O anemômetro rotacional de hélice é o mais usado de todos os anemômetros devido a sua simplicidade. O funcionamento deste equipamento consiste em hélices que giram a uma velocidade angular proporcional a velocidade do ar que passa por elas (Figura 6). A rotação das hélices gera variação de campo eletromagnético que pode ser convertido em valores de velocidade do ar.
Figura 6 – Anemômetro de hélices.
Fonte: University of British Columbia (2015).
Outra variação é o anemômetro rotacional de copo, o qual possui canecas anexadas a um eixo horizontal de rotação e tem funcionamento igual ao de hélice (Figura 7).
Segundo Pinto (2006), o funcionamento consiste na mensuração da força exercida pelo ar sobre as canecas, elas geram a rotação do eixo horizontal que gira a uma velocidade proporcional à velocidade do ar. A desvantagem deste anemômetro é estar em contato direto com o ar, obstruindo a passagem do fluxo do ar para medir a velocidade do vento, sensibilidade baixa a rajadas de vento de curta duração, devido a sua inércia. Sampaio (2005) propôs um modelo de fácil construção e calibração.
Figura 7 – Anemômetro de Copo.
Fonte: Direct Industry (2015).
2.5.2 Anemômetro termoelétrico
O anemômetro termoelétrico utiliza o fenômeno de troca de calor para mensurar a velocidade do ar. A troca de calor é feita através de um fio ou filme condutor de calor e o próprio fluido medido. O fio ou filme são aquecidos e expostos ao fluido em movimento, deste modo, a velocidade do ar fica proporcional à quantidade de calor retirada do fio ou filme quente.
O aquecimento do sensor pode ser feito de forma contínua ou pulsada, pelo circuito que o compõe. A técnica mais utilizada faz com que uma grandeza elétrica seja mantida constante (tensão, corrente ou potência elétricas) e, assim, a velocidade do ar é calculada em função da temperatura do fio ou filme (SARMA, 1993). Outra técnica utilizada é pela temperatura constante.
Devido à mudança de resistividade elétrica em função da temperatura, a corrente elétrica sofre modificações necessárias para manter a temperatura do fio constante e, ao medir a corrente tem-se um valor proporcional à velocidade do ar. Trabalhos foram inicialmente realizados com este tipo de anemômetro por Freymuth (1967).
Outro método mais sofisticado, desenvolvido por Chartier et al. (1971), consiste em utilizar a modulação por largura de pulso elétrico, PWM (Pulse-Width Modulation). Nesta técnica, a largura dos pulsos da corrente necessária para manter a temperatura constante do fio ou filme associa-se ao valor de velocidade do vento.
As principais vantagens deste tipo de anemômetro são: não possuir partes móveis e ter um tamanho reduzido quando comparado com os anemômetros, além de ter maior sensibilidade para baixas velocidades do vento (PINTO, 2006). A Figura 8 ilustra um anemômetro de termoelétrico a termistor.
Sampaio (1998) construiu um anemômetro de fio quente calibrado utilizando um método simples para ser aplicado no desenvolvimento deste sensor.
Figura 8 – Anemômetro termoelétrico (termistor).
Fonte: University of Cambridge (2015).
2.5.3 Anemômetro ultrassônico
Os anemômetros ultrassônicos são desenvolvidos com base no princípio de que a velocidade do ar influencia a velocidade de uma onda acústica, com frequência ultrassônica. Este anemômetro possui um emissor ultrassônico (transdutor emissor) e um microfone receptor da onda gerada coletora (transdutor receptor) com distanciamento de aproximadamente 0,10 m (dependendo do modelo). O tempo necessário para que o sinal
ultrassônico percorra a distância entre o transmissor e o receptor é depende da velocidade de deslocamento do ar em movimento no espaço entre o transmissor e o receptor.
As vantagens deste equipamento são: boa exatidão, resposta rápida, não mantém contato e nem obstrui o fluxo do fluido medido e possui linearidade em uma grande faixa de frequência (PINTO, 2006). Na Figura 9 tem-se um exemplo de anemômetro ultrassônico. Figura 9 – Anemômetro Ultrassônico.
Fonte: Direct Industry (2015).
2.6 Rede Neural
2.6.1 Definição e histórico
Redes Neurais Artificial (RNA) podem ser consideradas sistemas de processamento de dados que possuem características de comportamento e desempenho análogo às redes neurais biológicas. A Figura 2.1 apresenta um modelo de um neurônio biológico com a seqüência de propagação dos sinais pela célula. A natureza das RNA's faz com que seu estudo seja multidisciplinar, envolvendo pesquisadores de diversas áreas, como neurofisiologia, psicologia, física, computação e engenharia.
Redes Neurais Artificiais (RNA) ou Artificial Neural Networks (ANN) são técnicas computacionais, desenvolvidas por cientistas da computação para aprimoramento de inteligência artificial (IA), apresentam modelos matemáticos inspirados na estrutura neural de organismos vivos Lima (2010), Wilhelm e Lopes (1995). Nas RNA a análise de dados, assim como nos seres vivos, é feita através de experiência adquirida com resultados, ou seja, um banco de dados é acumulado, servindo para fornecer informações para o tratamento matemático adequado dentro do processo computacional influenciando no resultado final de avaliação. Os dados coletados e analisados em outras situações têm seus resultados como parte importante para as análises futuras e daí a necessidade de formação de banco de dados.
