A sociedade do
conhecimento e suas
tecnologias
Estudos em Ciências Exatas e Engenharias
Volume 2
CONSELHO EDITORIAL
Alexandre G. M. F. de Moraes Bahia
André Luís Vieira Elói
Antonino Manuel de Almeida Pereira
António Miguel Simões Caceiro
Bruno Camilloto Arantes
Bruno de Almeida Oliveira
Bruno Valverde Chahaira
Catarina Raposo Dias Carneiro
Christiane Costa Assis
Cíntia Borges Ferreira Leal
Eduardo Siqueira Costa Neto
Elias Rocha Gonçalves
Evandro Marcelo dos Santos
Everaldo dos Santos Mendes
Fabiani Gai Frantz
Flávia Siqueira Cambraia
Frederico Menezes Breyner
Frederico Perini Muniz
Giuliano Carlo Rainatto
Helena Maria Ferreira
Izabel Rigo Portocarrero
Jamil Alexandre Ayach Anache
Jean George Farias do Nascimento
Jorge Douglas Price
José Carlos Trinca Zanetti
Jose Luiz Quadros de Magalhaes
Josiel de Alencar Guedes
Juvencio Borges Silva
Konradin Metze
Laura Dutra de Abreu
Leonardo Avelar Guimarães
Lidiane Mauricio dos Reis
Ligia Barroso Fabri
Lívia Malacarne Pinheiro Rosalem
Luciana Molina Queiroz
Luiz Carlos de Souza Auricchio
Marcelo Campos Galuppo
Marcos André Moura Dias
Marcos Antonio Tedeschi
Marcos Pereira dos Santos
Marcos Vinício Chein Feres
Maria Walkiria de Faro C Guedes Cabral
Marilene Gomes Durães
Mateus de Moura Ferreira
Milena de Cássia Rocha
Mortimer N. S. Sellers
Nígela Rodrigues Carvalho
Paula Ferreira Franco
Pilar Coutinho
Rafael Alem Mello Ferreira
Rafael Vieira Figueiredo Sapucaia
Rayane Araújo
Regilson Maciel Borges
Régis Willyan da Silva Andrade
Renata Furtado de Barros
Renildo Rossi Junior
Rita de Cássia Padula Alves Vieira
Robson Jorge de Araújo
Rogério Luiz Nery da Silva
Romeu Paulo Martins Silva
Ronaldo de Oliveira Batista
Vanessa Pelerigo
Vitor Amaral Medrado
Wagner de Jesus Pinto
Todos os direitos reservados. Nenhuma parte
desta edição pode ser utilizada ou reproduzida –
em qualquer meio ou forma, seja mecânico ou
eletrônico, fotocópia, gravação etc. – nem
apropriada ou estocada em sistema de banco de
dados, sem a expressa autorização da editora.
Copyright © 2022 by Editora Dialética Ltda.
Copyright © 2022 by Adailton Azevêdo Araújo Filho (Org.)
/editoradialetica
@editoradialetica
www.editoradialetica.com
EQUIPE EDITORIAL
Editores-chefes
Prof. Dr. Rafael Alem Mello Ferreira
Prof. Dr. Vitor Amaral Medrado
Designer Responsável
Daniela Malacco
Produtora Editorial
Letícia Machado
Controle de Qualidade
Marina Itano
Capa
Giovana Acciarini
Diagramação
Giovana Acciarini
Preparação de Texto
Lucas Ben
Suzana Itano
Anna Moraes
Revisão
Responsabilidade do autor
Assistentes Editoriais
Jean Farias
Letícia Machado
Ludmila Vieira
Larissa Teixeira
Estagiária
Laís Silva Cordeiro
Dados Internacionais de Catalogação na Publicação (CIP)
S678c
A sociedade do conhecimento e suas tecnologias : estudos em Ciências
Exatas e Engenharias : Volume 2 / organização Adailton Azevêdo Araújo
Filho. – São Paulo : Editora Dialética, 2022.
120 p. = (v. II)
Inclui bibliografia.
ISBN 978-65-252-4048-0
1. Conhecimento. 2. Tecnologia. 3. Ciências Exatas. 4. Engenharia.
I. Araújo Filho, Adailton Azevêdo (org.). II.Título.
CDD 600
CDU 60
Ficha catalográfica elaborada por Mariana Brandão Silva CRB -1/3150
APRESENTAÇÃO
A aprendizagem de máquina — traduzida do termo machine
learning—, é a capacidade do computador de aprender sem precisar necessariamente de uma programação prévia pré-estabelecida. Em outras
palavras, a máquina aprende baseada nos dados input que nós a fornecemos. Tal destaque é notável, uma vez que podemos nos beneficiar do fato
que elas podem ser capazes de executar tarefas sem a nossa interferência
direta — a ajuda humana.
Isso nos deixa munido de um forte arcabouço de possibilidades:
desde uma abordagem mais aplicada em engenharia, até façanhas puramente teóricas no caso de teoria de cordas. Portanto, em outros destaques,
tal ferramenta de machine learning nos permite passear em praticamente
todas as áreas do conhecimento existentes atualmente na humanidade.
Assim, este presente livro terá uma abordagem multidisciplinar,
transpassando por várias áreas do conhecimento, indo desde engenharias
aplicadas, até conceitos envolvendo física teórica. Ademais, esperamos
levar ao leitor um mundo de possibilidades baseado nesse inenarrável
fato que é aprender por meio da investigação: a arte de fazer ciência.
Inicialmente, é estudado a quantificação tão bem quanto a caracterização de sedimentos coletados em ruas pavimentadas, o que indicou
a necessidade de um desenvolvimento de técnicas para o tratamento de
fontes geradoras dos sedimentos urbanos. A seguir, mencionamos alguns
algoritmos com o fito de serem utilizados como forma educativa, sendo,
inclusive, utilizados no campo jurídico. Dessa forma, tal abordagem pode
ser uma poderosa ferramenta na automatização, e.g., de processos, em
larga escala. Paralelamente, também vemos que é pertinente uma criação
de uma rede neural artificial com o propósito de resolver a problemática
da análise de alguns dados. Em outras palavras, isso nos possibilitaria ter
uma classificação sobre a potência elétrica horária média fornecida por
uma dada usina. Tudo isso é pensado com o fito de aferirmos contundentemente as medidas para o suprimento eficaz de energia elétrica para
uma determinada população. Por fim, vemos como partículas interagem
em um cenário que nasce na teoria de cordas: a teoria de Kalb-Ramond.
Notamos que, ao invés de partículas pontualmente localizadas — como
é previsto na eletrodinâmica de Maxwell —, no presente caso, temos vetores localizados. A façanha de tal teoria tensorial antissimétrica é que,
categoricamente, sua energia de interação é, a menos de um sinal, igual
àquela encontrada em dipolos elétricos interagentes.
Adailton Azevêdo Araújo Filho
SUMÁRIO
ANÁLISE DA PRODUÇÃO E CARACTERIZAÇÃO DO SEDIMENTO
DEPOSITADO EM VIAS PAVIMENTADAS, NA BACIA DO CÓRREGO
BOTAFOGO – GOIÂNIA/GO
Ricardo de Alcântara Ferreira
Jussanã Milograna
DOI 10.48021/978-65-252-4048-0-c1
9
DESMISTIFICANDO A INTELIGÊNCIA ARTIFICIAL E SUAS TECNOLOGIAS
PARA A ÁREA JURÍDICA: UMA ABORDAGEM EDUCATIVA
Daniel Medeiros Rocha
DOI 10.48021/978-65-252-4048-0-c2
53
PROPOSIÇÃO DE UMA REDE NEURAL ARTIFICIAL PARA A
CLASSIFICAÇÃO DA POTÊNCIA ELÉTRICA GERADA POR UMA USINA
ELÉTRICA DE CICLO COMBINADO: UM ESTUDO DE CASO
Fernando Antônio Saraiva Mendes
Ricardo Campanha Carrano
DOI 10.48021/978-65-252-4048-0-c3
81
COMO PARTÍCULAS INTERAGEM NA ELETRODINÂMICA DE KALB-RAMOND?
A. A. Araújo Filho
DOI 10.48021/978-65-252-4048-0-c4
103
ANÁLISE DA PRODUÇÃO E
CARACTERIZAÇÃO DO SEDIMENTO
DEPOSITADO EM VIAS PAVIMENTADAS,
NA BACIA DO CÓRREGO BOTAFOGO –
GOIÂNIA/GO
Ricardo de Alcântara Ferreira
Mestre
ricardo.af@ifg.edu.br
Jussanã Milograna
Doutora
milogranajussana@gmail.com
RESUMO: Este estudo visou quantificar e caracterizar
os sedimentos coletados em ruas pavimentadas, localizadas na região da Bacia do Córrego Botafogo, no
município de Goiânia/GO. As estimativas de geração
dos sedimentos foram obtidas por análises estatísticas, considerando os parâmetros declividade, fluxo de
veículos, taxa de ocupação do solo e as precipitações
ocorridas entre as coletas. As amostras foram ensaiadas seguindo as normas da ABNT NBR 7181:2016 e
por Espectrometria de Emissão Óptica (ICP OES),
com ênfase nos metais Cádmio, Chumbo, Cobre, Cromo, Manganês, Níquel e Zinco. Os resultados apontam maior acumulação de sedimentos nas vias com
menor declividade e maior fluxo de veículos. As maiores massas médias coletadas variaram entre 195,53 e
708,48 g/m², enquanto as menores se apresentaram
9
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
entre 2,43 e 164,58 g/m². Os maiores percentuais granulométricos se concentraram entre os diâmetros 0,06 a 2,0 mm. Em todas as amostras foram
identificadas a presença de metais, sendo que o Cobre, Zinco e Manganês
registraram as maiores concentrações. Verificou-se que a precipitação e
o escoamento superficial agem diretamente sobre a geração, a granulometria e na propagação de possíveis contaminantes, indicando a necessidade de desenvolvimento de técnicas para o tratamento e o controle das
fontes geradoras dos sedimentos urbanos.
Palavras-chave: Sedimento urbano; Estimativa de sedimento; Metais traço.
INTRODUÇÃO
A expansão desordenada dos grandes centros urbanos e o fluxo
migratório da população rural em direção às cidades, associado à ocupação das áreas verdes e a pavimentação de vias, tem como resultado
imediato o aumento da impermeabilização dos solos, colaborando para
o incremento da velocidade de escoamento das águas superficiais e diminuindo a capacidade de recarga do lençol freático.
De acordo com Poleto (2008) uma das primeiras consequências
da urbanização é a devastação de grandes áreas de vegetação e a subsequente impermeabilização daquele solo devastado por construções de
vários tipos. Associado a esta devastação ocorre o comprometimento do
conjunto “das terras drenadas por um rio e seus afluentes”, ou seja, das
bacias hidrográficas respectivas. O conhecimento dos fatores que colocam em risco os recursos hídricos, essenciais para o desenvolvimento das
cidades e para a preservação da vida, é um passo importante na direção
da elaboração de ações que impactem toda a sociedade.
Desta forma, este estudo proporcionou um maior conhecimento
dos processos de geração e acúmulo de sedimentos nas vias pavimentadas das cidades, levando-se em consideração os parâmetros declividade, fluxo de veículos, taxa de ocupação e uso do solo, as características
de urbanização de cada região e a interação destes parâmetros com os
eventos de precipitação, de acordo com a sazonalidade do clima. Também pode-se verificar como esses parâmetros interferem na geração, na
10
ANÁLISE DA PRODUÇÃO E CARACTERIZAÇÃO DO SEDIMENTO DEPOSITADO
EM VIAS PAVIMENTADAS, NA BACIA DO CÓRREGO BOTAFOGO – GOIÂNIA/GO
granulometria e na composição dos sedimentos, apresentando resultados
que podem colaborar para avaliação dos riscos de comprometimento dos
recursos hídricos e das estruturas de captação pluvial.
A pesquisa apresenta os sedimentos depositados nas vias pavimentadas como principais fontes geradoras de poluição difusa no meio urbano. O estudo ainda abordou a caracterização e a presença de metais nas
amostras dos sedimentos coletados, que podem servir como indicadores
de possíveis contaminantes do meio ambiente e dos recursos hídricos.
As metodologias utilizadas nas coletas das amostras dos sedimentos, seguiram os estudos desenvolvidos por Deletic et al. (2000), que
indicaram a sarjeta como o local de maior acúmulo do sedimento urbano
em vias pavimentadas e o método de varrição e aspiração mecânica descrito por Vaze e Chiew (2002).
Esta pesquisa pode oferecer subsídios para formulação de políticas públicas e implantação de ações estruturais nas cidades, que permitam recuperar, proteger e evitar a degradação do meio ambiente, com a
utilização de novas tecnologias direcionadas à limpeza urbana e de sistemas de captação, tratamento e controle do escoamento superficial, tornando as cidades espaços cada vez mais adaptados para a vida humana.
O objetivo deste estudo visa quantificar e caracterizar os sedimentos presentes em vias pavimentadas, coletando amostras em dois períodos climáticos distintos (chuvoso e seco). Ainda aborda os fatores que
contribuem para geração do sedimento depositado em ruas e avenidas,
como premissas importantes na elaboração e execução de ações mitigadoras e de controle das fontes geradoras do sedimento urbano.
PROCESSO DE URBANIZAÇÃO E OS IMPACTOS NA DRENAGEM
O aumento das populações em áreas periféricas e a tendência do
adensamento central nas cidades, em busca dos locais com melhor infraestrutura de negócios, serviços, moradia e lazer, provocam impacto direto sobre a geração de sedimentos no meio urbano. O desenvolvimento
urbano se acelerou na segunda metade do século XX com a concentração
da população nas cidades, produzindo grande competição pelos mesmos
recursos naturais destruindo parte da biodiversidade. O meio formado
11
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
pelo ambiente natural e pela população (meio socioeconômico urbano) é
um ser vivo e dinâmico, que gera um conjunto de efeitos interligados, que
sem controle pode levar a cidade ao caos.
Segundo Poleto (2008) a urbanização das áreas litorâneas e posteriormente do interior do país, trouxe além dos benefícios, impasses relativos ao comprometimento do meio ambiente neste processo civilizatório. Estas intervenções antrópicas provocaram alterações na qualidade do
ar, da água, dos sedimentos e do solo, bem como dos organismos vivos.
De acordo com Pitt et al. (2004) o escoamento superficial urbano é
apontado como um dos grandes fatores de impacto sobre o meio ambiente,
principalmente sobre os recursos hídricos (córregos, rios e lagos), em função do carreamento de sedimentos com a presença de agentes poluidores.
A implantação de sistemas de drenagem utilizando teorias higienistas (captação e lançamento a jusante das águas pluviais), aliado à
impermeabilização das áreas de drenagem naturais por construções e/
ou pavimentação das vias, tem provocado um aumento significativo de
eventos, como:
- Alagamentos: resultado da combinação de precipitações intensas e
consequente geração de elevados escoamentos superficiais, com a
superação da capacidade de escoamento do sistema de drenagem;
- Enxurradas: desastres associados a escoamento superficial de alta
velocidade e energia em consequência de chuvas intensas e concentradas, frequentes em regiões acidentadas e bacias hidrográficas de dimensões reduzidas;
- Inundações: desastre ocasionado por chuvas prolongadas em áreas
planas e em fundo de vale.
De acordo com Baptista et al. (2005) verificou-se que a carga poluidora proveniente das águas pluviais é bastante expressiva, sendo muitas vezes equivalente e/ou superior às cargas de esgoto sanitário, quando
da ocorrência de eventos com grandes precipitações em breves espaços
de tempo, que provocam um enorme arraste de material sedimentar.
Portanto, o tratamento das águas residuais vai além da garantia
da qualidade do abastecimento à população, pois contribui para redução
12
ANÁLISE DA PRODUÇÃO E CARACTERIZAÇÃO DO SEDIMENTO DEPOSITADO
EM VIAS PAVIMENTADAS, NA BACIA DO CÓRREGO BOTAFOGO – GOIÂNIA/GO
de doenças disseminadas pela água (diarreia infecciosa, cólera, leptospirose, hepatite e esquistossomose), para diminuição dos gastos com captação em longas distâncias e no menor consumo de produtos químicos
para tratamento.
A quantificação e a caracterização dos sedimentos presentes no
escoamento superficial urbano contribuem para o desenvolvimento e
implantação de sistemas de captação, que executem o tratamento e/ou
encaminhem os sedimentos para deposição em locais mais adequados.
De acordo com Poleto e Merten (2013) os sedimentos contaminados por metais pesados podem exercer um grande impacto sobre a
vida aquática, através da bioacumulação (transferências de substâncias
do meio externo para os organismos vivos em concentrações superiores à
do meio em que se encontram) e também pela biomagnificação (aumento progressivo da concentração de substâncias químicas nos organismos
vivos à medida que percorre a cadeia alimentar, passando a se acumular
no nível trófico mais elevado).
FONTES DE POLUIÇÃO DIFUSA
Conforme abordado por Butler e Clark (1995) apesar de conhecidas, as fontes geradoras do sedimento urbano ainda oferecem dificuldades à identificação e a determinação do grau de importância relativa
de cada uma delas, devido à variedade destas fontes e da heterogeneidade na propagação do sedimento através da bacia hidrográfica, desde
sua produção até a captação pelos sistemas de drenagem urbana (redes
de micro e macrodrenagem).
Na Figura 1 estão representadas as principais fontes geradoras
dos sedimentos urbanos descritos por Poleto et al. (2009).
13
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
Figura 1 - Fontes de sedimentos em ambientes urbanos.
Fonte: Poleto et al. (2009).
Butler e Clark (1995) destacam como principais fontes de sedimentos urbanos os materiais originalmente encontrados nas vias pavimentadas e provenientes de obras dispostas ao longo destas vias, bem
como os resíduos gerados a partir do uso de veículos e das atividades
comerciais e industriais. Além destes, também configuram como fontes
de sedimento urbano a vegetação, o esgoto sanitário lançado irregularmente nas redes de drenagem pluviais (bocas de lobo e redes coletoras),
descarte de papéis, embalagens metálicas, restos de alimentos, resíduos
provenientes dos telhados e da deposição atmosférica que são carreados
através da precipitação das chuvas.
Segundo Poleto e Merten (2013), os poluentes antropogênicos,
como são classificadas todas essas fontes de origens poluidoras, são adsorvidos aos sólidos em suspensão e podem se apresentar em altas concentrações no escoamento superficial urbano.
A ação de transporte de sedimentos é também detalhada por
Vaze e Chiew (2002), que ressaltam as grandes concentrações de sedimentos e poluentes principalmente na primeira porção do escoamento
14
ANÁLISE DA PRODUÇÃO E CARACTERIZAÇÃO DO SEDIMENTO DEPOSITADO
EM VIAS PAVIMENTADAS, NA BACIA DO CÓRREGO BOTAFOGO – GOIÂNIA/GO
(first flush). Este fenômeno foi simulado em superfícies asfálticas por Silva (2014), com intuito de quantificar os poluentes nestas superfícies. Observou-se que as concentrações de poluentes são elevadas no início das
precipitações e decrescem com o decorrer dos eventos chuvosos.
Dotto (2006) concluiu que a acumulação em superfícies impermeáveis pode ser descrita por um processo de equilíbrio dinâmico, ocorrendo entre a acumulação e o carreamento em um ponto e entre áreas de
contribuição ou não. Esse equilíbrio dinâmico, de acordo com a física, é
o estado que um corpo se encontra em um movimento retilíneo e uniforme, gerando estabilidade no sistema.
Segundo Taylor (2007), os sedimentos gerados em bacias hidrográficas urbanas podem ter sua origem natural e antrópica. Os sedimentos de origem natural são considerados como fontes intrínsecas, como:
materiais de solos, plantas, deposição atmosférica. E os sedimentos de
origem antrópica são considerados como fontes extrínsecas, diretamente ligadas à ação humana, tais como: resíduos gerados na descarga dos
escapamentos de veículos, desgaste de pneus, materiais de construção,
materiais gerados por atividades industriais, entre outros.
Poleto (2008) apresentou um fluxograma exemplificando o movimento dos sedimentos nas bacias urbanas, destacando o vínculo entre
as fontes, os agentes de transporte e a deposição final dos sedimentos
gerados, como ilustrado na Figura 2.
15
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
Figura 2 - Processo de transporte e formação de sedimentos urbanos.
Fonte de Sedimentos
Fonte de Contaminantes
Mistura
Deposição na Bacia Urbana
Transporte diferencial por
tamanho de par�culas
Re-mistura
Alteração das condições
ambientais
Atrito
Alterações
químicas
Alterações Físicas
Remoção de
par�culas finas
Remoção via
sistema de
drenagem
Permanência
nas áreas
impermeáveis
Entrada nos
corpos d'água
Deposição e
acúmulo
Deposição no
sistema de
drenagem
Alterações
químicas
Limpeza e
remoção do
sistema
Transporte
como
sedimento
Alterações �sicas e químicas durante
o transporte
DEPOSIÇÃO EM LAGOS OU RIOS
Fonte: Poleto (2008).
O fluxograma destaca a mistura que é depositada na bacia urbana, formada pela interação entre os sedimentos e contaminantes que
são transportados de acordo com as características da granulometria das
partículas, podendo estar sujeito à remistura e/ou passar por alterações
físicas e químicas. O material sólido poderá ser removido pelo sistema de
drenagem até a sua deposição final nos recursos hídricos (córregos, rios
e lagos), permanecer acumulado em áreas impermeáveis ou ficar deposi-
16
ANÁLISE DA PRODUÇÃO E CARACTERIZAÇÃO DO SEDIMENTO DEPOSITADO
EM VIAS PAVIMENTADAS, NA BACIA DO CÓRREGO BOTAFOGO – GOIÂNIA/GO
tado no sistema de drenagem até a sua limpeza ou remoção. Ao atingir os
corpos d’água, os sedimentos podem sofrer deposição e acúmulo ou serem transportados como sedimentos em suspensão, sofrendo alterações
físico-químicas durante o processo de transporte.
