoelásticos
title Contribuição para o desenvolvimento de um software de diagnóstico baseado em sensores magnetoelásticos
spellingShingle Contribuição para o desenvolvimento de um software de diagnóstico baseado em sensores magnetoelásticos
Andreatta, Alessandro Josue da Silva
Materiais
Magnetostricção
Magnetismo
Elasticidade
Maquinas - Projetos
Materials
Magnetostriction
Magnetism
Elasticity
Machine design
title_short Contribuição para o desenvolvimento de um software de diagnóstico baseado em sensores magnetoelásticos
title_full Contribuição para o desenvolvimento de um software de diagnóstico baseado em sensores magnetoelásticos
title_fullStr Contribuição para o desenvolvimento de um software de diagnóstico baseado em sensores magnetoelásticos
title_full_unstemmed Contribuição para o desenvolvimento de um software de diagnóstico baseado em sensores magnetoelásticos
title_sort Contribuição para o desenvolvimento de um software de diagnóstico baseado em sensores magnetoelásticos
author Andreatta, Alessandro Josue da Silva
author_facet Andreatta, Alessandro Josue da Silva
author_role author
dc.contributor.other.none.fl_str_mv Rech, Giovani Luis
Martinotto, André Luis
Corso, Leandro Luís
dc.contributor.author.fl_str_mv Andreatta, Alessandro Josue da Silva
dc.contributor.advisor1.fl_str_mv Zorzi, Janete Eunice
contributor_str_mv Zorzi, Janete Eunice
dc.subject.por.fl_str_mv Materiais
Magnetostricção
Magnetismo
Elasticidade
Maquinas - Projetos
topic Materiais
Magnetostricção
Magnetismo
Elasticidade
Maquinas - Projetos
Materials
Magnetostriction
Magnetism
Elasticity
Machine design
dc.subject.eng.fl_str_mv Materials
Magnetostriction
Magnetism
Elasticity
Machine design
description Nas últimas décadas, ocorreram várias epidemias de vírus mortais com grande impacto na saúde pública global. Exemplos incluem o Ebola, o Marburg, o Nipah, o Zika, a febre hemorrágica da Crimeia-Congo, Dengue e, mais recentemente, o coronavírus SARS-CoV-2, que causou a pandemia de COVID-19. A rápida disseminação desses vírus e a falta de infraestrutura de saúde adequada em algumas regiões tornaram difícil conter as epidemias. A mobilização global foi necessária para conter a disseminação e fornecer assistência médica adequada às pessoas afetadas. A detecção rápida e o desenvolvimento de medicamentos e vacinas eficazes são cruciais para combater futuras epidemias. Sensores feitos com materiais magnetoelásticos e modelos de aprendizado de máquina podem ser úteis nessa corrida. Neste trabalho, a análise de um conjunto de dados coletados em um analisador de rede, a partir de sensores magnetoelásticos, foi utilizada para treinar um algoritmo de aprendizado de máquina. Um modelo de classificação foi desenvolvido para se obter o diagnóstico correto da presença de patógenos nos sensores de teste, com a exportação do mesmo para uso em dados externos. O modelo desenvolvido foi capaz de distinguir entre dados de controle e de teste, demonstrando precisão na identificação da presença de patógenos. A aplicação de aprendizado de máquina permitiu a detecção de pequenas variações nos sinais dos sensores, permitindo o uso para diagnóstico. A quantidade de dados disponíveis para o treinamento do modelo limitou parcialmente o aprofundamento da análise, não comprometendo, contudo, a técnica aplicada. [resumo fornecido pelo autor]
publishDate 2024
dc.date.submitted.none.fl_str_mv 2024-04-02
dc.date.accessioned.fl_str_mv 2024-07-16T12:08:17Z
dc.date.available.fl_str_mv 2024-07-16T12:08:17Z
dc.date.issued.fl_str_mv 2024-07-15
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ucs.br/11338/13541
url https://repositorio.ucs.br/11338/13541
dc.language.iso.fl_str_mv eng
por
language eng
por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Institucional da UCS
instname:Universidade de Caxias do Sul (UCS)
instacron:UCS
instname_str Universidade de Caxias do Sul (UCS)
instacron_str UCS
institution UCS
reponame_str Repositório Institucional da UCS
collection Repositório Institucional da UCS
bitstream.url.fl_str_mv https://repositorio.ucs.br/xmlui/bitstream/11338/13541/1/Disserta%c3%a7%c3%a3o%20Alessandro%20Josue%20da%20Silva%20Andreatta.pdf
https://repositorio.ucs.br/xmlui/bitstream/11338/13541/3/Disserta%c3%a7%c3%a3o%20Alessandro%20Josue%20da%20Silva%20Andreatta.pdf.txt
https://repositorio.ucs.br/xmlui/bitstream/11338/13541/4/Disserta%c3%a7%c3%a3o%20Alessandro%20Josue%20da%20Silva%20Andreatta.pdf.jpg
bitstream.checksum.fl_str_mv 64fd25b971ec5d58417cccad26d9c77c
5ecedeedbaa59f225d744dc3ca1789c0
4f306c10da38273a745d820231bbffe4
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UCS - Universidade de Caxias do Sul (UCS)
repository.mail.fl_str_mv
_version_ 1851777068174409728

Registros relacionados