Segundo Kóvacs (2006), a estrutura básica para construção de uma RNA é o neurônio artificial (Figura 6), com ele desenvolvem-se os vários tipos de Redes Neurais, na Tabela 6 temos os principais modelos e suas respectivas aplicações. Uma rede neural é definida, pela sua topologia, pelas características dos nós e pelas regras de treinamento.
Tabela 6 – Modelos e aplicações de Redes Neurais Artificiais.
Modelo Aplicações Ano
Adaline/Madaline Filtragem de sinal adaptativo, equalização
adaptativa. 1960
Backpropagation Perceptron
Reconhecimento de padrões, filtragem de sinal, controle robótico, compressão de dados e segmentação de sinal.
1974
Neocognition Reconhecimento de manuscritos e imagens 1975
Brain-State-in-a-Box (BSB) Revocação autoassociativa 1977
Vector Quantization Learning Compressão de dados, revocação
autoassociativa. 1981
Hopfield Evocação autoassociativa. 1982
Adaptative Resonance Theory
(ART) Reconhecimento de padrões. 1983
Boltzmann Machine, Cauchy Machine
Reconhecimento de padrões (imagem, som,
radar). 1984
Bidirectional Associative
Memory Memória endereçada por conteúdo. 1987
Recurrent Controle robótico, reconhecimento de fala e
previsão sequencial. 1987
Network Radial Basis Functions Classificação e mapeamento. 1987
Time-Delays Reconhecimento de fala. 1987
Networks of Functional Links Classificação e mapeamento. 1988
Fonte: Adaptado de Valdemeri (1999).
Na Figura 10 observa-se que cada entrada do neurônio corresponde a um valor numérico que possui seu respectivo peso, definido proporcionalmente pelo engrossamento do ramo de entrada (detrito artificial). No ramo de saída (axônio artificial) é calculado o resultado final para este neurônio tendo como base os pesos iniciais e a função matemática relacionada (KÓVACS, 2006). Na Figura 10b tem-se o Neurônio biológico com a respectiva direção de propagação de sinal e na Figura 10a, seu análogo para neurônio artificial com as entradas de dados ponderadas pelos pesos. Segue ainda na Figura 10a a função soma que
relaciona as entradas estabelecendo interrelações entre os valores ponderados. A função transferência que estabelece os cálculos que resultam na saída do neurônio artificial.
Figura 10 – Estrutura do neurônio.
(a) Neurônio artificial (b) Neurônio biológico
2.6.2 Características da RNA
Uma rede neural artificial possui vários neurônios artificiais (unidades de cálculo), por várias unidades de processamento. Essas unidades são conectadas por redes de comunicação associadas a pesos, cada unidade opera sobre um conjunto local de dados e fornece um resultado que pode ser utilizado por outro neurônio artificial. O comportamento inteligente de uma Rede Neural Artificial é consequência das interações entre as unidades de processamento da rede (KÓVACS, 2006, VEMURI, 1992 e SILVA 1998). Na proposta dos criadores de RNA, Mcculloch e Pitts (1943), devem-se fazer as seguintes considerações:
1 – Têm-se valores de entrada que são multiplicados por pesos (números que expressão a importância de cada valor);
2 – O nível de atividade é definido pelo cálculo baseado nestes valores de entrada; 3 – Se o nível de atividade for superior a certo limite (threshold) o neurônio apresenta certa resposta de saída com base na regra de treinamento com base no modelo de rede neural.
As Arquiteturas neurais são organizadas em camadas e, por sua vez, camadas são classificadas em três grupos, Figura 11:
Camada de Entrada: Os padrões são apresentados à rede;
Camada Oculta: São processados os cálculos com uso das conexões ponderadas (chama-se extratora de característica);
Figura 11 – Rede Neural distribuída em multicamadas.
Fonte: Valdemeri (1999).
2.6.3 Aprendizagem RNA
O desempenho e importância do uso da Rede Neural Artificial estão em sua principal característica, memória de resultados, obtida por processos de treinamento. Isso é feito pela interação de ajustes aplicados a seus pesos, O aprendizado ocorre quando a rede neural alcança uma solução para determinado problema seguindo certo algoritmo para efetivar o aprendizado, Silva (1998).
Existem vários tipos de algoritmos de aprendizado específicos para determinados modelos de redes neurais, a diferença esta no modo como os pesos são modificados, Silva (1998). Valdemeri (1999).
Kóvacs, 2006 cita os paradigmas associados ao aprendizado de uma RNA:
Aprendizado Supervisionado a Rede Neural é treinada com auxílio de um observador que faz os devidos ajustes caso os resultados obtido estejam fora da faixa satisfatória considerada.
Aprendizado autorregulador, quando não existe um agente externo indicando a resposta desejada para os padrões de entrada e quando o próprio sistema consegue se modificar e melhorar seus resultados.