Ainda de acordo com Charlesworth e Lees (1999), a presença
do sedimento em vias urbanas é provisória e transitória, em função das
ações físicas e das intempéries, que provocam o seu deslocamento.
INTERAÇÃO ENTRE OS SEDIMENTOS E CONTAMINANTES
Devido à capacidade de associação dos sedimentos aos agentes
contaminantes, tais como os metais pesados que são habitualmente encontrados nas atividades industriais, os sedimentos urbanos podem caracterizar-se como potenciais fontes poluidoras, com alto poder de contaminação
dos corpos hídricos, pela ação do escoamento superficial (POLETO, 2008).
Ainda de acordo com Poleto (2008) os termos contaminação e
poluição não possuem o mesmo significado. A contaminação por algum
elemento ocorre quando há um aumento de suas concentrações em relação às concentrações naturais, que são encontradas normalmente no
meio ambiente. Já a poluição está relacionada com o aumento destas
concentrações em quantidades que são capazes de causar efeitos nocivos
para os componentes bióticos do ecossistema, comprometendo sua funcionalidade e sustentabilidade.
A absorção de metais pesados ou não, como de elementos químicos presentes em diversos produtos industrializados e agropecuários,
que vão se associar aos sedimentos depositados em vias e superfícies impermeáveis, está diretamente ligada à granulometria destes sedimentos.
A interação entre o sedimento e os metais e/ou contaminantes ocorre
principalmente com as frações mais finas destes sedimentos (SUTHERLAND, 2003; CHARLESWORTH et al., 2003).
Segundo Poleto e Merten (2013) existem diferentes mecanismos
de associação entre os elementos ou substâncias químicas com o sedimento e a compreensão destes mecanismos, proporciona um melhor entendimento sobre o aumento e/ou diminuição das reações que ocorrem
no meio ambiente. As reações que ocorrem são determinadas pelas for-
17
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
mas de fixação e pelas características do meio que o influenciam. Existem
fatores físicos e químicos que determinam:
a) Capacidade de alguns elementos serem utilizados como traçadores naturais: estabelecer em que condições os elementos químicos
estão retidos pelos sedimentos e em que condições irão se desprender do sedimento;
b) Fatores que afetam a capacidade dos sedimentos em transportar e
tornar disponíveis os contaminantes das diferentes fontes: como
os contaminantes são transportados pelos sedimentos e em que
condições esses contaminantes se tornam disponíveis ao ambiente,
provocando a poluição.
Ainda de acordo com Poleto e Merten (2013), o desenvolvimento
de técnicas que utilizam as características químicas e físicas dos sedimentos
tem aumentado a capacidade de identificar as fontes geradoras e a contribuição das diferentes fontes na produção dos sedimentos e dos contaminantes encontrados nos recursos hídricos. A caracterização do sedimento
urbano é de extrema importância para avaliação correta de seu potencial
poluidor e/ou dos agentes que dão origem à sua formação e deposição.
MATERIAIS E MÉTODOS
Na metodologia foram utilizados os estudos descritos de Vaze e
Chiew (2002), que concluíram que a carga de sedimentos de superfície
aumenta de acordo com o período seco antecedente das precipitações.
Também os resultados atingidos por Dotto (2006), que atribuiu ao
processo de acumulação toda a variedade de processos relacionadas ao tempo
seco que ocorrem entre os eventos de precipitação: deposição, erosão devido
à ação do vento, processo de limpeza das ruas, entre outros. Já o processo de
carreamento do sedimento ocorre quando o sedimento seco, depositado em
superfície impermeável é removido durante os eventos de precipitação, por
meio do escoamento superficial e é incorporado ao mesmo.
Diferentes metodologias têm sido utilizadas no estudo sobre a
acumulação, quantificação e caracterização do sedimento urbano, com
18
ANÁLISE DA PRODUÇÃO E CARACTERIZAÇÃO DO SEDIMENTO DEPOSITADO
EM VIAS PAVIMENTADAS, NA BACIA DO CÓRREGO BOTAFOGO – GOIÂNIA/GO
pequenas variações quanto às formas adotadas e/ou procedimentos de
coleta do sedimento.
Nas análises das fontes de poluição difusa e do espalhamento do
sedimento no ambiente urbano, formulado por Butler e Clark (1995), verifica-se que a distribuição do sedimento ao longo de uma via pavimentada é
muita assimétrica, com mais de 80% dos sedimentos ocupando uma faixa
situada a 15 cm do meio fio (sarjeta), conforme ilustrado na Figura 3.
Figura
3 -3Distribuição
aolongo
longo
seção
Figura
- Distribuiçãodos
dos sedimentos
sedimentos ao
dada
seção
da da
rua.rua.
.
Fonte: Butler e Clark (1995).
Fonte: Butler e Clark (1995).
DESCRIÇÃO DA ÁREA DE ESTUDO
DESCRIÇÃO DA ÁREA DE ESTUDO
O estudoOfoi
desenvolvido
na região
baciadadobacia
córrego
Botafogo,
que integra a
estudo
foi desenvolvido
na da
região
do córrego
Botafogo,
que integra a Bacia
Hidrográfica
do Ribeirão
do Riopela
Meiamargem
Bacia Hidrográfica
do Ribeirão
Anicuns,
afluenteAnicuns,
do Rioafluente
Meia Ponte
Ponte pela margem direita e situa-se nas porções das regiões sul e central
direita e situa-se nas porções das regiões sul e central do município de Goiânia. A bacia
do município de Goiânia. A bacia hidrográfica do córrego Botafogo possui
hidrográfica
córrego Botafogo
possui
área extensão
de aproximadamente
32,84 de
km² com
área dedoaproximadamente
32,84
km² com
do córrego principal
aproximadamente
10,93de
km,aproximadamente
da nascente ao exutório,
no Ribeirão
Anicuns.
extensão
do córrego principal
10,93 km,
da nascente
ao exutório,
Suas nascentes, localizam-se no Parque municipal Jardim Botânico Amália
no Ribeirão Anicuns. Suas nascentes, localizam-se no Parque municipal Jardim
Hermano Teixeira, região sul de Goiânia. (MARTINS JÚNIOR, 1996).
Botânico Amália
Hermano
Teixeira,
região teve
sul de
(MARTINS
JÚNIOR,
A bacia
do Córrego
Botafogo
suasGoiânia.
características
originais
1996). bastante alteradas pela urbanização, com a presença de edificações reA bacia do Córrego Botafogo teve suas características originais bastante
alteradas pela urbanização, com a presença de edificações residenciais, comerciais,
19
pequenas indústrias e grandes áreas pavimentadas (ruas e avenidas). Poucas áreas ainda
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
sidenciais, comerciais, pequenas indústrias e grandes áreas pavimentadas (ruas e avenidas). Poucas áreas ainda apresentam alguma forma de
vegetação nativa, como é o caso dos parques Areião, Jardim Botânico e
Flamboyant, com remanescentes de mata ciliar, além de grande parte dos
córregos terem sido canalizados por estruturas de concreto e gabião.
De acordo com Santos (2015) o clima da região de Goiânia é predominantemente tropical, com duas estações bem definidas e distribuídas ao longo do ano. Uma é a estação chuvosa, que está compreendida
entre os meses de dezembro a março e a outra é a estação seca, que predomina entre os meses de junho a agosto. A altitude média da capital é
de 790 metros e a temperatura média anual é de aproximadamente 22º C.
Dados do estudo realizado por Cardoso et al. (2011), mostram o
mapeamento da precipitação pluviométrica na região metropolitana de
Goiânia e de seu entorno, a partir da análise das 21 estações pluviométricas, apresentando uma variação da média anual de chuvas da região entre
1200 mm e 2100 mm.
A Figura 4 apresenta o posicionamento da área de estudo (município de Goiânia). Destaca-se a bacia do córrego Botafogo representada
pelo número 4.
20
ANÁLISE DA PRODUÇÃO E CARACTERIZAÇÃO DO SEDIMENTO DEPOSITADO
EM VIAS PAVIMENTADAS, NA BACIA DO CÓRREGO BOTAFOGO – GOIÂNIA/GO
Figura 4 - Localização da bacia do córrego Botafogo, município de Goiânia/GO.
Fonte: Mapa Digital Urbano de Goiânia (MUBDG, 2012).
21
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
Na Figura 5, gerada a partir do Google Earth (2017), destacam-se as localizações dos pontos de coletas, representados de acordo com o
critério de identificação das amostras e da ordem de envio ao laboratório
para realização das análises granulométricas e dos metais traço.
Figura 5 - Pontos de coletas dos sedimentos – Bacia do córrego Botafogo,
Goiânia/GO.
Fonte: Google Earth (2017).
No Quadro 1 estão descriminadas as seis ruas escolhidas para a
coleta dos sedimentos do experimento (destacadas na Figura 1), com as
respectivas codificações utilizadas para o envio das amostras utilizadas
nas análises laboratoriais.
22
ANÁLISE DA PRODUÇÃO E CARACTERIZAÇÃO DO SEDIMENTO DEPOSITADO
EM VIAS PAVIMENTADAS, NA BACIA DO CÓRREGO BOTAFOGO – GOIÂNIA/GO
Quadro 1 – Legenda dos pontos de coletas dos sedimentos
Ponto de
Coleta
PA1
Nome da
rua
Av.
Americano
do Brasil
PA2
JB1
JB2
PF1
PF2
Rua S-6
Av. 3ª
Radial
Al. João
Elias da S.
Caldas
Rua
Castorina
Bittencourt
Alves
Rua 46
Fonte: Próprios autores (2018).
COLETA DO SEDIMENTO SECO
As coletas dos sedimentos foram realizadas em três (03) seções
por rua, em cada evento de coleta, seguindo a orientação da ABNT NBR
10007:2004, que estabelece a coleta de no mínimo três amostras simples
para obtenção da faixa de variação da concentração do resíduo. As três
seções de coleta foram posicionadas a cinco (05) metros uma da outra,
marcadas a partir da face externa do quadro, conforme experimento realizado por Santos (2015). A primeira seção a ser coletada em cada rua foi
posicionada ao lado de um bueiro (boca de lobo), padronizando assim, o
mesmo sentido de escoamento superficial para todos os pontos de coleta.
As Figuras 6 e 7 ilustram o posicionamento do quadro metálico
em relação ao pavimento asfáltico e ao meio fio.
23
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
Figura 6 – Vista em corte do quadro de coleta das amostras dos sedimentos.
Fonte: Próprios autores (2018).
Figura 7 – Vista em planta do quadro de coleta das amostras dos sedimentos
Fonte: Próprios autores (2018).
O quadro metálico foi posicionado junto ao meio fio, seguindo as
os estudos realizados por Buttler e Clark (1995), que indicaram a sarjeta
como local de maior concentração do sedimento em vias pavimentadas no
ambiente urbano. Os sedimentos foram coletados seguindo o método de
aspiração mecânica e escovação manual, utilizado no experimento realizado por Vaze e Chiew (2002). As amostras obtidas foram compostas por
três (03) seções em cada rua, delimitadas por um quadro metálico com dimensões de (0,707 x 0,707) m. A área total de coleta por rua foi de 1,50 m².
Para cada seção, primeiro foi aspirada a carga livre (CL) do sedimento. Após a coleta da CL, a mesma seção foi escovada para obtenção
24
ANÁLISE DA PRODUÇÃO E CARACTERIZAÇÃO DO SEDIMENTO DEPOSITADO
EM VIAS PAVIMENTADAS, NA BACIA DO CÓRREGO BOTAFOGO – GOIÂNIA/GO
do sedimento aderido ao pavimento, a carga fixa (CF). Após a escovação da seção, a CF foi também aspirada e armazenada juntamente com
a CL. Ao final da aspiração das 3 seções obteve-se a carga total (CT) do
sedimento coletado em cada rua. Coletada a CT de cada rua, o saco do
aspirador de pó era retirado do equipamento, acondicionado em sacos
plásticos hermeticamente vedados (para evitar contaminação da amostra) e enviado ao laboratório de Solos do IFG, campus Goiânia/GO.
Para execução da próxima coleta (próxima rua) o saco do aspirador de pó era substituído por um novo.
No laboratório de Solos do IFG, todas as amostras foram homogeneizadas, pesadas e armazenadas. Após a retirada do material,
os sacos coletores do aspirador foram descartados. Estas amostras foram destinadas à realização dos ensaios de granulometria e uma pequena fração, aproximadamente 1 grama de cada amostra, foi enviada
para o laboratório terceirizado, responsável pela análise dos metais
presentes nas amostras.
Na Figura 8 estão representados os equipamentos utilizados nas
coletas dos sedimentos, descritos abaixo pelas letras “a”, “b” e “c”:
a) Aspirador Eletrolux-AQP 20 (1200 W). Grupo gerador Branco
(2200 W);
b) Quadro metálico (0,707 x 0,707) m. Trena metálica de 8 metros;
c) Escova com pelo de malta para escovação do pavimento.
25
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
Figura 8 - Equipamentos utilizados nas coletas dos sedimentos.
Fonte: Próprios Autores (2018).
ANÁLISE GRANULOMÉTRICA DOS SEDIMENTOS COLETADOS
As amostras coletadas foram pesadas para determinação da massa total obtida em cada uma das 06 (seis) ruas, para cada evento de coleta
realizado. A seguir foi efetuada a extração do material orgânico estranho
às amostras, e preparadas as mesmas para ensaio conforme descrito na
norma da ABNT NBR 6457:2016.
As amostras passaram por um período mínimo de secagem de 24
horas e após esse período, foram executados os procedimentos de desmanche dos torrões (utilizando-se o almofariz) e a passagem do material seco
pela peneira de 2,0 mm, conforme descrito na ABNT NBR 7181:2016, que
prescreve o método de análise granulométrica de solos por peneiramento
ou por uma combinação de sedimentação e peneiramento.
ANÁLISE DOS METAIS TRAÇO
Após a homogeneização das amostras dos sedimentos secos, no
laboratório de solos do IFG, uma pequena parte (no máximo 1 g por amostra) foi retirada para execução dos ensaios de identificação da presença dos
metais traço e suas concentrações. Também foram analisados os recipientes utilizados na coleta e armazenamento dos sedimentos (saco descartável
do aspirador de pó e o saco plástico para preservar as amostras retiradas de
dentro do saco descartável do aspirador), para determinar a amostragem
do branco das coletas. As amostras passaram pelo processo de digestão ácida (ou abertura) para remover os compostos orgânicos presentes.
26
ANÁLISE DA PRODUÇÃO E CARACTERIZAÇÃO DO SEDIMENTO DEPOSITADO
EM VIAS PAVIMENTADAS, NA BACIA DO CÓRREGO BOTAFOGO – GOIÂNIA/GO
As amostras foram analisadas por Espectrometria de Emissão
Óptica por Plasma Acoplado Indutivamente (ICP OES), técnica analítica usada para determinar quantitativa e qualitativamente a presença de
metais em diversos tipos de amostras. As amostras foram analisadas de
acordo com o método 3050B, USEPA (United States Environmental Protection Agency). Equipamento utilizado: Perkin Elmer Optima 7300 DV.
PARÂMETROS ADOTADOS PARA ESTIMATIVA DE GERAÇÃO DO SEDIMENTO
No Quadro 2 estão descritos os parâmetros adotados na realização das coletas dos sedimentos e as coordenadas geográficas de cada
ponto de coleta.
Quadro 2 - Características e parâmetros das ruas do experimento.
Pontos de
Coletas
Declividade
Fluxo médio veículos
(hora de pico)
Taxa de
ocupação
PA1
1,14%
624
88,35%
PA2
3,85%
87
95,00%
JB1
5,72%
712
94,44%
JB2
3,93%
337
100,00%
PF1
6,11%
792
55,63%
PF2
3,24%
453
53,71%
Coord.
geográfica dos
pontos
16° 42’ 18” S
49° 15’ 20” W
16° 42’ 36” S
49° 15’ 35” W
16° 43’ 12” S
49° 15’ 02” W
16° 43’ 05” S
49° 15’ 06” W
16° 42’ 17” S
49° 14’ 06” W
16° 42’ 14” S
49° 14’ 12” W
Fonte: Próprios autores (2018).
O fluxo de veículos de cada uma das vias foi determinado por
contagem volumétrica, com base no Manual de Estudos de Tráfego
27
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
(DNIT, 2006) e a taxa de ocupação foi calculada a partir dos levantamentos das áreas registradas nos mapas fornecidos pela Secretaria Municipal
de Infraestrutura e Serviços Públicos de Goiânia (SEINFRA, 2016).
RESULTADOS
Quantificação do sedimento coletado
Análises iniciais demonstraram que PA1, PF1 e PF2 apresentaram os maiores resultados totais de acumulação do sedimento. Analisando as 66 amostras de sedimentos coletadas, verifica-se que estes três
pontos são responsáveis pelos 20 maiores valores de massas coletadas.
Essas três ruas possuem características bastante distintas:
a) PA1 apresentou alto fluxo de veículos, baixa declividade e taxa de
ocupação urbana de 88,35%. PF1 registrou alto fluxo de veículos,
alta declividade e taxa de ocupação de 55,63%. PF2 mostrou valores médios para a declividade e fluxo de veículos, com taxa de
ocupação dos lotes de 53,71%, bem semelhante a PF1.
b) PA2 e JB1 obtiveram resultados da massa total coletada ao longo
do estudo praticamente iguais, mas com diferentes valores entre os
eventos de coletas. Essas ruas também apresentaram taxas de ocupação urbana semelhantes, sendo PA2 (95,00%) e JB1 (94,44%).
Na Tabela 1 estão descritas as massas médias dos sedimentos coletados nas 11 campanhas do experimento.
28
ANÁLISE DA PRODUÇÃO E CARACTERIZAÇÃO DO SEDIMENTO DEPOSITADO
EM VIAS PAVIMENTADAS, NA BACIA DO CÓRREGO BOTAFOGO – GOIÂNIA/GO
Tabela 1 - Massa média coletada por campanha (g/m²).
Nº
Evento Data das
de
Coletas
Coleta
Nº de
dias s/
chuva
antes
da
coleta
Volume
precipitado
entre as
coletas
(mm)
PA1
PA2
JB1
JB2
PF1
PF2
Mm g/
m²
Mm
g/m²
Mm
g/m²
Mm
g/m²
Mm
g/m²
Mm
g/m²
01
26/09/15
15
23,40
617,2
209,1
354,4
142,6
495,1
225,3
02
10/10/15
01
0,60
420,9
620,9
387,9
38,1
269,2
214,9
03
24/10/15
01
4,40
568,3
327,1
278,0
119,5
355,4
432,3
04
07/11/15
01
35,20
317,4
60,9
61,7
2,4
438,3
194,8
05
29/11/15
01
121,20
572,6
13,9
120,2
70,8
53,3
218,5
06
17/12/15
03
23,60
605,3
183,3
82,0
116,9
147,4
230,2
07
20/04/16
22
0,00
195,5
232,6
91,0
164,6
251,2
102,8
08
07/05/16
08
1,80
367,5
101,2
153,0
97,2
414,2
303,1
09
27/05/16
08
33,20
708,5
105,2
84,3
33,3
168,8
269,9
10
11/06/16
22
0,00
360,7
250,3
148,2
66,9
682,2
378,8
11
30/06/16
40
0,00
200,5
117,2
325,4
105,6
339,2
364,2
Fonte: Próprios autores (2018).
Na Tabela 2 as massas médias foram analisadas estatisticamente
e comparados os resultados obtidos das massas médias entre os períodos
chuvoso e seco.
29
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
Tabela 2 - Comparativo das menores e maiores massas coletadas.
Valores das Massa médias (g/m²)
PA1
PA2
JB1
JB2
PF1
PF2
175,52
166,38
122,25
49,60
177,94
95,34
448,58
201,95
189,61
87,08
328,57
266,80
420,86
183,26
148,18
97,23
339,23
230,20
% da Média /
Mediana
6,59
10,20
27,96
-10,43
-3,14
15,90
Chuvoso
516,94
235,84
214,04
81,72
293,11
252,66
Seco
366,54
161,28
160,29
93,52
371,13
283,77
% Chuvoso / Seco
41,03
46,23
33,53
-12,62
-21,02
-10,96
Desvio padrão
Média
Análise
Global das 11
Mediana
Amostras
Média dos
Períodos
Fonte: Próprios autores (2018).
Analisando-se o desvio padrão nos dados das 11 coletas, verifica-se que a série mais homogênea das massas coletadas ocorreu em JB2,
apresentando o menor desvio padrão entre todas as ruas, em função da
similaridade dos baixos valores coletados durante o estudo.
PF2 também registrou um desvio padrão relativamente baixo,
se comparado aos demais pontos de coleta, também justificado pela
sua localização, que favorece a acumulação em todos os períodos do
ano sem grandes alterações de volume (valores mais homogêneos). A
partir da análise das médias calculadas separadamente para os períodos chuvoso e seco, também se observa que PF2 foi o local que registrou a menor variação das médias dos valores das massas coletadas
nos dois períodos.
Os resultados obtidos nesta pesquisa apresentaram uma grande diferença quando comparados aos apresentados por Nelson e Booth
(2002), talvez explicados pela diferença entre as regiões estudadas, que
sofrem com as interferências das diversas condições como a qualidade do
pavimento, o clima da região, o grau de desenvolvimento urbano e o tipo
de urbanização da região.
30
ANÁLISE DA PRODUÇÃO E CARACTERIZAÇÃO DO SEDIMENTO DEPOSITADO
EM VIAS PAVIMENTADAS, NA BACIA DO CÓRREGO BOTAFOGO – GOIÂNIA/GO
Já os valores descritos por Deletic et al. (2000), para a máxima
quantidade de sólidos esperados na superfície em um determinado ponto, apresentou resultado aproximado apenas entre a rua Comercial Street,
Dundee, Escócia (massa média registrada de 100 g/m²) e a rua JB2, com
massa média de 87,08 g/m². A característica comum entre estas vias está
no tráfego intenso de veículos. JB2 sofre as interferências do alto tráfego
de JB1, que é rota de acesso à BR 153 (rota de entrada e saída para a capital, na região sul de Goiânia).
De acordo com Silva (2014), estudos realizados por Viklander
(1998) utilizando a técnica de escovação (com máquina de limpeza) registrou quantitativos de massas médias de sedimentos entre 62,0 e 872,0
g/m² para diferentes usos do solo e Sutherland (2003), utilizando a coleta
de amostras na sarjeta com escovação simples, encontrou uma variação
de 300,0 a 600,0 g/m². Esses valores aproximaram-se dos resultados obtidos nesta pesquisa, que apresentaram uma variação da massa média
coletada entre 87,08 e 448,58 g/m² conforme descrito na Tabela 1.
Considerando os estudos de Deletic et al. (2000), que afirmaram
que 90% das cargas do sedimento se encontram depositadas na sarjeta e 10% no eixo da via, as massas médias calculadas para o eixo das
ruas nesta pesquisa apontam para valores entre 8,71 e 44,86 g/m², aproximando-se bastante dos valores apresentados por Vaze e Chiew (2002)
na Austrália, que coletou os sedimentos em vários pontos na faixa central
ao longo da rua e encontrou uma variação da carga de sedimento de 5,0
a 55,0 g/m². A diferença entre esses resultados pode ser explicada pela
utilização do sistema de varrição mecanizada das ruas onde foram realizados os estudos de Vaze e Chiew (2002) e a varrição manual aplicada às
ruas desta pesquisa.
Dotto (2006) em Santa Maria/RS, registrou uma variação da carga média coletada na rua Marquês do Herval de 4,0 a 350,0 g/m² e de 10,0
a 240,0 g/m² na rua Rigoberto Duarte, variações bem acima dos apurados
nesta pesquisa. Estas variações podem estar relacionadas às diferentes
taxas de ocupação das áreas estudadas, tráfego de veículos, declividade
das vias e principalmente pela diferença do clima e das características de
precipitações das regiões onde foram realizados cada experimento, já que
as precipitações registradas na região sul do Brasil são mais homogêneas,
31
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
enquanto na região Centro-Oeste a distribuição das chuvas é bem definida em dois períodos, o chuvoso e o seco.
Verifica-se que quase todas as ruas apresentaram maiores valores
médios de massas coletadas no período chuvoso, exceto JB2, que registrou maiores valores médios no período seco. Os valores das massas coletadas apresentaram tendência de redução durante o período chuvoso (de
setembro a dezembro/2015) e um acréscimo no período seco (de abril a
junho/2016).
No gráfico da Figura 9 estão ilustrados os valores médios das
massas médias dos sedimentos coletadas, nos dois períodos do experimento (chuvoso e seco).
Figura 9 - Massas médias coletadas nos períodos chuvoso e seco.
Fonte: Próprios autores (2018).
ESTIMATIVA DE GERAÇÃO DO SEDIMENTO
Para estabelecer uma estimativa de geração do sedimento em
cada uma das vias e em todos os eventos de coletas, foram utilizados os
dados das massas médias coletadas descritas na Tabela 1, em conjunto
com os parâmetros de declividade, fluxo de veículos, taxa de ocupação
das áreas, número de dias sem precipitação entre as coletas e o volume de
precipitação entre as coletas.
32
ANÁLISE DA PRODUÇÃO E CARACTERIZAÇÃO DO SEDIMENTO DEPOSITADO
EM VIAS PAVIMENTADAS, NA BACIA DO CÓRREGO BOTAFOGO – GOIÂNIA/GO
Os dados foram modelados aplicando-se a técnica da regressão
linear múltipla, utilizando-se do software Action Start®.
Conforme demonstrado por Dotto (2006), a redistribuição dos
sedimentos no decorrer dos dias secos, resulta em uma quantidade praticamente uniforme de sedimentos ao longo da superfície nos diferentes
períodos.
A partir das amostras coletadas, das características de cada rua
e levando em consideração os estudos de Delitic et al. (2000), afirmando
que 90% das cargas do sedimento estão depositadas nas sarjetas das vias,
foram estimados os quantitativos das massas presentes em cada rua do
experimento.
Os valores descritos na Tabela 3 estão dispostos considerando-se
as coletas realizadas nos dois períodos, chuvoso e seco.
Na Tabela 4 a área de coleta do sedimento foi definida como o
produto da aresta do quadro metálico, pelo comprimento das sarjetas,
que é igual a 2 vezes o comprimento das ruas (pois a acumulação ocorre
nos dois lados das vias).
Tabela 3 - Valores ajustados das massas médias estimadas.
Nº
Evento
Coleta
Período
Data das
Coletas
PA1
PA2
JB1
JB2
PF1
PF2
Mm g/ Mm g/ Mm g/ Mm g/ Mm g/ Mm g/
m²
m²
m²
m²
m²
m²
01
26/09/2015 402,53 116,00 198,67 170,71 275,54 322,54
02
10/10/2015 443,56 157,04 239,70 211,74 316,57 363,57
03
04
Chuvoso
24/10/2015 439,56 153,04 235,71 207,75 312,58 359,58
07/11/2015 407,18 120,66 203,32 175,36 280,20 327,20
05
29/11/2015 316,76
30,24
112,90
84,94
189,78 236,78
06
17/12/2015 416,94 130,42 213,08 185,12 289,95 336,95
(continua)
33
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
07
20/04/2016 418,60 132,07 214,74 186,78 291,61 338,61
08
07/05/2016 433,77 147,24 229,91 201,95 306,78 353,78
09
Seco
27/05/2016 400,75 114,23 196,89 168,94 273,77 320,77
10
11/06/2016 418,60 132,07 214,74 186,78 291,61 338,61
11
30/06/2016 396,66 110,14 192,80 164,84 269,67 316,67
Fonte: Próprios autores (2018).
Tabela 4 - Área de coleta do sedimento para cada rua da pesquisa.
Ponto de
coleta
Comprimento
da rua
(m)
Largura da
sarjeta
(m)
Área de coleta
do sedimento
( m² )
PA1
1000
0,707
1.414,00
PA2
400
0,707
565,60
JB1
800
0,707
1.131,20
JB2
550
0,707
777,70
PF1
450
0,707
636,30
PF2
580
0,707
820,12
Fonte: Próprios autores (2018).
Os valores estimados apresentados na Tabela 5, foram obtidos
utilizando-se os dados descritos nas Tabelas 3 e 4.
A partir da interação e análise dos dados das Tabelas 3 e 4, apresentamos abaixo a Tabela 5.
34
07/05/16
08
11/06/16
30/06/16
10
11
27/05/16
20/04/16
07
Seco
17/12/15
06
09
29/11/15
05
07/11/15
24/10/15
03
04
10/10/15
02
Chuvoso
26/09/15
56,06
67,23
58,15
74,95
67,23
66,39
15,39
61,42
77,90
79,94
59,05
196,28
218,62
200,45
234,06
218,62
216,93
114,94
207,00
239,97
244,03
202,26
Fonte: Próprios autores (2018).
504,79
532,71
510,00
552,01
532,71
530,60
403,11
518,18
559,39
564,47
512,25
115,38
130,73
118,24
141,35
130,73
129,57
59,45
122,74
145,41
148,20
119,48
Massa
estimada
(kg)
Massa
Massa
Massa
estimada estimada estimada
(kg)
(kg)
(kg)
Data das
Coletas
JB2
777,70
JB1
1.131,20
565,60
PA2
1.414,00
PA1
Área de
sarjeta
(m²)
01
Nº
Evento
Período
de
Coleta
Pts. de
Coleta
154,43
167,00
156,78
175,68
167,00
166,05
108,68
160,46
179,00
181,29
157,79
Massa
estimada
(kg)
636,30
PF1
Tabela 5 – Estimativa de massa depositada nas ruas nas datas das coletas.
233,74
249,93
236,76
261,13
249,93
248,71
174,77
241,51
265,41
268,36
238,07
Massa
estimada
(kg)
820,12
PF2
ANÁLISE DA PRODUÇÃO E CARACTERIZAÇÃO DO SEDIMENTO DEPOSITADO
EM VIAS PAVIMENTADAS, NA BACIA DO CÓRREGO BOTAFOGO – GOIÂNIA/GO
35
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
GRANULOMETRIA DOS SEDIMENTOS COLETADOS
De maneira geral todos os pontos do experimento apresentaram
resultados de distribuição granulométrica semelhantes aos estudos realizados por Dotto (2006) em Santa Maria/RS, Santos (2015) em Goiânia/
GO e Junior (2014) em Poços de Caldas/MG, com o maior percentual da
distribuição situando-se nas três faixas de areia fina, média e grossa.
A distribuição granulométrica em PA1 demonstrou que em média, mais de 70% dos sedimentos coletados estão situados entre 0,06 e 2,0
mm de diâmetro. Observa-se que neste ponto, a baixa declividade proporcionou um maior acúmulo de sedimentos finos e médios, favorecidos
pela redução da velocidade do escoamento superficial em relação aos demais pontos de coletas, propiciando uma maior decantação destes grãos
com resultados praticamente uniformes durante toda pesquisa. Nos períodos de chuva verificou-se um incremento do percentual da areia fina
e média, com decréscimo da faixa da areia grossa e das demais maiores
frações do sedimento.
A distribuição granulométrica em PA2 também apresentou o
maior percentual dos sedimentos classificados com diâmetros que variam de 0,06 a 2,0 mm, sendo registrado 89,66% de material nesta faixa
no ápice do período de chuvas, em dezembro/2014. Houve um acréscimo
do percentual da areia grossa logo após o período chuvoso e uma redução
do percentual da areia fina durante o período de chuva. Verifica-se que
logo após a redução das chuvas há um incremento das concentrações de
areia fina e média (entre a 7ª e a 10ª coleta).
Nas Tabelas 6 e 7 estão descritos os percentuais granulométricos
de PA1 e PA2, classificados conforme NBR 7181:2016.
36
ANÁLISE DA PRODUÇÃO E CARACTERIZAÇÃO DO SEDIMENTO DEPOSITADO
EM VIAS PAVIMENTADAS, NA BACIA DO CÓRREGO BOTAFOGO – GOIÂNIA/GO
Tabela 6 - Granulometria dos sedimentos coletados na
Av. Americano do Brasil (PA1).
Percentual granulométrico das 11 campanhas em PA1
Classificação do
Solo ABNT
Datas
das
Coletas
Argila
(%)
Silte
(%)
26/09/15
0,30
10/10/15
Areia
(%)
Pedregulho
(%)
Fina
Média
Grossa
Fino
Médio Grosso
9,23
22,71
28,74
19,64
10,49
7,47
1,42
1,41
7,13
25,69
28,67
17,76
11,26
7,39
0,69
24/10/15
1,30
5,89
26,43
27,24
14,87
11,29
8,98
4,00
07/11/15
0,06
7,85
28,33
35,43
17,36
6,23
3,32
1,42
29/11/15
8,45
5,30
25,52
41,02
13,75
4,80
0,90
0,26
17/12/15
10,42
11,39
30,60
35,82
7,17
2,56
1,75
0,28
20/04/16
2,10
6,62
23,11
32,15
16,73
10,09
9,21
0,00
07/05/16
1,75
5,08
23,82
31,08
15,18
12,82
9,31
0,96
27/05/16
11,46
10,93
33,66
26,54
7,57
5,52
3,52
0,80
11/06/16
5,64
9,81
30,93
32,07
14,25
3,66
3,07
0,57
30/06/16
0,69
4,96
39,69
24,17
5,77
12,97
9,23
2,52
Fonte: Próprios autores (2018).
37
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
Tabela 7 - Granulometria dos sedimentos coletados na Rua S-6 (PA2).
Percentual granulométrico das 11 campanhas em PA2
Areia
(%)
Pedregulho
(%)
Fina
Média Grossa Fino
Médio Grosso
6,94
26,27
40,48
18,04
5,89
2,32
0,00
0,37
5,63
20,82
36,14
18,71
12,56
5,77
0,00
24/10/15
0,09
6,07
23,33
41,72
18,72
7,01
2,78
0,28
07/11/15
0,15
1,81
34,16
42,60
12,90
5,60
2,78
0,00
29/11/15
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
17/12/15
2,44
2,72
13,49
46,16
25,50
7,55
2,15
0,00
20/04/16
2,56
4,35
13,91
52,56
18,84
5,55
2,23
0,00
07/05/16
2,71
11,39
13,64
36,73
26,12
5,57
3,83
0,00
27/05/16
3,04
9,29
22,93
30,57
21,95
10,00
2,22
0,00
11/06/16
2,26
7,39
42,72
32,61
10,24
3,19
1,59
0,00
30/06/16
3,43
11,36
24,71
40,94
16,43
2,64
0,49
0,00
Classificação do
Solo ABNT
Argila
(%)
Silte
(%)
26/09/15
0,06
10/10/15
Datas
das
Coletas
Fonte: Próprios autores (2018).
Os ensaios de granulometria para JB1, demonstraram que o
percentual de distribuição da areia fina, média e grossa se apresentaram de forma bastante heterogênea no período chuvoso, variando entre
78,28% (maior valor observado em 26/09/2015) e 5,82% (menor valor em
29/11/2015). A faixa da areia grossa indica um acréscimo percentual após
o período de chuvas (maior variação a partir de maio/2016).
Em 29/11/2015, quando ocorreu a maior redução na faixa entre
o silte e a areia média, coincidiu com um aumento substancial de pe-
38
ANÁLISE DA PRODUÇÃO E CARACTERIZAÇÃO DO SEDIMENTO DEPOSITADO
EM VIAS PAVIMENTADAS, NA BACIA DO CÓRREGO BOTAFOGO – GOIÂNIA/GO
dregulhos, situados na faixa granulométrica entre 2,0 e 60,0 mm. O alto
fluxo de veículos e alta declividade, resultaram em menores percentuais
de materiais mais finos no período chuvoso. A presença de material de
maior granulometria ocorrida na coleta do dia 29/11/2015 ocorreu como
um fato isolado, influenciado pelo serviço de recapeamento asfáltico.
O percentual de areia grossa em JB1 foi praticamente o menor
encontrado entre todas as distribuições granulométricas. Em JB1 foram
observados os maiores percentuais granulométricos das faixas situadas
entre o silte e a areia média, até a primeira coleta do mês de novembro/2015, antes do período chuvoso, com um decréscimo acentuado na
segunda quinzena de novembro/2015.
JB2 apresentou as menores massas do sedimento ao longo do
experimento. As faixas de areia fina e média seguiram com maiores percentuais granulométricos nos períodos secos e decresceram nos períodos chuvosos.
Observou-se um grande percentual de silte principalmente a
partir do mês de dezembro/2015 até meados de abril/2016. O silte por
possuir baixa granulometria, é carreado com maior facilidade pela chuva e nos períodos secos sofre a influência pelo fluxo de veículos e pela
ação do vento.
Nas Tabelas 8 e 9 estão descritos os percentuais granulométricos
de JB1 e JB2, classificados conforme NBR 7181:2016.
39
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
Tabela 8 - Granulometria dos sedimentos coletados na Av. 3ª Radial (JB1).
Percentual granulométrico das 11 campanhas em JB1
Classificação do
Solo ABNT
Argila
(%)
Silte
(%)
26/09/15
1,83
10/10/15
Datas
das
Coletas
Areia
(%)
Pedregulho
(%)
Fina
Média
Grossa
Fino
Médio Grosso
17,28
35,82
34,88
7,58
1,02
1,59
0,00
12,75
15,07
33,40
30,21
6,51
0,54
1,52
0,00
24/10/15
3,92
12,54
36,36
32,73
8,96
2,85
2,64
0,00
07/11/15
0,48
1,41
36,31
46,17
13,03
1,17
1,43
0,00
29/11/15
0,01
0,40
1,24
2,74
1,84
24,86
61,88
7,03
17/12/15
4,86
13,70
23,95
38,93
7,36
5,62
5,58
0,00
20/04/16
5,28
23,12
23,41
20,74
6,64
9,89
10,92
0,00
07/05/16
2,26
11,25
15,70
44,94
15,85
4,95
5,05
0,00
27/05/16
4,86
5,91
28,64
30,40
17,03
5,70
7,46
0,00
11/06/16
2,37
13,12
35,95
37,11
11,45
0,00
0,00
0,00
30/06/16
1,40
8,57
36,93
30,62
8,58
6,20
7,70
0,00
Fonte: Próprios autores (2018).
40
ANÁLISE DA PRODUÇÃO E CARACTERIZAÇÃO DO SEDIMENTO DEPOSITADO
EM VIAS PAVIMENTADAS, NA BACIA DO CÓRREGO BOTAFOGO – GOIÂNIA/GO
Tabela 9 - Granulometria dos sedimentos coletados na
Rua João E. da S. Caldas (JB2).
Percentual granulométrico das 11 campanhas em JB2
Classificação do
Solo ABNT
Argila
(%)
Silte
(%)
26/09/15
0,27
10/10/15
Datas
das
Coletas
Areia
(%)
Pedregulho
(%)
Fina
Média Grossa
Fino
Médio Grosso
12,9
40,51
25,90
13,74
1,75
4,88
0,00
0,40
3,62
47,67
40,01
8,30
0,00
0,00
0,00
24/10/15
0,07
7,76
36,61
28,81
4,82
10,47
11,46
0,00
07/11/15
0,01
0,28
10,32
12,41
5,40
17,76
53,82
0,00
29/11/15
0,18
3,01
17,27
51,20
22,61
3,32
2,41
0,00
17/12/15
2,23
34,66
17,08
18,94
7,75
12,98
6,36
0,00
20/04/16
7,99
30,46
11,04
35,02
9,22
2,96
3,32
0,00
07/05/16
1,50
8,53
16,40
26,40
20,90
13,75
12,51
0,00
27/05/16
5,33
12,31
26,40
13,96
6,30
12,85
22,85
0,00
11/06/16
2,43
6,65
28,11
13,45
7,02
14,47
24,23
3,64
30/06/16
0,79
10,58
34,75
23,65
13,52
7,55
9,16
0,00
Fonte: Próprios autores (2018).
Em PF1 a distribuição granulométrica indicou os maiores percentuais na faixa entre 0,06 e 0,6 mm de diâmetro (areia fina e média),
apresentando um acréscimo quase linear do período chuvoso para o
período seco.
Os menores percentuais granulométricos coincidem com o início das chuvas (outubro/2015) e os maiores observados no período seco
(junho/2016). A alta declividade do ponto PF1 (6,11%), pode explicar a
redução dos percentuais dos maiores diâmetros com o incremento das
41
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
chuvas, em função destes estarem desagregados do pavimento e livres
para ação do escoamento superficial.
Observou-se uma redução do quantitativo de material argiloso
nas coletas precedidas de menores espaços entre as precipitações anteriores às coletas dos sedimentos.
A faixa da areia média apresentou valores de até 43,35% do total
da distribuição granulométrica, ocorrido em 27/05/2016, período de retomada do clima mais seco da região.
PF2 também apresentou o maior percentual de distribuição granulométrica a areia fina e média. Isso pode ser explicado em parte, pois
PF2 está localizado na região mais baixa desta microbacia e por isso está
sujeito a deposição de diversas cargas de sedimento oriundas de cotas
mais elevadas, com diferentes granulometrias e composições.
O maior percentual obtido para as faixas de areia fina e média em
PF2 ocorreu na 2ª coleta, dentro do período chuvoso, registrando 83,14%
da distribuição granulométrica total. O menor percentual encontrado,
44,59%, ocorreu na 7ª coleta, já dentro do período seco.
Nas Tabelas 10 e 11 estão descritos os percentuais granulométricos de PF1 e PF2, classificados conforme NBR 7181:2016.
42
ANÁLISE DA PRODUÇÃO E CARACTERIZAÇÃO DO SEDIMENTO DEPOSITADO
EM VIAS PAVIMENTADAS, NA BACIA DO CÓRREGO BOTAFOGO – GOIÂNIA/GO
Tabela 10 - Granulometria dos sedimentos coletados na
Rua Castorina B. Alves (PF1).
Percentual granulométrico das 11 campanhas em PF1
Areia
(%)
Pedregulho
(%)
Fina
Média Grossa Fino
Médio Grosso
Classificação do
Solo ABNT
Argila
(%)
Silte
(%)
26/09/15
0,06
6,94
26,27
40,48
18,04
5,89
2,32
0,00
10/10/15
0,37
5,63
20,82
36,14
18,71
12,56
5,77
0,00
24/10/15
0,09
6,07
23,33
41,72
18,72
7,01
2,78
0,28
07/11/15
0,15
1,81
34,16
42,60
12,90
5,60
2,78
0,00
29/11/15
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
17/12/15
2,44
2,72
13,49
46,16
25,50
7,55
2,15
0,00
20/04/16
2,56
4,35
13,91
52,56
18,84
5,55
2,23
0,00
07/05/16
2,71
11,39 13,64
36,73
26,12
5,57
3,83
0,00
27/05/16
3,04
9,29
22,93
30,57
21,95
10,00
2,22
0,00
11/06/16
2,26
7,39
42,72
32,61
10,24
3,19
1,59
0,00
30/06/16
3,43
11,36 24,71
40,94
16,43
2,64
0,49
0,00
Datas
das
Coletas
Fonte: Próprios autores (2018).
43
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
Tabela 11 - Granulometria dos sedimentos coletados na Rua 46 (PF2)
Percentual granulométrico das 11 campanhas em PF2
Classificação do
Solo ABNT
Argila
(%)
Silte
(%)
26/09/15
1,18
10/10/15
Datas
das
Coletas
Areia
(%)
Pedregulho
(%)
Fina
Média Grossa
Fino Médio Grosso
5,72
39,79
39,94
12,27
0,89
0,22
0,00
0,07
8,12
51,52
31,62
8,05
0,62
0,00
0,00
24/10/15
0,03
5,69
34,34
38,67
18,66
2,08
0,53
0,00
07/11/15
1,34
10,74
35,98
39,46
9,28
2,79
0,41
0,00
29/11/15
0,21
2,84
36,37
44,65
11,55
3,84
0,54
0,00
17/12/15
0,03
7,35
21,03
44,38
17,45
6,87
2,89
0,00
20/04/16
5,33
7,68
18,46
26,13
4,90
14,29
23,21
0,00
07/05/16
0,15
2,84
16,49
62,31
15,50
1,96
0,76
0,00
27/05/16
0,26
2,93
30,86
26,34
9,59
13,54
16,48
0,00
11/06/16
0,97
7,19
47,93
33,86
10,05
0,00
0,00
0,00
30/06/16
1,41
10,64
28,30
23,65
11,47
16,46
8,07
0,00
Fonte: Próprios autores (2018).
METAIS TRAÇO
A análise dos sedimentos foi realizada com ênfase nos metais:
Cádmio (Cd), Chumbo (Pb), Cobre (Cu), Cromo (Cr), Manganês (Mn),
Níquel (Ni) e Zinco (Zn).
Verificou-se que as maiores concentrações dos metais não se
apresentaram vinculadas aos maiores volumes de massas coletadas dos
44
ANÁLISE DA PRODUÇÃO E CARACTERIZAÇÃO DO SEDIMENTO DEPOSITADO
EM VIAS PAVIMENTADAS, NA BACIA DO CÓRREGO BOTAFOGO – GOIÂNIA/GO
sedimentos, indicando que a presença de um grande volume de sedimentos, não necessariamente aponta para um quadro de contaminação. O
que define a contaminação é o tipo e a concentração do metal presente
em determinada área.
As concentrações de cádmio se apresentaram abaixo de 0,001
mg/kg, para todos os pontos de coleta durante todo o período da pesquisa, e por isso sua análise não foi considerada como os demais metais
encontrados.
Todos os resultados apresentaram uma redução significativa das
concentrações dos metais a partir do 2º período da pesquisa, indicando
uma relação direta das precipitações e do escoamento superficial como
fatores que impedem a adsorção dos metais aos sedimentos, diluindo e
reduzindo a concentração destes.
Na Tabela 12 estão descritas as concentrações médias dos metais
e a mediana entre os valores destas concentrações, obtidas nas 11 coletas
para cada rua do experimento, discriminadas de acordo com os períodos
(chuvoso e seco).
45
46
83,4
50,6
63,4
44,4
28,6
8,0
Zn
Mn
Cr
Pb
Ni
C
Cu
Concent. Metais
(mg/Kg)
S
0,1
0,2
0,5
0,8
1,1
0,7
PA1
9,7
17,7
25,0
54,6
99,3
61,9
C
S
11,3
24,3
39,1
97,2
135,3
122,0
C
JB1
0,2
0,2
0,5
2,0
3,1
1,1
S
10,1
17,0
29,0
61,2
140,0
86,8
C
JB2
0,5
0,1
1,3
0,9
2,4
0,9
S
7,7
10,4
27,4
103,8
59,0
60,4
C
PF1
Fonte: Próprios autores (2018).
Legenda: C- período Chuvoso; S- período Seco
0,2
0,1
0,4
0,5
1,5
0,8
PA2
0,1
0,2
0,3
1,0
1,2
1,0
S
7,2
18,4
35,4
81,7
71,5
166,7
C
PF2
Tabela 12 - Concentração média dos metais nos 2 períodos: chuvoso e seco
0,1
0,1
0,4
0,8
1,4
0,6
S
8,8
18,1
32,2
72,5
85,3
85,1
C
0,1
0,1
0,4
0,8
1,4
0,9
S
Mediana dos
2 períodos
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
ANÁLISE DA PRODUÇÃO E CARACTERIZAÇÃO DO SEDIMENTO DEPOSITADO
EM VIAS PAVIMENTADAS, NA BACIA DO CÓRREGO BOTAFOGO – GOIÂNIA/GO
Como os resultados médios das concentrações dos metais se
apresentaram bastante dispersos, utilizou-se a mediana como medida de
tendência central, para exprimir os valores mais significativos que representaram as concentrações de cada metal. Analisando-se separadamente
os dois períodos do estudo, constatou-se uma drástica redução das concentrações dos metais presentes nas amostras dos sedimentos do 1º para
o 2º período das coletas, com valores insignificantes apurados no período
seco se comparados às concentrações observadas no período chuvoso.
Os metais Zn, Cu, e Mn apresentaram as maiores médias de concentrações em todas as amostras de sedimentos e em todos os pontos de
coletas, principalmente em JB1, JB2 e PF2. Esses pontos representam ruas
com considerável tráfego de veículos, variando entre 337 até 712 veículos
por hora de pico, características de média para alta declividade e altas
taxas de ocupação (exceto PF2, que possui taxa de ocupação de 53,71%).
Esses resultados confirmam que as taxas de ocupação urbana e o
fluxo de veículos são importantes fontes associadas à presença dos metais
nos sedimentos depositados em vias urbanas. Ressalta-se, porém, que
PF2 apresenta médias taxas de ocupação e de fluxo de veículos, mas recebe contribuição de PF1 (maior tráfego apontado pelas contagens volumétricas) por estar localizado na cota mais baixa do Parque Flamboyant,
o que favorece o acúmulo de sedimentos neste ponto.
O valor da mediana calculada para todos os pontos de coletas
confirmaram a maior presença da concentração dos metais Zn, Cu e Mn
entre todos os metias presentes nas amostras, tanto no período chuvoso, quanto no período seco. Esses três metais apresentaram resultados
de concentração de 85,38 mg/kg, 85,10 mg/kg e 72,53 mg/kg no período
chuvoso e de 1,44 mg/kg, 0,87 mg/kg e 0,85 mg/kg no período seco.
Essa drástica redução pode ser explicada pela ocorrência das
grandes precipitações no 1º período das coletas, que agem diretamente
nos grãos dos sedimentos, lavando os mesmos e diminuindo a concentração destes metais nas amostras depositados nas sarjetas. O Cr, Pb e o
Ni apresentaram as menores concentrações medianas em todos os pontos de coletas, com os respectivos valores de concentrações: 32,20 mg/kg,
18,07 mg/kg e 8,85 mg/kg no período chuvoso e 0,41 mg/kg, 0,13 mg/kg
e ,014 mg/kg no período seco.
47
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
A concentração dos metais só retomou a tendência de crescimento com o aumento dos períodos sem chuvas entre as coletas.
CONCLUSÕES
Este experimento alerta para a necessidade de ações efetivas de
implantação e conservação dos sistemas de captação das águas superficiais e modernização das atividades de limpeza urbana. O controle das
fontes geradoras dos sedimentos urbanos está diretamente ligado à preservação do meio ambiente.
A pesquisa aponta também para a necessidade do monitoramento constante das concentrações dos metais incorporados aos sedimentos
depositados no meio urbano e de sistemas para tratamento da captação
pluvial, removendo as possíveis cargas de contaminantes antes do lançamento destes à jusante.
As maiores médias de concentrações de todos os metais foram
registradas em JB1, confirmando que as fontes de contaminação em áreas
urbanas estão diretamente associadas ao tráfego de veículos e aos vetores
de crescimento e desenvolvimento das cidades, como a construção civil,
as atividades industriais e comerciais.
A taxa de ocupação urbana das regiões mais desenvolvidas (com
maior densidade demográfica), destacou-se como um parâmetro de
grande influência na geração e acúmulo do sedimento nas vias de tráfego, demonstrando que a presença humana potencializa a presença dos
sedimentos no meio urbano.
O município de Goiânia carece de uma maior mecanização do sistema de limpeza urbana, como forma de empreender maior agilidade e eficácia
na coleta dos resíduos depositados nas calçadas e nas vias de tráfego, evitando que esses sejam carreados/lançados nos córregos, rios e lagos, provocando
o assoreamento e possíveis contaminações dos recursos hídricos.
REFERÊNCIAS
ABNT – Associação Brasileira de Normas Técnicas. Amostras de Resíduos Sólidos, NBR-10007, 2004.
48
ANÁLISE DA PRODUÇÃO E CARACTERIZAÇÃO DO SEDIMENTO DEPOSITADO
EM VIAS PAVIMENTADAS, NA BACIA DO CÓRREGO BOTAFOGO – GOIÂNIA/GO
ABNT – Associação Brasileira de Normas Técnicas. Amostras de Solo – Preparação para ensaios de compactação e caracterização, NBR-6457, 2016.
ABNT – Associação Brasileira de Normas Técnicas. Solo - Análise granulométrica, NBR-7181, 2016.
BAPTISTA, M.; NASCIMENTO, N.; BARRAUD, S. Técnicas compensatórias
em drenagem urbana. Porto Alegre: ABRH, 266 p. 2005.
BUTLER, D. & CLARK, P. Sediment management in urban drainage catchments. Construction Industry Research and Information Association. Report
134. London, 1995.
CARDOSO, M. R. D.; MARCUZZO, F. F. N.; MELO, D. C. R. Mapeamento
temporal e espacial da precipitação pluviométrica da região metropolitana de
Goiânia. In: XV Simpósio Brasileiro de Sensoriamento Remoto – SBSR, INPE.
P.4594. Curitiba, 2011.
CHARLESWORTH, S. M.; LEES, J. A. Particulate-associated heavy metals in the
urban environment: their transport from the source to deposit, Coventry, UK.
Chemosphere, v. 39, n.5, 1999.
CHARLESWORTH, S. M.; EVERETT, M.; McARTHY, R.; ORDOÑEZ, A.; MIGUEL, E. A comparative study of heavy metal concentration and distribution in
deposited street dusts in a large and a small urban area: Birmingham and Coventry, West Midlands, UK. Environment International, n. 29, 2003.
DELETIC, A.; ASHLEY, R.; REST, D. Modelling input of fine granular sediment into
drainage systems via gully pots. Water Research. V. 34, n. 15, p. 3836 – 3844, 2000.
DEPARTAMENTO NACIONAL DE INFRAESTRUTURA DE TRANSPORTES DNIT. Manual de estudos de tráfego. - Rio de Janeiro, (IPR. Publicação, 723). 2006.
DOTTO, C B S. Acumulação e balanço de sedimentos em superfícies asfálticas em área urbana de Santa Maria – RS. Dissertação (Mestrado em Engenharia Civil – Recursos Hídricos e Saneamento Ambiental) – Universidade Federal
de Santa Maria, Santa Maria, 2006.
49
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
JÚNIOR, J.A.P. Estudo da Acumulação e Caracterização de Sedimentos em
Sarjetas de Vias Urbanas – Poços de Caldas – MG. Dissertação (Mestrado em
Ciência e Engenharia Ambiental – Planejamento e Gestão de Recursos Hídricos)
– Universidade Federal de Alfenas, Alfenas, 2014.
MARTINS JÚNIOR, O. P. Uma cidade ecologicamente correta. AB Editora.
Goiânia, 1996.
NELSON, E.; BOOTH, D. Sediment sources in an urbanizing, mixed land-use
watershed. Journal of Hydrology, n. 264, p.51-68, 2002.
PITT, R., WILLIAMSON, D., BANNERMAN, R. Sources of pollutants in urban
areas. In Stormwater and Urban Water Systems Modeling Conference. Computational Hydraulics, Inc. Toronto. February 19-29, 2004.
POLETO, Cristiano. Ambiente Sedimentos. Porto Alegre: ABRH, 404 p. 2008.
POLETO, C.; BORTOLUZZI, E.C.; CHARLESWORTH, S.; MERTEN, G.H. Urban Sediment Particle Size and Pollutants in Southern Brazil. Journal of Soils
and Sediments, n.9, p. 317 – 327, 2009.
POLETO, Cristiano; MERTEN, Gustavo Henrique. Qualidade dos Sedimentos:
Revisado e Ampliado. Porto Alegre: ABRH, 397 p. 2013.
SANTOS, C.M.S.M. Caracterização e Avaliação da Distribuição de Sedimentos e Metais Pesados em Superfícies Urbanas no Município de Goiânia. Dissertação (Mestrado em Engenharia do Meio Ambiente) – Universidade Federal
de Goiás, Goiânia, 2015.
SILVA, E. P. Acúmulo e Carreamento de Metais Pesados e Sólidos em Superfícies Asfálticas - Goiânia – GO. Dissertação (Mestrado em Engenharia do Meio
Ambiente – Recursos Hídricos e Engenharia Ambiental). Universidade Federal
de Goiás – Goiânia, 2014.
SUTHERLAND, R. Lead in grain size fractions of road-deposited sediment. Environmental Pollution, n. 121, p. 229 – 237, 2003.
TAYLOR, K. Urban Environments. In: TAYLOR, K.; PERRY, C. Environmental
Sedimentology. Manchester: Blackwell, p. 191 – 222, 2007.
50
ANÁLISE DA PRODUÇÃO E CARACTERIZAÇÃO DO SEDIMENTO DEPOSITADO
EM VIAS PAVIMENTADAS, NA BACIA DO CÓRREGO BOTAFOGO – GOIÂNIA/GO
USEPA. Method 3050 B. 1998. Disponível em: <http://www3.epa.gov/epawaste/
hazard/testmethods/sw846/pdfs/3050b.pdf>. Acesso em: 21 jan. 2016.
VAZE, J.; CHIEW, F.H.S. Experimental study of pollutant accumulation on an
urban road surface. Urban Water. v. 4, n. 4, p 379-389, 2002.
51
DESMISTIFICANDO A INTELIGÊNCIA
ARTIFICIAL E SUAS TECNOLOGIAS
PARA A ÁREA JURÍDICA:
UMA ABORDAGEM EDUCATIVA
Daniel Medeiros Rocha
MBA
danielmrocha@gmail.com
RESUMO: Machine Learning, Deep Learning, são
campos da Inteligência Artificial com algumas peculiaridades que diferenciam os termos descritos no
texto deste artigo. A aprendizagem de máquina traduzido do termo Machine Learning, é a capacidade do
computador aprender sem precisar programá-lo explicitamente. A máquina aprende baseada nos dados
que possui. A importância da qualidade desses dados
é fator preponderante para uma correta inferência.
Neste artigo, é introduzido a noção do que vem a ser o
campo da Inteligência Artificial, falando um pouco de
alguns algoritmos mais utilizados como forma educativa, que vêm sendo amplamente utilizados e que
podem ser bem usados também no campo jurídico,
tomadas suas devidas precauções e forma correta de
utilização, como uma ferramenta para automatizar
processos e tratar dados em larga escala.
Palavras-chave: Inteligência Artificial;
Aprendizagem de Máquina; Tecnologia
Direito;
53
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
1.
INTRODUÇÃO
Vimos nos últimos anos uma grande transformação em nosso
dia a dia, proporcionada pelo surgimento de novas tecnologias de comunicação, dados e de eletrônica embarcada. Todas incorporadas massivamente a dispositivos de nosso uso diário.
O exemplo mais típico destes novos dispositivos, qualificados
como smart “inteligente ou esperto”, é o aparelho de telefone celular, com
tantas funções a mais que a comunicação por voz.
Dotados de sensores dos mais diversos tipos, estes dispositivos
possuem uma grande capacidade de coleta e armazenamento de dados,
proporcionando também uma conexão a vários serviços e a outros usuários e dispositivos (IoT – Internet of Things).
A chamada Internet das coisas, definida pela conexão massiva
em rede de diversos dispositivos com algum grau de autonomia, vem
determinando novas tendências e modificando padrões atuais do comportamento humano. Hoje somos pessoas extremamente conectados e
dependentes das tecnologias em seu âmbito geral.
Exemplos destes novos dispositivos que são caracterizados como
unidades físico-cibernéticas (Cyber-Physical Systems Units)[2], podem ser
encontrados nas indústrias, residências, automóveis, relógios/smartwatchs,
em silos para armazenamento agrícola, como utilizados para armazenar
soja ou mesmo na forma de agentes de softwares conectados à Internet.
Nos últimos anos, fatores como o baixo custo do hardware embarcado, maior escala de integração de circuitos integrados, baixo custo
de armazenamento (digital) e novos paradigmas, levaram a expectativas
quanto à implementação massiva de unidades cyber-physical autônomas.
A capacidade dotada dessas unidades ou máquinas de serem autônomas e tomarem decisões é o principal objetivo da Aprendizagem de
Máquina ou Inteligência Artificial.
Hoje, técnicas como identificação de sentimentos em textos tomado como exemplo, expressos em linguagens naturais (Linguagem Natural, é denominada como a forma como os seres humanos se comunicam
e se expressam. Linguagem de máquina é a melhor representatividade
de como os computadores reconhecem a simbologia ou transferência de
54
DESMISTIFICANDO A INTELIGÊNCIA ARTIFICIAL E SUAS
TECNOLOGIAS PARA A ÁREA JURÍDICA: UMA ABORDAGEM EDUCATIVA
valor/memória ou ainda a sequência de bits/bytes, correspondentes às
instruções atribuídas à forma de processamento atual dos computadores
atuais - “Arquitetura de Von Neumann”) como meio de interface entre
homem-máquina, incorporam a figura dos dados a serem identificados e
classificados para serem incorporados a estes sistemas.
Na fig. 01, temos a representação esquemática/diagramática dos
sistemas Cyber- Physical.
Fig. 01: Representação de uma CPSU ou Cyber-Physical System Unit, sendo
a unidade cibernética implementada como uma Máquina de Aprendizado.
Fonte: Livro Braga[2]
2.
INTELIGÊNCIA DE MÁQUINA/ARTIFICIAL
Acompanhando a evolução da Inteligência Artificial, seja no âmbito de estudo ou uso cotidiano da tecnologia, na fig. 02, temos a linha
do tempo na forma de hierarquia, de como foram delimitadas as épocas
da Inteligência Artificial:
55
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
Fig. 02: Hierarquia temporal da IA
Fonte: imagem cedida pela NVídia
Inicialmente o campo da IA (Inteligência Artificial) utiliza-se
(ainda se utiliza) de algoritmos de busca/decisão como árvores, algoritmo A* “lê-se: A-estrela”, para tentar resolver problemas. São algoritmos
do campo da ciência da computação e heurísticas que tentam alcançar
um resultado ótimo e introduzidos mais tarde os algoritmos estatísticos,
como Naive Bayes ou do tipo SVM (Support Vector Machine) que é um
algoritmo de aprendizado supervisionado que delimita hiperplanos entre
as classes (vide fig. 03). Essa separação de linha denominada hiperplano,
busca a maximização da distância entre os pontos de cada classe.
56
DESMISTIFICANDO A INTELIGÊNCIA ARTIFICIAL E SUAS
TECNOLOGIAS PARA A ÁREA JURÍDICA: UMA ABORDAGEM EDUCATIVA
Fig. 03: Distância entre o hiperplano (reta) e o primeiro ponto
de cada classe se chama margem.
Fig. 04: SVC, NUSVC e LinearSVC - modelos de implementação do SVM no
framework Scikit- Learn
Fonte: http://scikit-learn.org/stable/auto_examples/svm/plot_iris.html
57
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
Esta segunda classe de algoritmos, são conhecidos sobre o termo
de Machine Learning ou Aprendizado de Máquina como se pode observar na fig. 02. Nos dias de hoje, sendo também uma parte da IA, utilizando-se de Redes Neurais, porém ditas profundas ou Deep Learning, como
termo mais conhecido.
Fig. 05: Interseção de Algoritmos de IA.
A princípio, qualquer processamento que faça uma máquina tomar uma certa atitude baseada em seus dados sem intervenção humana,
é denominado como inteligência de máquina ou Inteligência Artificial.
2.1.
Aprendizado e Classes de Problemas
Foge do escopo deste artigo a definição formal e genérica do que
é o aprendizado. Outros materiais inclusive de cunho do próprio autor,
tratam desta questão. Porém, de forma mais intuitiva podemos classificar
o aprendizado, como a capacidade do indivíduo ou máquina, baseado em
seus sensores ou dados alimentados, basear-se em padrões (repetitivos
ou não) para associar coisas, objetos, fatos. O foco aqui se dá na aprendizagem por algorítmica computacional.
Existem vários algoritmos de classificação e aprendizado, cada
qual com suas vantagens e desvantagens.
58
DESMISTIFICANDO A INTELIGÊNCIA ARTIFICIAL E SUAS
TECNOLOGIAS PARA A ÁREA JURÍDICA: UMA ABORDAGEM EDUCATIVA
A etapa da aprendizagem, consiste em um processo iterativo de
ajustes de valores de parâmetros. Esses algoritmos diferem basicamente
pela maneira pela qual os ajustes dos pesos (valores), são feitos.
Fig. 06: campos de correlação dos tipos de problemas
possíveis de resolução pela IA.
Podemos assumir hoje que a Inteligência Artificial resolve 3 tipos
de problemas representados pela interseção da fig. 06.
2.2.
Problemas de Regressão
Os problemas de regressão, envolvem a estimativa da relação
entre variáveis por meio de métodos de indução de funções a partir de
amostras dessas variáveis. Estimativa é uma função aproximadora.
Como exemplo, considere um processo de combustão industrial,
para o qual deseja-se estimar um valor esperado de uma variável dependente, como por exemplo a pressão interna de uma caldeira a partir de
variáveis independentes. Como aquela relacionada à combustão propriamente dita, como as vazões de combustível e de ar nos queimadores.
O objetivo do regressor, seria estimar a pressão, dados os valores das vazões. A construção ou indução, do regressor, seria realiza-
59
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
da por meio de exemplos de amostras das vazões e da pressão. Assim,
o problema de regressão envolve estimar uma função ou, em outras
palavras, os seus parâmetros, que represente a relação entre variáveis
dependentes e independentes.
Outra forma um pouco mais intuitiva, é imaginar que você queira identificar uma pessoa em uma cena de vídeo por exemplo. Você delimita uma pessoa ao meio de todo o ambiente, este é um exemplo também
de um problema de regressão.
Fig. 07: Convergência da regressão
2.3.
Problemas de Classificação
Problemas de classificação envolvem a associação de uma amostra de entrada a uma classe conhecida. Da mesma forma que nos problemas de regressão, um vetor de entrada é associado a um valor da variável
dependente, a resposta da função classificadora também resulta em um
valor de saída que, neste caso indica a classe resultante.
O problema de classificação, também é essencialmente um problema de regressão, já que envolve a busca por uma função discriminante,
usualmente obtida por meio da partição do espaço de entrada em regiões
distintas para cada uma das classes que definem o problema.
Como as amostras de mesma classe devem estar espacialmente
próximas, esta caracterização define regiões para cada uma das classes,
portanto, o objetivo da função discriminante é o de identificar as re-
60
DESMISTIFICANDO A INTELIGÊNCIA ARTIFICIAL E SUAS
TECNOLOGIAS PARA A ÁREA JURÍDICA: UMA ABORDAGEM EDUCATIVA
giões de separação, delimitá-las e localizar cada classe em suas respectivas regiões (fig. 08).
Como exemplo intuitivo, tome como base duas classes (animais), uma classe sendo do tipo cachorro e outra sendo do tipo gato.
O problema de classificação é saber identificar o que é um gato e o que
é um cachorro.
Fig. 08: separação das classes em regiões distintas no gráfico
2.4.
Problemas de Previsão
E o que podemos relacionar aos problemas de previsão, como o
próprio nome indica, é poder prever algo, baseado em padrões passados/
comportamentais, temporais e não estáticos tomando como exemplo,
gráficos de oscilações de bolsas de valores para prever uma tendência de
um determinado mercado por exemplo.
2.5.
Aprendizagem Supervisionada
No aprendizado supervisionado, os algoritmos são treinados
como pares de conjuntos de entrada e de saída desejadas. Os dados de
entrada são comparados com um conjunto de valores de saída desejados.
61
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
Fig. 09: Aprendizagem supervisionada
No aprendizado supervisionado, quando treinamos o algoritmo, utilizamos um conjunto de dados que já são mapeados para categorias desejadas. Ao associarmos ao algoritmo, este deverá ter a capacidade de verificar o resultado previsto e o resultado esperado e conforme
a diferença de resultado, ajustar seus parâmetros internos até obter o
resultado esperado.
Cada exemplo de treinamento é descrito por um conjunto de
atributos que servem como dados de entrada que são associados a um
valor de saída (também chamado de sinal de controle).
A partir desses conjuntos de entrada e saídas, o algoritmo pode
produzir uma função de inferência capaz de gerar uma saída adequada a
partir de uma nova entrada. Muitos algoritmos são utilizados para criar
aprendizagem supervisionadas, dentre eles os mais comuns como as Redes Neurais (com suas diversas variações de algoritmos), Máquinas de
Vetor de Suporte (SVM), e classificador Naive Bayes (estatístico) já abordados no tópico anterior.
2.6.
Aprendizagem Não-Supervisionada
A aprendizagem não supervisionada, por outro lado, nos permite
abordar problemas com pouca ou nenhuma ideia do que nossos resultados deve ser aparentar. Podemos derivar estrutura de dados onde nós não
necessariamente saberíamos o efeito das variáveis.
No aprendizado não-supervisionado, os algoritmos não recebem
as informações de saídas desejadas. São fornecidos somente os dados de
entrada que por meio de processos de competição por exemplo, se chega
62
DESMISTIFICANDO A INTELIGÊNCIA ARTIFICIAL E SUAS
TECNOLOGIAS PARA A ÁREA JURÍDICA: UMA ABORDAGEM EDUCATIVA
ao reconhecimento dos padrões, ou seja, das características em comum
entre o conjunto de dados.
Fig. 10: Aprendizado Não supervisionado
No aprendizado não supervisionado, como o próprio nome sugere, não há um professor ou supervisor para acompanhar o processo de
aprendizado.
Apesar da semelhança entre o aprendizado supervisionado e o
aprendizado dos seres humanos, muitos dos sistemas biológicos ocorrem
através de aprendizado não supervisionado. Os estágios iniciais dos sistemas de visão e audição no mundo animal por exemplo, são exemplos de
aprendizagem não supervisionada.
Para estes algoritmos, somente os padrões de entrada estão disponíveis para a rede, ao contrário do aprendizado supervisionado com
seus pares de entrada e saída. A partir do momento em que se estabelece uma harmonia com as regularidades estatísticas da entrada de dados,
desenvolve-se uma habilidade de formar representações internas para
codificar características da entrada e criar novas classes ou grupos automaticamente.
Este tipo de aprendizado só se torna possível quando existe redundância nos dados de entrada. Sem redundância seria impossível encontrar quaisquer padrões ou características nos dados de entrada.
Existem também diferentes abordagens para aprendizagem não
supervisionada assim como para supervisionada. Incluem-se os algoritmos K-Means, Redes Neurais de Kohonen como exemplo.
63
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
Fig. 11: Exemplo de visualização de agrupamento do algoritmo K-Means
2.7.
Redes Neurais
As Redes Neurais Artificiais (RNAs), são sistemas paralelos distribuídos compostos por unidades de processamento simples denominados como neurônios artificiais.
Fig. 12: Neurônio Biológico (imagem retirada do Google images)
64
DESMISTIFICANDO A INTELIGÊNCIA ARTIFICIAL E SUAS
TECNOLOGIAS PARA A ÁREA JURÍDICA: UMA ABORDAGEM EDUCATIVA
Fig. 13: Perceptron – Neurônio Artificial (imagem retirada
do Google images)
A matemática por trás do perceptron, nada mais é que o somatório das entradas com seus respectivos pesos, um fator de ajuste (arbitrário) denominado “bias” com sua função de ativação denominada
Threshold. A saída então, ou “y” como é chamada baseado na função y =
f(u), é obtido através da função de ativação f(.) sobre a soma ponderada
das entradas. Tomando-se que este neurônio só trabalha com valores 0 e
1 em sua saída e considerando a soma das entradas maior que o valor de
corte para a função de ativação “Threshould”, o neurônio é ativado. Caso
o somatório seja menor que o valor de corte Threshold, o neurônio tem
seu valor 0 ou seja não ativo e assim cada neurônio tem um peso significativo sobre a Rede Neural representada pela fig. 13.
A solução de problemas por RNAs, possui paralelismo natural
inerente a sua arquitetura que criam a possibilidade de desempenho
superior à de outros modelos e a capacidade de aprender por meio de
exemplos e poder generalizar a informação, é o principal atrativo em se
utilizar RNAs para a solução de problemas. Exemplo de problemas onde
se utiliza RNAs está na classificação/reconhecimento de padrões. Na tabela 1 têm-se exemplos de utilização para diversos tipos de problemas
que podem ser abordados.
Devido a sua composição, uma rede neural de muitas camadas,
são melhores para representar funções não-lineares altamente variáveis,
65
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
em comparação com abordagens de aprendizado superficiais. Além disso, as redes neurais profundas ou Deep Neural Networks, são mais eficientes para aprender devido à combinação de camadas de extração e
classificação de características.
Fig. 14: Rede Neural com 1 camada oculta
Existem muitas variações de redes neurais, cada uma com sua
arquitetura tentando otimizar melhor a resolução dos problemas a que
se propõem e alcançar os melhores resultados com maior precisão que é
denominado “acurácia”.
As Redes Neurais MLP (Multi Layer Perceptron), são redes neurais que se utilizam do neurônio tipo perceptron, conforme fig. 13, e arquitetura conforme a fig. 14, que possuam mais de uma camada. Outra
classe de redes Neurais, são as Convolucionais[8] ou CNN (Convulutional Neural Network). Essa classe de rede neural pertence a categoria dos
algoritmos baseados em redes neurais artificiais profundas ou Deep Learning, que utilizam a convolução em pelo menos uma de suas camadas.
Esta estrutura de rede foi proposta pela primeira vez por Fukushima[4]
em 1988. Na época, não havia sido amplamente usada devido aos limites
de hardware de computação para treinar as redes. Com a evolução de
hardware e recursos, foi possível ampla utilização depois de alguns anos
de estagnação. Hoje contudo, busca-se a redução da complexidade computacional para aplicação em sistemas com recursos mais limitados.
66
DESMISTIFICANDO A INTELIGÊNCIA ARTIFICIAL E SUAS
TECNOLOGIAS PARA A ÁREA JURÍDICA: UMA ABORDAGEM EDUCATIVA
2.7.1.
Deep Learning
Devido à sua composição, uma rede neural de muitas camadas, são melhores para representar funções não-lineares altamente variáveis, em comparação com abordagens de aprendizado superficiais.
Hoje as DNN’s (Deep Neural Network) são implementadas com mais
de 1000 camadas.
Além disso, os DNN’s são mais eficientes para aprender devido à
combinação de camadas de extração e classificação de recursos.
A rede LeNet[14], arquitetura de rede neural proposta por Yann
Lecun nos anos 90, foi um dos primeiros projetos de CNN, tendo a mesma, auxiliado a impulsionar o campo de Deep Learning. Inicialmente, a
LeNet foi utilizada para reconhecimento de caracteres, tais como código
postal e dígitos numéricos.
Fig. 15. CNN–LeNet. Classifica imagens de entradas (células) em uma célula
normal ou anormal e suas três principais camadas de rede: convolucionais,
pooling e camada totalmente conectada.
As CNNs são formadas por sequências de camadas e cada uma
destas possui uma função específica na propagação do sinal de entrada:
• As camadas convolucionais são responsáveis por extrair atributos
dos volumes de entradas.
• As camadas de pooling ou agrupamento, são responsáveis por reduzir a dimensionalidade do volume resultante após as camadas
convolucionais e ajudam a tornar a representação invariante a pequenas translações na entrada.
67
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
• As camadas totalmente conectadas são responsáveis pela classificação em si baseadas em sua função de ativação.
Atualmente, a aprendizagem profunda está sendo aplicada em quase
todas as áreas de IA e do conhecimento. Como resultado, essa abordagem é
frequentemente chamada de abordagem de aprendizado universal.
68
Tabela 1: Exemplos de aplicações com solução de problemas baseadas IA.
DESMISTIFICANDO A INTELIGÊNCIA ARTIFICIAL E SUAS
TECNOLOGIAS PARA A ÁREA JURÍDICA: UMA ABORDAGEM EDUCATIVA
69
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
2.8.
Processamento de Linguagem Natural
Linguagem Natural é definida como uma linguagem que é usada
para a comunicação diária de humanos.
Chama-se Processamento de Linguagem Natural (PLN) um conjunto de técnicas teórico-computacionais que visam representar dados
textuais e/ou verbais e processando a linguagem natural humana para
diversas tarefas.
Qualquer tipo de manipulação por computador de uma linguagem natural é definido como PLN.
A classificação de documentos/textos é uma das tarefas importantes e típicas no aprendizado de máquina supervisionado. Atribuir
categorias a documentos, processos, páginas web, livro de biblioteca,
artigos de mídia, galeria dentre outros. Aplicações também como como
filtragem de spam, roteamento de e-mail, análise de sentimentos, diálogo
homem-robô, são somente alguns dos exemplos de utilização que nos
beneficiamos com o Processamento de Linguagem natural. Ou seja, para
a área Jurídica, o estudo da PLN é de primordial importância.
Ao contrário de linguagens artificiais, como linguagens de programação e notações matemáticas, linguagens naturais evoluíram através das
gerações, sendo difícil muitas vezes explicar as suas regras de construção.
Por um lado, pode ser simples como contar a frequência de palavras para comparar diferentes estilos de escrita. Por outro lado, PLN
envolve entender a comunicação humana e conseguir dar respostas úteis
para perguntas feitas por humanos como exemplo.
A PLN está voltada, essencialmente, a três aspectos da comunicação em língua natural:
1. som: fonologia
2. estrutura: morfologia e sintaxe
3. significado: semântica e pragmática
A fonologia está relacionada ao reconhecimento dos sons que
compõem as palavras de uma língua.
A morfologia reconhece as palavras em termos das unidades primitivas que a compõem (Ex. caçou → caç + ou).
70
DESMISTIFICANDO A INTELIGÊNCIA ARTIFICIAL E SUAS
TECNOLOGIAS PARA A ÁREA JURÍDICA: UMA ABORDAGEM EDUCATIVA
A sintaxe define a estrutura de uma frase, com base na forma
como as palavras se relacionam nessa frase.
Fig. 16: Exemplo de uma árvore sintática
A semântica associa significado a uma estrutura sintática, em
termos dos significados das palavras que a compõem. Na estrutura da
fig. 16, podemos associar o significado “um animal perseguiu/capturou
outro animal”.
O aspecto pragmático, verifica se o significado associado a uma
estrutura sintática é realmente o significado mais apropriado no contexto considerado (ex. no contexto predador-presa, “perseguiu/capturou” →
“comeu”.
Na área da análise de sentimento na aprendizagem de máquina,
que consiste em extrair a polaridade ou sentido das sentenças, existem
diferentes tipos de análise:
• Nível de documento: o objetivo é saber o sentimento geral do texto
sobre o assunto a que ele se refere. O mesmo texto pode conter
frases positivas e negativas sobre o assunto e é preciso consolidar o
sentimento predominante do texto.
• Nível de sentença: o objetivo é saber o sentimento de uma sentença
do texto. A mesma sentença pode ter sentimentos conflitantes e, da
mesma forma, a intenção é saber o sentimento predominante da
sentença.
• Nível de palavra: o objetivo é saber se uma determinada palavra no
texto tem conotação positiva ou negativa.
71
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
O uso de gírias, abreviações, sarcasmo, hashtags, menções e links
podem dificultar o trabalho de processamento de textos, tornando-os
mais difíceis do que textos formais.
PLN é uma área de pesquisa muito vasta, que envolve diversas disciplinas do conhecimento humano assim como toda a Inteligência Artificial.
As aplicações mais comumente utilizadas hoje em dia são:
• Resolução de correferência: Dada uma frase ou um pedaço maior
de texto, determina quais palavras (“menções”) se referem aos
mesmos objetos (“entidades”);
• Análise do Discurso: Uma tarefa é identificar a estrutura discursiva do texto conectado;
• Classificação de documentos: baseado em características padrões
da linguagem, os separa conforme os grupos que melhor se assemelham (específica atenção para a área jurídica);
• Máquina de tradução: Tarefa de traduzir automaticamente texto de
uma linguagem humana para outra;
• Segmentação morfológica: Separa palavras em morfemas individuais e identifica classes de morfemas. (Um morfema é a menor
unidade gramatical de uma língua);
• Geração de linguagem natural: Converte informações de bancos
de dados de computador ou intenções semânticas em linguagem
humana legível;
• Compreensão da linguagem natural: Converte pedaços de texto
em representações que são mais fáceis de manipular pelos programas de computador;
• Reconhecimento óptico de caracteres (OCR): Dada uma imagem
que representa o texto impresso, determina o texto correspondente;
• Marcação de classe gramatical: Dada uma sentença, determina a
classe gramatical de cada palavra;
• Análise sintática (Parsing): Determina a árvore de análise (análise
gramatical) de uma frase;
• Respostas a perguntas: Dada uma questão de linguagem humana,
determina sua resposta;
72
DESMISTIFICANDO A INTELIGÊNCIA ARTIFICIAL E SUAS
TECNOLOGIAS PARA A ÁREA JURÍDICA: UMA ABORDAGEM EDUCATIVA
• Análise de sentimento: verifica a polaridade de uma frase e/ou sentença. Ex.: se é positivo, negativo ou neutro o sentido da expressão;
• Análise de subjetividade: É o mesmo que análise de sentimento;
• Reconhecimento de fala: Dado um clipe de som de uma pessoa
ou pessoas falando, determina a representação textual do discurso.
(oposto de síntese);
• Síntese da fala: É o processo de produção artificial da fala humana;
• Recuperação de informações: Trata-se de armazenar, pesquisar e
recuperar informações voltado para bancos de dados.
Um dos maiores desafios no tratamento da Linguagem Natural é
a tratativa tanto da semântica que trata do contexto em que está inserido
a expressão quanto a ambiguidade da linguagem. Para se ter uma resposta correta a ambiguidade não pode existir e deve ser tratada.
Ambiguidade léxica, acontece quando uma palavra tem mais de
um possível significado. Para exemplificar, pode-se citar a palavra “bala”,
que pode ser utilizada no sentido de um doce ou de uma munição.
O problema da ambiguidade lexical veio da necessidade de escolher por um dos possíveis significados de uma palavra quando da sua
interpretação, relações semânticas. O tratamento da ambiguidade léxica é
um estudo amplo na área de processamento de linguagem natural.
Na criação de modelos para a tarefa de desambiguação léxica de
sentido, os seguintes passos são considerados:
• Determinar o conjunto de palavras a serem desambiguadas;
• Definir todos os sentidos possíveis de cada palavra
• Avaliar o mecanismo estabelecido.
Determinar o conjunto das palavras que precisarão passar pelo
tratamento da desambiguação, depende da aplicação do mecanismo. Alguns trabalhos realizam a desambiguação de todas as palavras de conteúdo da língua.
Desambiguação no sentido da palavra, é a tarefa mais crítica na
área de linguística computacional. É considerado um problema de difícil
solução no ramo da IA (Inteligência Artificial).
73
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
2.9.
Qualidade dos dados de entrada e inferências
A qualidade dos dados seja em qualquer âmbito, é sempre de
fundamental importância. Não obstante seria diferente com a aprendizagem de máquina e análise de dados. É sempre de fundamental
importância o planejamento correto, dados verídicos e corretos ainda
acrescidos de equilíbrio estatístico desses dados. Para esclarecer de uma
forma mais simples e didática, é necessário que as classes (atores/objetos em questão) estejam balanceadas e distribuídas normalmente para
resultados mais assertivos assim como a quantidade de elementos suficientes para um correto treinamento e aprendizagem da IA. Podemos
entender como balanceamento de classes, a quantidade de elementos de
cada classe estando próximo em quantidade umas das outras, com isso
têm-se classes equilibradas.
Para a determinação de processamento, a quantidade de iterações
deve ser estabelecida (denomina-se por épocas de treino) assim como o
cálculo de elementos para amostragem e/ou reamostragem calculados
na forma de arranjo, combinação ou permutação simples dos elementos
conforme as fórmulas abaixo:
A = {a1, a2, a3, ..., an}*
*arranjo de “n” elementos
Cn,p = n!
p! (n – p)!
ou
Onde temos o fatorial representado pela sequência:
Permutar, significa trocar reciprocamente. A permutação é uma
forma particular de “Arranjo”, que é um método de contagem que faz
parte da análise combinatória.
74
DESMISTIFICANDO A INTELIGÊNCIA ARTIFICIAL E SUAS
TECNOLOGIAS PARA A ÁREA JURÍDICA: UMA ABORDAGEM EDUCATIVA
Como visto neste artigo o estudo da PLN para a área jurídica é de
extrema importância. Temos por volta de 400 mil palavras segundo o dicionário Houaiss de 2001, sem contar com palavras técnicas e científicas.
Para se ter uma noção da complexidade de processamento e importância
do estudo da PLN só na língua portuguesa, basta fazer uma combinação
dos elementos do vocábulo da língua para ver o espaço de busca para determinado processamento. Exige-se muito recurso computacional.
Existe também toda uma área de estudo voltada somente para a
parte de otimização de amostragem de dados. Técnicas como permutação, combinação, arranjo, Jacknife, Bagging, SMOT, ADASYN, BorderLineSMOT estão entre as mais utilizadas.
2.10.
Interface Jurídico-Computacional
Um dos princípios do direito, é o princípio da razoabilidade.
Contempla-se no princípio o julgo do bom senso. Dito isto, também parte do mesmo princípio o uso adequado de qualquer tecnologia para que
seja bem empregada no direito. E por motivos óbvios faz mais importante ainda do julgo de quando, como e porque se adotar Inteligência
Artificial no âmbito jurídico. Por motivos torpes, fugazes ou mesmo mal
uso da tecnologia, no que tange mesmo que por boa vontade a aplicação
errônea de determinados métodos de Aprendizagem de máquina, se faz
ainda mais necessário e de fundamental importância o especialista bem
capacitado e bem intencionado provido de conhecimento profundo para
correta utilização/aplicação em prol do que é bom, do justo, do correto,
da evolução e produtividade, assim como a correlação entre homem- máquina (em quais tarefas o ser humano pode apropriadamente delegá-las
às máquinas e/ou neste caso específico a Inteligência Artificial).
As tomadas de decisões finais, sempre devem ser feitas pelos seres
humanos, sendo a tecnologia uma ferramenta com aplicação direta para
melhores tomadas de decisão (ótima quando possível). O ser humano é o
ser (*conhecido) dotado de inteligência cognitiva (ainda difícil implementação em máquinas) mais madura e plausível de análises abstratas, por ter
um entendimento semântico muito melhor que as máquinas hoje em dia.
O processamento da máquina é mais veloz que o do ser humano, então o
bom senso (crítico) sempre entra para poder o ser humano pesar, quando
75
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
melhor aplicar determinado algoritmo, tipo de máquina, etc. para que o
complemente e melhore a qualidade e velocidade do seu trabalho.
Mesmo que a tecnologia em si, seja a regra de negócio de determinados casos, deve-se levar em consideração sempre a prudência em se utilizá-la, transferindo a responsabilidade para o ser humano (dotado de verdadeira inteligência) e não colocar em julgo a culpabilidade da tecnologia.
Todo aquele que a aplica, é o responsável por sua aplicação. Assim
também como a não utilização de métodos avançados de tomada de decisão, no que tange a IA, vai contra a ciência hora alcançada e evoluída sendo
desapropriado a não adoção de técnicas já comprovadas para os mais diversos fins. Quem dirá no campo jurídico, onde pode ajudar enormemente a seleção, classificação e tomada de decisões jurídicas devido à enorme
quantidade de dados que por vezes complexos e é aí que entra a IA.
É natural a adoção de tecnologias evolutivas. São de certa forma
mais assertivas e eficientes que o ser humano em vários aspectos específicos (excluindo a abstração e semântica como já mencionado). Então devido ao limite humano de processamento em vários campos, é essencial o
uso de ferramentas e tecnologias adequadas.
O estado de coisas de direito, inclui o direito à informação, ao
saber e ao julgo dos trabalhos intelectuais que concomitantemente inclui
formam a base da tecnologia da IA. É um dever sua correta aplicação.
Todo e qualquer cidadão tem o direito ao conhecimento no que se
dá toda forma do saber. Quando se tem direito(s), também necessariamente
se tem dever(es). O dever de repassar, multiplicar o conhecimento e técnicas,
com o rigor científico, são certos esses deveres que concerne ao indivíduo
social. Sempre em prol da sociedade, da humanidade e não se esquecendo
nunca do bem comum, mesmo que do bem do indivíduo, que são os principais motivos a qual o conhecimento/tecnologia vieram a servir.
4.
CONSIDERAÇÕES FINAIS E CONCLUSÃO
Focando no uso da Deep Learning, que hoje basicamente é o estado da arte da Inteligência Artificial que se utiliza de redes Neurais de
muitas camadas e que produz resultados mais acertados, para aumentar a
velocidade de processamento e eficiência, redes neurais implementadas em
76
DESMISTIFICANDO A INTELIGÊNCIA ARTIFICIAL E SUAS
TECNOLOGIAS PARA A ÁREA JURÍDICA: UMA ABORDAGEM EDUCATIVA
hardware seja em GPU(CUDA-Nvidia)[5], em FPGA(Field Programmable Gate Array) [15] e/ou Soc’s destes algoritmos, se beneficiam muito em
processamento para utilização como sistemas do tipo ASIC(Application
Specific Integrated Circuit – sistemas especialistas). Devido ao paralelismo de processamento inerente das GPU’s (Graphic Processing Unit) por
exemplo, é muito natural a implementação de Redes Neurais nesse tipo de
hardware, aumentando imensamente a capacidade computacional.
A título de comparação, hoje um encapsulamento de processador de mercado, possui de 8 a 12 núcleos de processamento. Nas placas
gráficas que estão se tornando quase que de propósito geral devido principalmente à linguagem CUDA de programação, uma placa de mercado
média, possui por volta de 1000 unidades lógicas ou núcleos de processamento. Supercomputadores para processamento matemático utilizam
massivamente GPU’s, deixando para os núcleos de processador central a
tarefa de administrar as instruções e alocação de programas em memória, aliviando-o do processamento massivo/cálculos.
Na IA e Análise de Dados, as métricas fundamentais que precisam ser conhecidas são:
Precision ou Precisão
Refere-se à percentagem de rótulos positivos corretos.
Fórmula:
Precision = (verdadeiros positivos)/(verdadeiros positivos + falsos positivos*)
Recall
Percentagem de exemplos positivos rotulados corretamente.
Fórmula:
Recall = (verdadeiros positivos)/(verdadeiros positivos + falso negativos**)
Accuracy ou Acurácia
Porcentagem de rótulos corretos.
77
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
Fórmula:
Accuracy = (verdadeiros positivos + verdadeiros negativos)/(número de
amostras)
*Falso Positivo, é quando o sistema acusa que um resultado é verdadeiro,
porém quando ele não é. Como exemplo, o sistema poderia indicar que a
face é de uma pessoa X, porém ela não é.
**Falso Negativo, é quando o sistema acusa que um resultado é negativo,
porém na verdade é positivo. No exemplo da face, o sistema poderia indicar que a face não é da pessoa X e ela ser.
Concluindo, podemos ver como é importante se aferir dados
corretamente, determinar as classes e objetos de estudo, medir a complexidade do problema que se quer resolver, analisar o problema, definir métricas de comparação, possuir dados fidedignos, escolher e implementar
o melhor algoritmo de inferência dos dados, treinar a máquina para correta inferência e analisar novamente os dados inferidos. Como muito das
análises jurídicas devem ser fidedignos, é necessário dosar o que deve ser
100% certo e o que se pode ter margem de erro em suas determinações.
A tecnologia da Inteligência Artificial é basicamente estatística. Portanto,
cabe-se o devido entendimento estatístico quanto especialista do objeto/
área/estudo/problema a se resolver e aplicar as técnicas corretamente.
Viu-se, portanto, como o PLN é essencial para a prática da Inteligência Artificial na área jurídica e o quanto é custoso a nível de quantidade de processamento. Portanto, como um princípio básico rege as leis do
direito que é o princípio do bom-senso, tal princípio é o mesmo que deve
nortear a aplicação e uso da Inteligência Artificial a seu favor.
REFERÊNCIAS
[1]
78
ROCHA, Daniel M.; Análise de Sentimento e Processamento de Texto;
IGTI – Instituto de Gerência e Tecnologia da Informação, 2018 (Apostila
de Curso de Pós-Graduação em Machine Learning).
DESMISTIFICANDO A INTELIGÊNCIA ARTIFICIAL E SUAS
TECNOLOGIAS PARA A ÁREA JURÍDICA: UMA ABORDAGEM EDUCATIVA
[2]
BRAGA, Antônio de P; CARVALHO, André P. de Leon F.; LUDERMIR,
Teresa B.; Redes Neurais Artificiais - Teoria e Aplicações. 2.ed. - Rio de
Janeiro, LTC, 2007.
[3]
TORES, V.; Sill Torres, F.; A Comparative Analysis of Neural Networks Implemented with Reduced Numerical Precision and Approximations, ENIAC 2017
[4]
FUKUSHIMA, K.; “Neocognition: A hierarchical neural network capable
of visual pattern recognition.” Neural networks 1.2 (1988): 119-130.
[5]
VERONESE, L., Souza, A. F.; Badue, C.; Oliveira, E.; Implementação Paralela em C+CUDA de uma Rede Neural Probabilística, WSCAD, 2009
[6]
SHARAD, Mrigank; AUGUSTINE, Charles; ROY, Kaushik. Spin-Based
Neuron Model With Domain-Wall Magnets as Synapse. IEEE Transactions on Nanotechnology, July 2012, vol. 11, no. 4.
[7]
SHARAD, Mrigank; AUGUSTINE, Charles; ROY, Kaushik. Spin-neurons: A possible path to energy-eficient neuromorphic computers. Journal of Applied Physics, 114, 234906, 2013.
[8]
ALOM, M. Z.; Taha, T. M.; Yakopcic, C. et al. The History Began from
AlexNet: A Comprehensive Survey on Deep Learning Approaches, Cornell University Library, 12 Sep. 2018
[9]
CHECHIK, G.; Meilijson, I.; Ruppin, E.; Neuronal Regulation Implements Eficient Synaptic Pruning; Schools of Medicine and Mathematical Sciences, Israel
[10]
ANWAR, S.; Hwang, K.; Sung, W.; Structured Pruning of Deep Convolutional Neural Networks, Cornell University Library, 29 Dec. 2015
[11]
LI, H.; Kadav, A.; Durdanovic, I.; Samet, H.; Graf, H. P.; Pruning Filters for
Eficient ConvNets, Cornell University Library, 10 Mar 2017
79
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
[12]
MALCHANOV, P.; Pruning Convolutional Neural Networks for Resource
Eficient Inference, Cornell University Library, 8 jun. 2017.
[13]
ARAÚJO, F., H., D., Carneiro, A., C., Romuere R. V. Silva et al; Redes
Neurais Convolucionais com Tensorflow: Teoria e Prática; III Escola Regional de Informática do Piauí. Livro Anais - Artigos e Minicursos, v. 1,
n. 1, p. 382-406, jun., 2017.
[14]
LECUN, Y.; Bengio, Y.; Hinton, G.; Deep learning; Nature, 27 May 2015
[15]
OLIVEIRA, J., G., M.; Uma arquitetura reconfigurável de Rede Neural
Artificial utilizando FPGA. Universidade Federal de Itajubá, 2017 (Dissertação de Mestrado).
80
PROPOSIÇÃO DE UMA REDE NEURAL
ARTIFICIAL PARA A CLASSIFICAÇÃO
DA POTÊNCIA ELÉTRICA GERADA
POR UMA USINA ELÉTRICA DE CICLO
COMBINADO: UM ESTUDO DE CASO
Fernando Antônio Saraiva Mendes
Mestrando em Engenharia Elétrica e de Telecomunicações, do Programa de Pós-Graduação em Engenharia
Elétrica e de Telecomunicações (PPGEET) da Universidade Federal Fluminense, Niterói, RJ, 2021.
E-mail: fernando_mendes@id.uff.br
http://lattes.cnpq.br/9481422069254547
Ricardo Campanha Carrano
Professor D. Sc. do Programa de Pós-Graduação em
Engenharia Elétrica e de Telecomunicações (PPGEET)
da Universidade Federal Fluminense, Niterói, RJ, 2021.
E-mail: ricardocarrano@id.uff.br
http://lattes.cnpq.br/9513000939189229
RESUMO: A partir da disponibilização, nos últimos
anos, de vários tipos de sensores a preços acessíveis e de
repositórios contendo grandes bases de dados geradas a
partir dos registros coletados por aqueles em muitas áreas
da ciência, diversas pesquisas têm sido desenvolvidas,
dentro do domínio da Inteligência Artificial, no campo
da Aprendizagem de Máquina, através das Redes Neurais Artificiais, da Mineração de Dados, Aprendizagem
Profunda etc., para a solução de problemas pertencentes
a diferentes classes de complexidade. O presente trabalho
81
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
trata do estudo de caso de uma Usina Geradora de Energia Elétrica de Ciclo
Combinado (CCPP), na qual há um conjunto de sensores de temperatura,
pressão atmosférica, umidade relativa do ar e exaustão a vácuo que coletavam
dados a cada segundo, permitindo a obtenção de médias horárias para cada
um deles, cujos valores influenciavam na produção de energia elétrica da usina, e propõe a criação de uma rede neural artificial, treinada e validada por
esta base de dados, para a resolução de um problema de classificação, a partir
da análise destes dados, que consiste na classificação da potência elétrica horária média fornecida pela usina em uma determinada categoria pertencente
a um conjunto de estados possíveis, como, por exemplo, Baixa, Média e Alta,
de acordo com o seu valor, a fim de que sejam tomadas as medidas adequadas
para o suprimento suficiente de energia elétrica para a população atendida.
Palavras-chave: Sensoriamento; Redes Neurais Artificiais; Classificação.
INTRODUÇÃO
Os computadores modernos e as bases de dados existentes e em
construção têm proporcionado a apresentação de soluções para problemas de diversos graus de complexidade na área de otimização, permitindo a identificação de padrões até então ocultos ou de difícil percepção.
Os conceitos de Aprendizado de Máquina, Aprendizado Profundo, Mineração de dados, Redes Neurais Artificiais, dentro do escopo da
Inteligência Artificial, tão em voga nos dias atuais, fornecem um número
significativo de ferramentas de análise e tratamento de dados, levando a
resultados bastante promissores.
Como decorrência, os sistemas têm se tornado cada vez mais “inteligentes”, capazes de se reconfigurarem, aprendendo com a experiência
e com o processamento recorrente de grandes quantidades de dados.
O desenvolvimento das tecnologias de sensoriamento tem propiciado a construção de bases de dados de grandes proporções, possibilitando o oferecimento de soluções com alto poder de predição de respostas, muito próximas dos valores observados no mundo real. Assim, o
tema Aprendizado de Máquina e seus assuntos correlatos vêm se estabelecendo fortemente em diferentes campos do conhecimento.
82
PROPOSIÇÃO DE UMA REDE NEURAL ARTIFICIAL PARA A CLASSIFICAÇÃO DA POTÊNCIA
ELÉTRICA GERADA POR UMA USINA ELÉTRICA DE CICLO COMBINADO: UM ESTUDO DE CASO
ESTUDO DE CASO
Através da análise de uma base de dados criada a partir de um
conjunto de sensores instalados em uma usina elétrica de ciclo combinado
(CCPP, Combined Cycle Power Plant), localizada na Turquia, cujos valores
influenciavam na sua produção de energia elétrica, o presente trabalho tem
como objetivo propor uma rede neural artificial, treinada e validada por tal
base de dados, para a resolução de um problema de classificação, através da
configuração de um perceptron multicamadas, objetivando-se a realização
de predições sobre a classe (alta, média, baixa etc.) a que pertence o valor
da potência elétrica horária média gerada, de modo que, numa situação
análoga, possam ser tomadas as devidas providências para o fornecimento
adequado de energia elétrica para a população atendida.
1.
Principais componentes das Usinas Elétricas de Ciclo
Combinado (CCPP)
Uma usina elétrica de ciclo combinado (Combined Cycle Power
Plant) constitui-se, basicamente, em uma instalação que utiliza turbinas
a gás e a vapor associadas em uma única planta, ambas gerando energia
elétrica a partir da queima do combustível utilizado. Para isto, numa primeira etapa, a queima da mistura do combustível (gás natural, carvão mineral, diesel, querosene etc.) com oxigênio movimenta uma turbina, que
aciona um gerador, produzindo energia elétrica. Numa segunda etapa,
o calor obtido com essa queima é reaproveitado para o aquecimento de
água, que se transforma em vapor, para o acionamento de outra turbina,
a qual, por sua vez, faz girar o gerador ligado a ela, produzindo, também,
eletricidade. Portanto, a geração de energia elétrica é obtida, tanto na
queima do combustível utilizado, quanto na produção de vapor d’água.
A peça fundamental das usinas termelétricas de ciclo combinado é a turbina a gás, cuja tecnologia foi parcialmente aproveitada dos projetos de aviões civis e militares, que geralmente utilizam
o querosene como combustível. Nessas usinas, o gás natural é cada
vez mais utilizado, embora haja a possibilidade do emprego de outros
tipos de combustível, a fim de não ocorrerem interrupções quando
houver falta do suprimento de gás.
83
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
Em linhas gerais, uma turbina a gás é constituída de três componentes principais: o compressor, que capta o ar atmosférico e o compacta, o sistema de combustão, onde ocorre a queima da mistura do ar
comprimido com o combustível utilizado, e a turbina propriamente dita,
responsável pelo acionamento, tanto do compressor, quanto do gerador
de energia elétrica (NJOKU et al., 2018).
De acordo com Sen et al. (2018), as usinas termelétricas deste
tipo apresentam a desvantagem de os gases emitidos causarem danos ao
ambiente e chuvas ácidas, além do fato de a água usada no processo de
produção de energia frequentemente ser descartada sem o devido tratamento. Entretanto, tais desvantagens podem ser minimizadas se forem
adotadas as medidas adequadas (JOVI et al., 2019).
2.
Base de dados utilizada
A base de dados utilizada neste estudo foi obtida no sítio da Internet UCI Machine Learning Repository – Center for Machine Learning
and Intelligent Systems, sob o título Combined Cycle Power Plant Data Set
(UCI, 1987). Ela contém 9.568 registros de dados, coletados por meio de
sensores instalados em uma usina elétrica de ciclo combinado, na Turquia, durante seis anos, no período de 2006 a 2011, durante o qual a planta funcionou em regime de carga total. Os dados estavam disponíveis em
uma planilha, no formato .csv (comma separated values).
O conjunto de dados era composto por quatro atributos de entrada e um de saída. Os de entrada consistiam em variáveis de ambiente
cujos valores foram coletados a cada segundo pelos sensores espalhados
pela usina, permitindo a obtenção de médias horárias para cada um.
Portanto, os atributos de entrada são:
• Temperatura (simbolizada pela letra T, de Temperature), na faixa
de 1,81oC a 37,11oC;
• Pressão Ambiente (representada pela sigla AP, de Ambient Pressure), na faixa de 992,89 a 1.033,30 milibares;
• Umidade Relativa do Ar (caracterizada pela abreviação RH, de Relative Humidity), no intervalo de 25,56% a 100,16%; e
84
PROPOSIÇÃO DE UMA REDE NEURAL ARTIFICIAL PARA A CLASSIFICAÇÃO DA POTÊNCIA
ELÉTRICA GERADA POR UMA USINA ELÉTRICA DE CICLO COMBINADO: UM ESTUDO DE CASO
• Pressão da Exaustão a Vácuo, (descrita pela letra V, de Vaccum) na
faixa de 25,36 a 81,56 cmHg,
os quais influenciavam o valor da potência elétrica horária média líquida
fornecida pela usina CCPP, que representava o atributo de saída, cujo
valor, em um problema de regressão, deve ser predito pela rede neural.
Atributo de saída:
• Potência elétrica horária média (EP, de Energy Power), na faixa de
420,26 a 495,76 MW.
No caso geral de uma usina elétrica de ciclo combinado (CCPP),
enquanto os três primeiros atributos de entrada (Temperatura, Pressão
Ambiente e Umidade Relativa do Ar) influenciam o desempenho da
turbina a gás, o quarto (pressão da Exaustão a Vácuo) é coletado e age
na turbina a vapor. De acordo com Sen et al. (2019), um aumento na
temperatura ambiente pode causar diminuição na produção de energia
elétrica pela usina.
A proposta do presente trabalho é, então, a partir da base de dados disponível, contendo 9.568 registros, apresentar uma rede neural artificial, treinada e validada por esta base de dados, que procura classificar
a potência elétrica horária média fornecida pela usina em uma determinada categoria pertencente a um conjunto de estados possíveis, como,
por exemplo, Baixa, Média, Alta, Muito Alta etc., de acordo com o seu
valor, permitindo aos administradores da usina tomar as devidas medidas para que ela forneça a quantidade de energia elétrica demandada pela
população atendida. Para isto, primeiramente, procurou-se descobrir o
número ideal de intervalos de frequência nos quais a potência elétrica
horária média produzida pela usina seria enquadrada.
Foi desenvolvido um código, escrito na linguagem de programação
Python, para ler a base de dados e efetuar a distribuição dos 9.568 registros
em classes de frequência de valores de potência elétrica fornecida (MW)
pela usina (CHOLLET; ERIC, 2019). A seguir, foram realizadas, experimentalmente, distribuições dos dados nas seguintes classes de frequência:
85
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
• Distribuição dos 9.568 registros de entrada em uma única classe
de frequência, que continha, evidentemente, todos estes registros,
apresentando valores de potência elétrica pertencentes ao intervalo [420,26; 495,76] MW.
• Distribuição dos 9.568 registros de entrada em duas classes de frequência de mesmo tamanho, a primeira contendo 5.636 valores
no intervalo [420,26; 458,01[ MW, e a segunda possuindo 3.932
registros no intervalo [458,01; 495,76] MW.
• Distribuição dos 9.568 registros de entrada em três classes de frequência também de mesmas dimensões, a primeira apresentando
3.717 valores no intervalo [420,26; 445,43[ MW, a segunda contendo 3.766 registros no intervalo [445,43; 470,59[ MW, e a terceira
possuindo 2.085 registros no intervalo [470,59; 495,76] MW.
• Distribuição dos 9.568 registros de entrada em quatro classes de
frequência contendo as mesmas larguras, a primeira mostrando
2.245 valores no intervalo [420,26; 439,14[ MW, a segunda contendo 3.391 registros no intervalo [439,14; 458,01[ MW, a terceira possuindo 2.716 registros no intervalo [458,01; 476,89[ MW, e a quarta
apresentando 1.216 valores no intervalo [476,89 ; 495,76] MW.
• Distribuição dos 9.568 registros de entrada em cinco classes de frequência, todas de mesma amplitude, a primeira contendo 1.358
valores no intervalo [420,26; 435,36[ MW, a segunda apresentando
3.271 registros no intervalo [435,36; 450,46[ MW, a terceira possuindo 2.069 registros no intervalo [450,46; 465,56[ MW, a quarta
mostrando 2.117 valores no intervalo [465,56 ; 480,66[ MW, e a
quinta e última dispondo de 753 registros no intervalo [480,66 ;
495,76] MW.
Verificou-se, então, que, à medida em que aumentava o número
de classes de frequências, a distribuição dos dados tornava-se cada vez
mais heterogênea. Assim, optou-se por trabalhar com três classes de potência elétrica horária média fornecida pela usina de ciclo combinado,
por apresentarem mais homogeneidade na distribuição dos dados.
A seguir, foi feita uma verificação sobre qual ferramenta computacional utilizar para a implementação da rede neural artificial. Dentre as
86
PROPOSIÇÃO DE UMA REDE NEURAL ARTIFICIAL PARA A CLASSIFICAÇÃO DA POTÊNCIA
ELÉTRICA GERADA POR UMA USINA ELÉTRICA DE CICLO COMBINADO: UM ESTUDO DE CASO
várias opções disponíveis, optou-se pela escolha do aplicativo Weka, na
versão 3.9.2, desenvolvido na Universidade de Waikato, Nova Zelândia,
pela equipe do pesquisador Robert Durrant, Ph.D., por se constituir em
um software de grande usabilidade e dotado de vários recursos. Ele foi,
então, configurado para a montagem de uma rede neural que receberia
quatro atributos na Camada de Entrada (Temperatura, Pressão Ambiente,
Umidade Relativa do Ar e Pressão da Exaustão a Vácuo), possuindo apenas
uma única Camada Oculta, constituída por um número de neurônios a ser
determinado, e, por se tratar de um problema de Classificação, apresentava
três neurônios na Camada de Saída, para a classificação da potência elétrica
horária média fornecida pela usina nas categorias Alta, Média ou Baixa, de
acordo com o seu valor, conforme mostrado na Tabela 1.
Tabela 1. Potência Elétrica Média (PE) em Megawatts (MW) gerada por uma
Usina CCPP distribuída em três Classes de valores.
Intervalos de Valores para a Potência Elétrica Média (PE)
em Megawatts (MW) gerada pela Usina Elétrica CCPP
Classes
420,26 <= PE < 445,43
Baixa
445,43 <= PE < 470,59
Média
470,59 <= PE <= 495,76
Alta
Fonte: os autores (2021).
3.
Ensaios realizados
Por experimentação, foram fornecidos, valores para o número
de neurônios da Camada Oculta, bem como para os parâmetros Constante de Momento (α) e Taxa de Aprendizagem (η). Estes dois últimos
fatores são grandezas que figuram nas expressões do algoritmo de retropropagação, através da descida do Gradiente (BISHOP, 2006; DEISENROTH, 2020; HAYKIN, 2009).
Na busca do conjunto ótimo de pesos das sinapses da rede neural
artificial que minimiza o erro médio total, em cada leitura de um registro
de atributos de entrada (iteração), são calculados os chamados gradientes
locais de cada neurônio de acordo com a expressão:
87
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
na qual tem-se:
erro no j-ésimo neurônio, na camada de saída L, na iteração n
campo local induzido na entrada do neurônio j, na camada L,
iteração n
campo local induzido na entrada do neurônio j, na camada l,
iteração n
derivada primeira da função de ativação, calculada na camada de saída L, no neurônio j, na iteração n
derivada primeira da função de ativação, calculada na camada l, no neurônio j, na iteração n
gradiente local no neurônio k, na camada (l+1), na iteração n e
peso k do neurônio j, na camada (l+1), na iteração n
Então, os pesos das sinapses dos neurônios na camada l da
rede devem ser ajustados, a cada iteração (processamento de um conjunto de dados de entrada), através da Regra Delta Generalizada, cuja
expressão é:
em que:
peso da sinapse do neurônio j, na camada l, que é alimentado pelo neurônio i da camada (l – 1), na iteração (n+1)
peso da sinapse do neurônio j, na camada l, que é alimentado
pelo neurônio i da camada (l – 1), na iteração n
Constante de Momento
peso da sinapse do neurônio j, na camada l, que é alimentado pelo neurônio i da camada (l – 1), na iteração (n – 1)
Taxa de Aprendizagem
88
PROPOSIÇÃO DE UMA REDE NEURAL ARTIFICIAL PARA A CLASSIFICAÇÃO DA POTÊNCIA
ELÉTRICA GERADA POR UMA USINA ELÉTRICA DE CICLO COMBINADO: UM ESTUDO DE CASO
gradiente local no neurônio j, da camada l, na iteração n e
ração n
sinal (função) na saída do neurônio i, na camada (l -1), ite-
O aplicativo Weka 3.9.2, utilizado nos ensaios, oferecia quatro
tipos de testes:
• Uso de Conjunto de Treinamento (Use Training Set): nesta opção, todos os 9.568 registros de dados foram usados para o treinamento da
rede neural e, em seguida, os mesmos serviram de validação e teste;
• Conjunto de Teste Fornecido (Supplied Training Set): por esta
modalidade, o conjunto de dados foi dividido em dois grupos, o
primeiro contendo 7.568 registros, usados para treinamento, e o
segundo, com 2.000 registros, empregado para validação e teste;
• Validação Cruzada – dez dobras (Cross-validation, 10 folds): nesta
escolha, o conjunto de 9.568 registros de entrada foi sucessivamente
dividido em dez partes iguais, reservando-se nove para treinamento
da rede neural e a décima para validação e teste. Em seguida, esta última era misturada ao subconjunto de treinamento, enquanto outra
décima parte assumia o papel de conjunto de validação e teste; e
• Divisão em Percentagem – 75% (Percentage Split, 75 %): por esta
opção, o conjunto de 9.568 registros de entrada foi dividido em
dois subconjuntos, um representando 75% do total, para treinamento da rede neural (7.176 registros, aproximadamente), e os
25% restantes para validação e teste (2.392 registros).
Na realização dos ensaios, foram executados os quatro tipos de
testes mencionados, com o objetivo de se descobrir aquele que apresentaria o melhor treinamento da rede neural.
Para todos os 4 testes, foram estabelecidos, por experimentação,
valores para a Constante de Momento (α), a Taxa de Aprendizagem (η) e
o número de neurônios da Camada Oculta (variando-se sequencialmente
de 1 a 10, passando para 15, 20, 30, 40 e, finalmente, 50 neurônios), obtendo-se, assim, 16 tabelas de dados coletados, contendo, cada uma, 15
linhas, como esboçado na Tabela 2.
89
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
Tabela 2. Ensaios realizados variando-se o número de neurônios na
Camada Oculta e os valores da Constante de Momento (α) e da Taxa de
Aprendizagem (η).
Tipos de Testes
realizados
VALIDAÇÃO
CRUZADA: 10
dobras (Cross
validation: 10
folds)
DIVISÃO EM
PERCENTAGEM:
75% (Percentage
Split: 75%)
USO DE
CONJUNTO DE
TREINAMENTO
(Use Training Set)
CONJUNTO
DE TESTE
FORNECIDO
(Supplied Test Set)
Valores da Constante de Momento (α) e
da Taxa de Aprendizagem (η)
(α = 0,1;
η = 0,001)
(α = 0,2;
η = 0,003)
(α = 0,3;
η = 0,03)
(α = 0,3;
η = 0,4)
Camada
Oculta:
Camada
Oculta:
Camada
Oculta:
Camada
Oculta:
1 a 10, 15, 20,
30, 40 e 50
neurônios
1 a 10, 15, 20,
30, 40 e 50
neurônios
1 a 10, 15, 20,
30, 40 e 50
neurônios
1 a 10, 15, 20,
30, 40 e 50
neurônios
Camada
Oculta:
Camada
Oculta:
Camada
Oculta:
Camada
Oculta:
1 a 10, 15, 20,
30, 40 e 50
neurônios
1 a 10, 15, 20,
30, 40 e 50
neurônios
1 a 10, 15, 20,
30, 40 e 50
neurônios
1 a 10, 15, 20,
30, 40 e 50
neurônios
Camada
Oculta:
Camada
Oculta:
Camada
Oculta:
Camada
Oculta:
1 a 10, 15, 20,
30, 40 e 50
neurônios
1 a 10, 15, 20,
30, 40 e 50
neurônios
1 a 10, 15, 20,
30, 40 e 50
neurônios
1 a 10, 15, 20,
30, 40 e 50
neurônios
Camada
Oculta:
Camada
Oculta:
Camada
Oculta:
Camada
Oculta:
1 a 10, 15, 20,
30, 40 e 50
neurônios
1 a 10, 15, 20,
30, 40 e 50
neurônios
1 a 10, 15, 20,
30, 40 e 50
neurônios
1 a 10, 15, 20,
30, 40 e 50
neurônios
Fonte: os autores (2021).
Como elementos de aferição de erros ocorridos no processo, foram utilizadas quatro métricas:
90
PROPOSIÇÃO DE UMA REDE NEURAL ARTIFICIAL PARA A CLASSIFICAÇÃO DA POTÊNCIA
ELÉTRICA GERADA POR UMA USINA ELÉTRICA DE CICLO COMBINADO: UM ESTUDO DE CASO
• Erro Médio Absoluto (MAE, Mean Absolute Error), cuja expressão
é:
MAE =
• Erro Absoluto Relativo (RAE, Relative Absolute Error), cuja fórmula é:
RAE =
• Erro Médio Quadrático (RMSE, Root Mean Squared Error), dado
por:
RMSE =
• Erro Relativo Quadrático (RRSE, Root Relative Squared Error),
cuja expressão é:
RRSE =
nas quais:
i-ésimo valor calculado pela rede neural e obtido no neurônio de
saída desta
i-ésimo valor desejado e
valor médio dos valores desejados (
).
RESULTADOS E DISCUSSÃO
Após a realização de todos os ensaios, verificou-se que, dentre
os quatro tipos de teste empregados, aquele que apresentou os melhores
resultados foi o intitulado “Uso de Conjunto de Treinamento”, pelo qual
todas as 9.568 instâncias de entrada da base de dados foram utilizadas
para treinamento, validação e teste da rede neural artificial utilizada.
Observou-se que, quando foram usados 40 neurônios na Camada Oculta, obteve-se o maior índice de acerto nas predições, pelo qual,
91
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
dos 9.568 registros de entrada, 8.590 foram classificados corretamente
(89,78%), enquanto 978 foram classificados incorretamente (10,22%).
Com relação aos erros ocorridos neste tipo de teste, os valores
calculados para as métricas de aferição foram: Erro Médio Absoluto
(MAE) igual a 0,0944, Erro Médio Quadrático (RMSE) de 0,2236, Erro
Absoluto Relativo (RAE) igual a 21,9055% e Erro Relativo Quadrático
(RRSE) de 48,1608%.
Para esse teste (Uso de Conjunto de Treinamento), a Tabela 3
mostra os valores da chamada Matriz Confusão (Confusion Matrix), que
apresenta os números de instâncias classificadas como tendo valores alto,
médio ou baixo para a Potência Elétrica gerada pela usina de energia.
Tabela 3. Matriz Confusão da implementação do teste intitulado “Uso do
Conjunto de Treinamento”.
Matriz Confusão
Potência Elétrica
Alta gerada
(Classe a)
Potência Elétrica Média
gerada (Classe b)
Potência Elétrica
Baixa gerada
(Classe c)
Total de
Instâncias de
Entrada
1.909
244
3
176
3.121
154
0
401
3.560
2.085
3.766
3.717
∑classe a = 2.156
∑classe b = 3.451
∑classe c = 3.961
9.568
Fonte: os autores (2021)
Analisando-se os valores desta tabela, observa-se que:
• das 2.085 instâncias pertencentes à classe de potência elétrica horária alta (a), fornecida pela usina elétrica, 1.909 foram classificadas corretamente como sendo desta classe, 176 foram identificadas
erroneamente como fazendo parte da classe de potência elétrica
horária média (b), e nenhuma foi indicada como integrando categoria de potência elétrica baixa (c);
• das 3.766 instâncias pertencentes à classe de potência elétrica média (b), 3.121 foram classificadas perfeitamente como integrantes desta classe, 244 foram identificadas equivocadamente como
fazendo parte da classe de potência elétrica alta (a), e 401 foram
92
PROPOSIÇÃO DE UMA REDE NEURAL ARTIFICIAL PARA A CLASSIFICAÇÃO DA POTÊNCIA
ELÉTRICA GERADA POR UMA USINA ELÉTRICA DE CICLO COMBINADO: UM ESTUDO DE CASO
indicadas erroneamente como integrando a classe de potências
elétricas baixas (c);
• e, finalmente, das 3.717 instâncias pertencentes à classe de potência elétrica baixa (c), 3.560 foram classificadas corretamente como
sendo desta classe, 3 foram identificadas de modo errado como
fazendo parte da classe de potência elétrica alta (a), e 154 foram
indicadas equivocadamente como integrando a classe de potências
elétricas médias (b).
A Figura 1 mostra um esboço da rede neural resultante, contendo:
• primeira camada: Os quatro atributos de entrada, Temperatura
(T), Pressão Ambiente (P), Umidade Relativa do Ar (RH) e Pressão da Exaustão a Vácuo (V);
• segunda camada (Camada Oculta constituída por apenas uma camada de neurônios): Composta por 40 neurônios;
• terceira e última camada: Os três atributos de saída (potências elétricas alta, média e baixa).
93
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
Figura 1. Esboço de uma rede neural artificial com 4 atributos de entrada,
para a classificação da potência elétrica horária (MW) fornecida por uma usina
elétrica, nas categorias Alta, Média ou Baixa.
Fonte: aplicativo Weka, versão 3.9.2 (2021).
A Tabela 4 detalha os valores obtidos após a realização do teste
“Uso de Conjunto de Treinamento”.
94
8.412
8.454
8.411
8.415
8.408
8.411
8.577
8.573
8.394
5
6
7
8
9
10
15
20
30
8.396
8.413
4
50
8.411
3
8.590
8.423
2
40
8.343
95
87,7508
89,7784
87,7299
89,6008
89,6426
87,9076
87,8763
87,9494
87,9076
88,3570
87,9181
87,9285
87,9076
88,0330
87,1969
%
12,2492
10,2216
12,2701
10,3992
10,3574
12,0924
12,1237
12,9506
12,0924
11,6430
12,0819
12,0715
12,0924
11,9670
12,8031
%
0,8113
0,8423
0,8109
0,8396
0,8403
0,8136
0,8131
0,8142
0,8136
0,8206
0,8138
0,8140
0,8136
0,8155
0,8019
Fonte: os autores (2021).
1.172
978
1.174
995
991
1.157
1.160
1.153
1.157
1.114
1.156
1.155
1.157
1.145
1.225
Incorretamente
Coeficiente
Kappa (K)
Tipo de teste: Uso de Conjunto de Treinamento
Número de Épocas: 2.000
Número de Instâncias: 9.568
Número de Instâncias Classificadas
Corretamente
1
Número de
Neurônios
na Camada
Oculta
Parâmetros adotados no ensaio
realizado:
0,1163
0,0944
0,1177
0,0964
0,0971
0,1213
0,1211
0,1225
0,1231
0,1124
0,1233
0,1241
0,1260
0,1301
0,2395
0,2236
0,2391
0,2247
0,2266
0,2389
0,2389
0,2389
0,2389
0,2358
0,2389
0,2390
0,2392
0,2399
0,2835
RMSE
26,9678
21,9055
27,3017
22,3644
22,5178
28,1288
28,0901
28,4176
28,5428
26,0717
28,6114
28,7912
29,2225
30,1811
45,2072
RAE
(%)
Erros
51,5912
48,1608
51,5014
48,4028
48,8088
51,4553
51,4460
51,4660
51,4480
50,7950
51,4623
51,4852
51,5165
51,6801
61,0599
RRSE
(%)
Constante de Momento: α = 0,3
Taxa de Aprendizagem: η = 0,03
0,1949
MAE
Tabela 4. Resultados obtidos através da realização do teste
“Uso de Conjunto de Treinamento”.
PROPOSIÇÃO DE UMA REDE NEURAL ARTIFICIAL PARA A CLASSIFICAÇÃO DA POTÊNCIA
ELÉTRICA GERADA POR UMA USINA ELÉTRICA DE CICLO COMBINADO: UM ESTUDO DE CASO
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
A Figura 2 mostra a tela do aplicativo utilizado, na qual estão disponibilizados os resultados obtidos com a realização do teste intitulado
“Uso de Conjunto de Treinamento”.
96
Fonte: aplicativo Weka, versão 3.9.2 (2021).
Figura 2. Tela do aplicativo Weka 3.9.2 com os resultados obtidos através do ensaio intitulado “Uso de Conjunto de Treinamento.
PROPOSIÇÃO DE UMA REDE NEURAL ARTIFICIAL PARA A CLASSIFICAÇÃO DA POTÊNCIA
ELÉTRICA GERADA POR UMA USINA ELÉTRICA DE CICLO COMBINADO: UM ESTUDO DE CASO
97
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
Como pode ser observado na imagem, a Taxa de Positivos Verdadeiros (TP Rate, de True Positive Rate) resultou em 0,916 (=1.909/2.085)
para a Classe “a” (potências elétricas altas), 0,829 (=3.121/3.766) para
a Classe “b” (potências elétricas médias) e 0,958 (=3.560/3.717) para a
Classe “c” (potências elétricas baixas).
Já a Taxa de Falsos Positivos (FP Rate, de False Positive Rate)
apresentou valor de 0,033 (= (244 + 3)/(3.766 + 3.717)) para a Classe
“a” (potências elétricas altas), 0,057 (=(176 + 154)/(2.085 + 3.717)) para
a Classe “b” (potências elétricas médias) e 0,069 (= (0 + 401)/(2.085 +
3.717)) para a Classe “c” (potências elétricas baixas).
CONCLUSÃO
A partir dos dados obtidos por um conjunto de sensores de
Temperatura, Pressão Ambiente, Umidade Relativa do Ar e Pressão
da Exaustão a Vácuo instalados em uma usina geradora de energia
elétrica de ciclo combinado, localizada na Turquia, o presente estudo
de caso procurou apresentar uma rede neural artificial, treinada e validada pela base de dados escolhida, como uma possível solução para
um problema de Classificação que consistia na predição da classe à
qual pertencia a potência elétrica horária média gerada, em MW, de
acordo com o seu valor, através da configuração adequada da rede
neural proposta e do seu treinamento, através de 9.568 registros de
entrada, coletados no período de 2006 a 2011.
A seguir, foi desenvolvido um código, escrito na linguagem de
programação Python, para ler a base de dados e efetuar a distribuição
dos 9.568 registros de entrada em cada uma das classes de frequência de
valores de potência elétrica fornecida (MW) pela usina.
Após uma análise dos dados, decidiu-se, então, estabelecer
o número de três intervalos de classes de frequência, nos quais
a potência elétrica horária média produzida pela usina seria, de
acordo com o seu valor, enquadrada como alta, média ou baixa.
Deve ser ressaltado que, neste presente trabalho, foram adotadas
apenas três classes de potência elétrica, mas poder-se-ia expandir
para um número maior delas.
98
PROPOSIÇÃO DE UMA REDE NEURAL ARTIFICIAL PARA A CLASSIFICAÇÃO DA POTÊNCIA
ELÉTRICA GERADA POR UMA USINA ELÉTRICA DE CICLO COMBINADO: UM ESTUDO DE CASO
Para a implementação da rede neural artificial do projeto, utilizou-se o aplicativo Weka, versão 3.9.2, desenvolvido na Universidade de
Waikato, Nova Zelândia. O software foi configurado para montar uma
rede neural destinada a receber quatro atributos na Camada de Entrada
(Temperatura, Pressão Ambiente, Umidade Relativa do Ar e Pressão da
Exaustão a Vácuo), possuindo apenas uma única Camada Oculta, constituída por um número de neurônios a ser determinado, e, por se tratar
de um problema de Classificação, apresentava três neurônios na Camada
de Saída, para a classificação da potência elétrica horária fornecida pela
usina em uma das três categorias mencionadas.
Após a realização de quatro tipos diferentes de testes, nos
quais foram alterados o número de neurônios da Camada Oculta e
os valores de alguns parâmetros, como a Constante de Momento (α)
e a Taxa de Aprendizagem (η), verificou-se que aquele que apresentou os melhores resultados foi o ensaio intitulado “Uso de Conjunto
de Treinamento”, pelo qual todas as 9.568 instâncias de entrada da
base de dados foram utilizadas para treinamento, validação e teste da
rede neural artificial utilizada. Pela observação dos seus valores, apresentados na Tabela 3, já mostrada, concluiu-se que o melhor desempenho ocorreu adotando-se um número de 40 (quarenta) neurônios
na Camada Oculta, o que permitiu a existência de 8.590 instâncias
classificadas corretamente (89,7784% do total) e 978 classificadas incorretamente (10,2216% do total). Com relação aos erros ocorridos,
os valores calculados para as métricas de aferição foram: Erro Médio
Absoluto (MAE) igual a 0,0944, Erro Médio Quadrático (RMSE) de
0,2236, Erro Absoluto Relativo (RAE) igual a 21,9055% e Erro Relativo Quadrático (RRSE) de 48,1608%.
Assim, o método utilizado neste estudo de caso procurou
mostrar a importância crescente, dentro do campo da Inteligência Artificial, do uso de conceitos de Aprendizado de Máquina na resolução
de uma gama imensa de problemas de complexidades variadas e, às
vezes, desafiadoras.
Por fim, com o auxílio de meios computacionais adequados
e diversos repositórios de dados, na busca de sistemas inteligentes,
capazes de aprender continuamente e descobrir padrões sublimina-
99
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
res, grandes avanços têm sido alcançados nos últimos anos nas mais
diversas áreas do conhecimento, trazendo maior produtividade e rapidez na tomada de decisões.
REFERÊNCIAS
BISHOP, C. M. Pattern Recognition and Machine Learning, Springer, 2006.
CHOLLET, F. Deep Learning with Python, Manning Publications, First Edition, 2019.
DEISENROTH, M. P.; FAISAL, A. A.; ONG, S. S. Mathematics for Machine
Learning. Cambridge University Press, 2020.
ERIC, M. Crash Course: A Hands-On, Project-Based Introduction to Programming, Second Edition, San Francisco, CA, 2019.
HAYKIN, S. Neural Networks and Learning Machines, McMaster University, Hamilton, Ontário, Canadá, Third Edition: Pearson, Prentice Hall, New Jersey, 2009.
JOVI , M.; LACOVI , M.; BANJAC, M. Improving the Energy Efficiency of a
110 MW Thermal Power Plant By Low-Cost Modification of the Cooling System. Sage Journals, Energy & Environment, 2018. Disponível em: <https://www.
semanticscholar.org/paper/Improving-the-energy-efficiency-of-a-110-MW-thermal-Jovic-Lakovi%C4%87/a8e10cbf8cd40de3f9b18a96446a6d0389a8cdc4>Acessado em: 18/05/2021. DOI: 10.1177/0958305X17747428.
NJOKU, I. H.; OKO, C. O. C.; OFODU, J. C.; PHAM, D. Performance evaluation of a
combined cycle power plant integrated with organic Rankine cycle absorption refrigeration system. Taylor & Francis Online. Cogent Engineering, Volume 5, 2018 – Issue 1. Disponível em: <https://www.tandfonline.com/doi/full/10.1080/23311916.201
8.1451426>. Acessado em: 22/06/2021. DOI: https://doi.org/10.1080/2018.1451426.
SEN, G.; NIL, M.; MAMUR, H.; DOGAN, H.; KARAMOLLA, M. et al. The Effect
of Ambient Temperature on Electric Power Generation in Natural Gas Combined Cycle Power Plant – A Case Study, Elsevier, Energy Reports, 2018. Disponível em: <https://www.sciencedirect.com/science/article/pii/S235248471830249X>.
Acessado em: 04/07/2021. DOI: https://doi.org/10.1016/j.egyr.2018.10.009 .
100
PROPOSIÇÃO DE UMA REDE NEURAL ARTIFICIAL PARA A CLASSIFICAÇÃO DA POTÊNCIA
ELÉTRICA GERADA POR UMA USINA ELÉTRICA DE CICLO COMBINADO: UM ESTUDO DE CASO
UCI Machine Learning Repository – Center for Machine Learning and Intelligent
Systems – Combined Cycle Power Plant, 1987. Disponível em: <https://archive.ics.
uci.edu/ml/datasets/Combined+Cycle+Power+Plant>. Acessado em: 14/08/2021.
101
COMO PARTÍCULAS INTERAGEM NA
ELETRODINÂMICA DE KALB-RAMOND?
A. A. Araújo Filho
Ph.D
dilto@fisica.ufc.br
RESUMO: Este trabalho é destinado a obter o cálculo do potencial entre partículas na eletrodinâmica
de Kalb-Ramond. Para isso, necessitamos encontrar
o propagador da respectiva teoria e consideramos
convenientemente fontes de matéria. Dessa forma,
fazemos a utilização do funcional gerador, utilizado
em teoria de campos por integrais de caminho, para
endereçarmos tal energia de interação. Finalmente, a
menos de um sinal, verificamos que esta corresponde
à interação de dois vetores, possuindo uma energia de
interação equivalente àquela prevista para dois dipolos elétricos fixados.
Palavras-chave: Campo de Kalb-Ramond; Propagadores; Energia de interação.
I.
INTRODUÇÃO
Algumas teorias de campo no espaço-tempo de Minkowski podem ser construídas a partir de
p-formas, incluindo, por exemplo, a eletrodinâmica
(1-forma) e os p-tensores antissimétricos. Existem
modelos que têm um termo cinético invariante de
calibre considerando o aparecimento de um 2-tensor
103
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
antissimétrico que foi considerado pela primeira vez dentro da teoria das
cordas, o campo Kalb-Ramond [1]. Além disso, uma outra referência que
envolve uma abordagem direta mostrando propriedades notáveis em relação às dualidades de diferentes teorias p-formas foi também considerada em [2]. Por fim, o campo de Kalb-Ramond (Bµν) é um campo de
calibre que generaliza o campo eletromagnético, destacando cordas em
vez de partículas pontuais – como é o caso da eletrodinâmica de Maxwell.
Por outro lado, a energia potencial é uma forma de energia que
ditará como ocorrerão as interações entres as partículas (em geral) de um
dado sistema [3]. Esta pode ser uma função que depende explicitamente
da posição, apresentando, portanto, uma conexão com o conceito de força [4] – que também depende de ponto a ponto. Dessa forma, podemos
inferir como o nosso sistema em questão (do ponto de vista de interação)
se comporta. A relevância do estudo é notória, tendo em vista que, desde
previsões teóricas, podemos conjecturar tais comportamentos a serem
observados em laboratórios para um dado sistema. Com isso, é razoável
termos estas previsões teóricas a fito de confrontar as projeções teóricas
com as medidas experimentais.
Em particular, este manuscrito é pautado na obtenção do cálculo
do potencial entre partículas na eletrodinâmica de Kalb-Ramond. Para
tal, necessitamos encontrar o propagador da teoria – o fazemos usando
o método da função de Green. Assim, podemos usar o ferramentário da
teoria de campos por integral de trajetória para encontrarmos a energia
de interação desejada. Além do mais, a menos de um sinal, verificamos
que esta energia de interação possui uma expressão equivalente àquela
encontrada na interação dipolo-dipolo. Por fim, comparamos o resultado
encontrado para a teoria de Kalb-Ramond a outras eletrodinâmicas.
II.
O MODELO DE INTERAÇÃO: UMA PRESCRIÇÃO GERAL
De início, usamos a prescrição de Feynman para as integrais de
trajetória [5]
104
COMO PARTÍCULAS INTERAGEM NA ELETRODINÂMICA DE KALB-RAMOND?
na qual Z[J] é o funcional gerador, e−HT pode ser visto como o operador
translação [6] e
a lagrangiana da teoria. Em concordância com a
literatura, podemos definir uma grandeza W [J] que dá conta de todos os
diagramas de Feynman conexos – e, portanto, contribuirá efetivamente
com a matriz S 1. Ademais, podemos escrevê-lo como
Notemos que W [J] possui uma forte semelhança com a função
de partição de mecânica estatística que por meio da qual, podemos derivar todas as quantidades físicas de interesse. Em outras palavras, tal grandeza é dada pela expressão abaixo [7–9]:
na qual,
é o propagador da teoria correspondente e Jµ representa as fontes de matéria – que posteriori imporemos que sejam conservadas, isto é, ∂µJµ = 0. Tal estrutura tensorial é suficiente para descrever
tanto um fóton massivo (eletrodinâmica de Proca) quanto um fóton não
massivo (eletrodinâmica de Maxwell). Além do mais, sem perda de generalidade, podemos considerar correntes de matéria sendo independentes
do tempo. Assim,
em que usamos a transformada de Fourier de maneira que podemos adquirir uma função dependente apenas do momento linear p da partícula.
Assim, podemos definir a energia potencial entre partículas como sendo
1
A matriz de espalhamento ou também conhecida como matriz S relaciona os estados
iniciais com os estados finais de um sistema físico após um processo de espalhamento.
105
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
ou, de uma forma mais compacta, podemos escrever a equação acima em
função apenas do momento como segue:
na qual, por conveniência, definimos
É válido ressaltar que tal procedimento vem sendo usado na literatura também para calcular as interações em eletrodinâmicas usuais não
massivas e massivas – Maxwell e Proca respectivamente [10], tão bem
quanto em eletrodinâmicas de derivadas de ordem superior [11]. De forma evidente, a partir da Eq. (6), podemos notar que necessitamos apenas
de fontes de matéria convenientes – que possam efetivamente descrever
nosso problema, e o do cálculo do propagador. Este, por sua vez, será
calculado passo a passo na próxima seção.
III.
O CÁLCULO DO PROPAGADOR
A.
O modelo e suas definições
Originalmente, o campo de Kalb-Ramond surge em teoria de
cordas [1], generalizando o potencial eletromagnético. Além do mais, tal
campo é um tensor antissimétrico de grau 2 (ou um 2-forma) [12]. De
forma pictórica, se comparada a eletrodinâmica usual de Maxwell, à eletrodinâmica de Kalb-Ramond, para o cálculo do potencial, demanda que
se calcule a integral sobre a folha mundo (bidimensional), de tal maneira
que este campo se acopla aos elementos de áreas da folha mundo, isto é,
Apesar disso, desde aqui em diante, restringir-nos-emos apenas
às principais propriedades do campo Bµν que se referem ao cálculo do
potencial entre partículas. Em outras palavras, poderíamos resumir esse
106
COMO PARTÍCULAS INTERAGEM NA ELETRODINÂMICA DE KALB-RAMOND?
estudo na seguinte pergunta: de que forma uma partícula sentiria a presença de uma outra neste contexto de tensores antissimétricos?
Agora, nos focaremos em calcular didaticamente o propagador
de Kalb-Ramond, usando exclusivamente o método da função de Green
em vez de usar o método dos projetores. De início, começaremos com algumas definições importantes; dentre as quais destacamos a Lagrangeana, que é um dos pontos de partida fundamentais em teoria de campos:
no qual fazemos a distinção entre
, que é a Lagrangeana de Kalb-Ramond (envolvendo o termo cinético Hλµν e o termo de matéria Jµ), e
, que é o termo de fixador de calibre. Este último é empregado com
o fito de possibilitar a inversão do propagador. Por definição, temos que
É útil mencionar que o campo tensorial antissimétrico possui a
seguinte invariância sob a transformação de calibre abaixo:
no qual
representa um quadrivetor genérico. Além do mais, usando
a definição da função de Green para tensores de grau 2 – como é o caso
de Bµν, obtemos
no qual,
é o operador de onda cinético atribuído à teoria, Gγσ,αβ
(x − y) é a função de Green de dois pontos no espaço de configurações,
´ e o operador identidade antissimétrico – dado pela expressão
é a delta de Dirac em quatro
dimensões. Para avançarmos com os cálculos, necessitamos, inicialmente,
passar as coordenadas do espaço de configurações para o espaço dos momentos – para que possamos usar convenientemente a Eq. (6). Para isso,
empregaremos um comum método utilizado na literatura, a transformada
107
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
de Fourier [13]. Agora, nos concentraremos na transformada de Fourier da
função de Green, bem como na função delta de Dirac como segue
Com essas expressões acima, já teremos o suficiente, no que diz
respeito às definições, para procedermos adiante.
B.
O propagador
Inicialmente, teremos que encontrar a respectiva equação do
movimento para a Eq. (9). Para isso, naturalmente, usaremos a equação
de Euler-Lagrange para campos
Ademais, o faremos de forma separada e, logo depois, uniremos
todas as partes. Começamos a performar a parte atribuída a
e, depois, a parte que envolve
. Desse modo, considerando, pois,
:
no qual ηµν é a métrica de Minkowski; dessa maneira, teremos
:
108
A segunda parte restringir-se-á à parte remanescente, isto é,
COMO PARTÍCULAS INTERAGEM NA ELETRODINÂMICA DE KALB-RAMOND?
e, portanto,
Agora, considerando algumas transformações para o tensor Bµν:
obtemos
ou, em outras palavras,
109
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
Lembrando que
e o objetivo de obtermos a equação do movimento completa, exibida na
Eq. (14), uniremos as “duas partes” da equação de Euler-Lagrange para
campos presentes em Eqs. (21) e (22):
É produtivo evidenciar que a Eq. (23) faz a separação efetiva (entre colchetes) do operador de onda
. De forma simplificada, podemos reescrever a equação acima como
Note que a Eq. (24) possui algumas simetrias que é importante
serem mencionadas, tais como
Com a definição da função de Green, temos que
e, usando a transformada de Fourier da Eq. (13), temos
110
COMO PARTÍCULAS INTERAGEM NA ELETRODINÂMICA DE KALB-RAMOND?
que resulta em
Aqui, o ponto fulcral é de fato encontrarmos uma expressão para
. Para isso, vamos supor que tal função
possa ser
escrita como uma combinação linear de vetores de base, i.e, (ησβ ηγα − ηγβ
ησα) and (ησα pβpγ − ησβ pαpγ + ηγβ pαpσ − ηγα pβpσ). Portanto,
Com bastante paciência, vamos resolver o sistema de equações e
encontrar os respectivos valores para a e para b, de modo que a Eq. (27)
seja satisfeita. Segue que
De uma forma didática, vamos separar o problema em várias
partes. Por exemplo, depois de fazermos a multiplicação, poderemos separar em seis partes como segue:
111
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
Cautelosamente, vamos separar em bases tais partes
Finalmente, agora nos resta apenas resolver o sistema de equações, ou seja,
112
COMO PARTÍCULAS INTERAGEM NA ELETRODINÂMICA DE KALB-RAMOND?
Acabamos de obter os coeficientes a e b do nosso problema. Com
isso, podemos montar propriamente a função de Green no espaço dos
momentos:
De fato, este é o propagador Kalb-Ramond que encontra total respaldo no resultado bem estabelecido na literatura [14–17]. Podemos ver
que o propagador possui um polo sem massa, evidenciando, naturalmente,
que o campo Kalb-Ramond não é massivo. Além disso, o termo adicional,
que foi advindo da fixação de gauge
não contribui para
o cálculo da matriz S – uma vez que este termo desaparecerá quando os
momentos pµ forem contraídos. Uma pergunta que naturalmente poderia
surgir seria a seguinte: caso supuséssemos que, em vez de um senário com
violação da simetria de Lorentz, poderia haver contribuições de outros
campos – por exemplo o campo de Bumblebee – de modo que contribuísse efetivamente para o cálculo da matriz S? Apesar de ser uma pergunta
pertinente, recentemente, os autores endereçaram tal resposta na Ref. [18],
afirmando que, apesar de levarmos tal cenário de violação em conta por
um campo de fundo bµ (o campo de Bumblebee que quebra a simetria de
Lorentz para as transformações ativas [19]), ainda assim não haverá contribuição para o cálculo da Matriz S – isso pelo menos para o modelo mínimo
mais simples da teoria [20]. Além do mais, tal fenômeno pode estar relacionado com o assim conhecido t-puzzle [21].
IV.
O POTENCIAL ENTRE PARTÍCULAS
Uma vez que acabamos de obter a expressão para o propagador
no espaço dos momentos na seção anterior, o que nos resta fazer agora
113
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
é propor, convenientemente, uma expressão para as fontes de matéria –
lembrando sempre que esta deverá satisfazer uma lei de conservação, i.e.,
∂µJµν = 0. Consideraremos as fontes de matéria propostas na Ref. [10],
em que єµνλκ é o tensor de Levi-Civita quadridimensional e Vµ(x) está
representando um vetor genérico também quadridimensional. Naturalmente, como nossa proposta é estudarmos como as partículas sentem a
presença de uma em relação à outra – localizadas em pontos distintos,
i.e.,
– necessitamos do uso da delta de Dirac. Então, nossa corrente externa mais bem escrita como
Pictoricamente, deduzimos que há dois vetores
sendo
localizados nos pontos
respectivamente – veja a Fig. 1. Note
que tal interpretação difere completamente daquela apresentada na eletrodinâmica de Maxwell, que, por sua vez, apresenta pontos localizados
– cargas pontuais, em vez de vetores [22].
Figure 1: A figura mostra a ilustração de vetores localizados
em uma folha mundo.
A partir da Eq. (6), vemos claramente que necessitamos do produto das correntes para que possamos deduzir a energia de interação entre partículas – que são representadas por vetores no presente caso. Ade-
114
COMO PARTÍCULAS INTERAGEM NA ELETRODINÂMICA DE KALB-RAMOND?
mais, consideraremos uma configuração independente do tempo para
darmos continuidade ao procedimento implementado em [10]. Assim, a
Eq. (7) pode ser escrita nesse cenário como
em que
representa o gradiente. Com isso, é fácil ver que a expressão acima resulta em
na qual
é a distância entre os pontos
. Dessa forma, considerando o propagador presente na Eq. (34), a expressão (6)
pode ser reescrita como
Aqui, como em breve discutiremos, temos um resultado notável.
Ademais, lembremos, portanto, que a energia potencial sentida entre dois
dipolos elétricos (Edip), com momento de dipolos Mxʹ e Mxʹʹ , é dada por [23]
Claramente agora, podemos comparar as Eq. (39) e (40). De forma
direta, percebemos que essas equações são iguais a menos de um sinal. Portanto, ao localizarmos vetores na eletrodinâmica de Kalb-Ramond e efetuarmos o cálculo da energia potencial nesse contexto, notamos a equivalência de fazermos o mesmo procedimento, porém, desta vez, localizando
dipolos elétricos com um sinal trocado. De forma ilustrativa, na Fig. 2, esboçamos um gráfico para diferentes tipos de interações, i.e., Mawwell, Proca, Dipolo-dipolo e Kalb-Ramond, no azo de verificarmos suas respectivas
diferenças. Inicialmente, percebemos que, a partir da Fig. 2, o potencial de
interação para a eletrodinâmica de Proca evanesce mais rápido, à medida
115
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
que a distância r cresce, do que se comparado ao caso da eletrodinâmica de
Maxwell. Por outro lado, a curva correspondente à teoria de Kalb-Ramond
mimetiza um comportamento similar ao encontrado no gráfico correspondente ao núcleo atômico [3]. A curva que mostra a interação dipolo-dipolo,
por sua vez, apresenta um ligeiro crescimento e, depois, começa a atenuar
seus valores – sendo um “reflexo” da curva de Kalb-Ramond e vice-versa.
Figura 2: A figura mostra a comparação entre os diferentes
tipos de energias potenciais.
V.
CONCLUSÃO
Neste trabalho, nos concentramos na obtenção do potencial de
interação entre partículas na eletrodinâmica de Kalb-Ramond. Inicialmente, foi necessário encontrar o propagador da teoria com convenientes
fontes de matéria. Usamos o método da função de Green para obter o
propagador e tivemos que considerar a localização de vetores em vez de
pontos – como é comumente feito para o mesmo cálculo na eletrodinâmica de Maxwell. Assim, a partir do funcional gerador, foi possível fazer
o cálculo da energia de interação nesse contexto. Além do mais, notamos
que esta corresponde à interação de dois vetores possuindo uma energia
de interação equivalente àquela prevista para dois dipolos elétricos a menos de um sinal. Por fim, comparamos as diversas energias de interação
para diversos cenários, tais como Maxwell, Proca e dipolo-dipolo.
116
COMO PARTÍCULAS INTERAGEM NA ELETRODINÂMICA DE KALB-RAMOND?
Acknowledgments
A. A. Araújo Filho agradece à Facultad de Física - Universitat
de València e Gonzalo J. Olmo pela amável hospitalidade no momento da realização deste trabalho. Além disso, este trabalho foi parcialmente apoiado pelo Conselho Nacional de Desenvolvimento Científico
e Tecnológico (CNPq) - 142412/2018-0, and CAPES-PRINT (PRINT
- PROGRAMA INSTITUCIONAL DE INTERNACIONALIZAÇÃO) 88887.508184/2020-00.
REFERÊNCIAS
[1]
M. Kalb and P. Ramond, “Classical direct interstring action,” Physical Review D, vol. 9, no. 8, p. 2273, 1974.
[2]
E. Cremmer and J. Scherk, “Spontaneous dynamical breaking of gauge
symmetry in dual models,” Nuclear Physics B, vol. 72, no. 1, pp. 117–124,
1974.
[3]
Y. Nambu, Quarks: frontiers in elementary particle physics. World
Scientific, 1985.
[4]
H. M. Nussenzveig, Curso de física básica: Mecânica (vol. 1), vol. 394.
Editora Blucher, 2013.
[5]
R. P. Feynman, A. R. Hibbs, and D. F. Styer, Quantum mechanics and
path integrals. Courier Corporation, 2010.
[6]
J. J. Sakurai and E. D. Commins, Modern quantum mechanics, revised
edition, 1995.
[7]
A. Zee, Quantum field theory in a nutshell, vol. 7. Princeton university
press, 2010.
117
A SOCIEDADE DO CONHECIMENTO E SUAS TECNOLOGIAS:
ESTUDOS EM CIÊNCIAS EXATAS E ENGENHARIAS - VOLUME 2
[8]
A. Das, Field theory: a path integral approach, vol. 83. World Scientific, 2019.
[9]
L. H. Ryder, Quantum field theory. Cambridge university press, 1996.
[10]
G. C. Silva, Prescrição para o cálculo da energia potencial interpartículas
em modelos eletromagnéticos com termo de mixing, Dissertação, 2015.
[11]
L. Borges and F. Barone, “Field sources in a cpt-even lorentz-violation
maxwell electrodynamics,” Brazilian Journal of Physics, vol. 49, no. 4,
pp. 571–582, 2019.
[12]
H. Flanders, Differential forms with applications to the physical sciences by harley flanders. Elsevier, 1963.
[13]
R. N. Bracewell and R. N. Bracewell, The Fourier transform and its
applications, vol. 31999. McGraw-Hill New York, 1986.
[14]
F. Barone, L. De Moraes, and J. Helayël-Neto, “Casimir effect for gauge scalars:
The kalbramond case,” Physical Review D, vol. 72, no. 10, p. 105012, 2005.
[15]
R. Amorim and J. Barcelos-Neto, “Bv quantization of a vector-tensor gauge
theory with topological coupling,” arXiv preprint hep-th/9505095, 1995.
[16]
P. Townsend, “Covariant quantization of antisymmetric tensor gauge
fields,” Physics Letters B, vol. 88, no. 1-2, pp. 97–101, 1979.
[17]
A. A. Araújo Filho, The kalb-ramond field with spontaneous lorentz
symmetry breaking, Dissertação, 2018.
[18]
R. Maluf, A. Araújo Filho, W. Cruz, and C. Almeida, “Antisymmetric tensor propagator with spontaneous lorentz violation,” EPL (Europhysics
Letters), vol. 124, no. 6, p. 61001, 2019.
[19]
H. Belich, T. Costa-Soares, M. Santos, and M. Orlando, “Violação da simetria de lorentz,” Revista Brasileira de Ensino de Física, vol. 29, no. 1,
pp. 57–64, 2007.
118
COMO PARTÍCULAS INTERAGEM NA ELETRODINÂMICA DE KALB-RAMOND?
[20]
B. Altschul, Q. G. Bailey, and V. A. Kostelecky`, “Lorentz violation with an
antisymmetric tensor,” Physical Review D, vol. 81, no. 6, p. 065028, 2010.
[21]
Y. Bonder, “Lorentz violation in the gravity sector: The t puzzle,” Physical
Review D, vol. 91, no. 12, p. 125002, 2015.
[22]
D. J. Griffiths, Introduction to electrodynamics, 2005.
[23]
E. M. Purcell, E. M. Purcell, E. M. Purcell, and E. M. Purcell, Electricity
and magnetism, vol. 2. McGraw-Hill New York, 1965.
119
Este livro foi impresso sob demanda, sem estoques. A tecnologia
POD (Print on Demand) utiliza os recursos naturais de forma
racional e inteligente, contribuindo para a preservação da natureza.
"Rico é aquele que sabe ter o suficiente"
(Lao Tze)