ISEL - Matemática Aplicada para a Indústria
URI permanente desta comunidade:
Navegar
Percorrer ISEL - Matemática Aplicada para a Indústria por orientador "Cal, Filipe Santiago"
A mostrar 1 - 3 de 3
Resultados por página
Opções de ordenação
- Análise e otimização em sistemas de comunicação ferroviáriaPublication . Batalha, Fábio Ramos; Cal, Filipe Santiago; Lopes, Nuno David de JesusO presente relatório resulta do estágio curricular do Mestrado em Matemática Aplicada para a Indústria, realizado no Instituto Superior de Engenharia de Lisboa (ISEL), em colaboração com a empresa SOLVIT – Innovation & Development on Telecommunications, Lda. O trabalho enquadrou-se na área das telecomunicações ferroviárias, com enfoque no estudo da qualidade de sinal do sistema GSM-R (Global System for Mobile Communications – Railway), tecnologia crítica para assegurar comunicações fiáveis e seguras entre maquinistas, centros de controlo e infraestruturas ferroviárias. O estágio teve como principal objetivo a aplicação de metodologias matemáticas e computacionais à análise e otimização de comunicações móveis em ambiente ferroviário, com foco no sistema GSM-R, tendo sido desenvolvidos dois casos de estudo distintos e complementares. O primeiro caso de estudo incidiu sobre a Linha do Algarve, com enfoque na deteção de padrões e anomalias na qualidade do sinal. Para tal, foi elaborado um processo sistemático de tratamento e padronização de dados recolhidos, envolvendo filtragem, normalização, interpolação e smoothing de séries temporais. Posteriormente, foram aplicadas técnicas estatísticas para identificar anomalias nos parâmetros que caracterizam a qualidade de comunicação da rede. Os resultados obtidos permitiram construir viagens modelo representativas do comportamento típico da rede e localizar segmentos críticos, constituindo um contributo para o desenvolvimento de ferramentas automáticas de monitorização e apoio à manutenção preventiva. O segundo caso de estudo centrou-se no planeamento de frequências na Linha de Cascais, onde a topografia e a proximidade com o mar potenciam fenómenos de interferência nas comunicações. O problema foi formulado como uma tarefa de otimização combinatória, incorporando restrições práticas do sistema GSM-R, no que diz respeito à alocação de portadoras no mesmo site, ou em sites vizinhos. Para a sua resolução, foi desenvolvida uma estratégia híbrida baseada em técnicas Max-Min e heurísticas greedy, visando maximizar o rácio carrier-to-interference (C/I) ao longo do percurso. A configuração final obtida demonstrou melhorias expressivas, com ganhos significativos face às configurações de referência. De forma global, o estágio permitiu combinar métodos de análise estatística e técnicas de otimização com aplicação prática no setor ferroviário, reforçando a importância da Matemática Aplicada como ferramenta de suporte à tomada de decisão em sistemas de comunicações críticas. Os resultados alcançados evidenciam não só a aplicabilidade das metodologias desenvolvidas em contextos reais, como também o seu potencial para serem adaptadas a outras linhas ferroviárias e a diferentes cenários tecnológicos.
- Railway signal monitoring - an algorithmic approach for improved. Maintenance strategiesPublication . Henriques, Inês Figueiredo Leão; Cal, Filipe Santiago; Lopes, Nuno David de JesusAbstract This study is part of Solvit’s project SIGRail Monitoring and it aims to develop and optimise algorithms that will enhance railway monitoring and maintenance processes. The work is divided into four sections. The initial stage of the project entails the formulation of an ensemble method for the identification of the railway line on which the train is situated, utilising geographical coordinates and machine learning techniques. Subsequently, the algorithm for obtaining the kilometric point (PK) is significantly enhanced combining an artificial neural network (ANN) and the golden section method for identifying the optimal distance between two points in space. The third phase of the study requires defining the direction of the train, then separating and counting the journeys within a given file. This is a crucial step, as it forms the basis for the subsequent phase, the fourth stage, in which a dynamic algorithm is employed to generate key performance indicators (KPIs), evaluating the quality of each journey based on a number of factors including the level of signal, the quality of the signal, the handover point, and the serving cell connected. The first, second and third parts have been incorporated into the project, so some of the evidence presented here is the result of this implementation.
- The use of artificial intelligence in the recognition of railway assets based on high-resolution drone imagesPublication . Robu, Cristian; Geraldes, Carlos José Brás; Cal, Filipe SantiagoAbstract Ensuring the safety and operational continuity of railway infrastructure requires precision, efficiency, and reliability in maintenance and management practices. Traditional methods of asset management, characterized by manual processes and high error rates, often fall short of these requirements due to their labor-intensive nature and significant costs. This thesis aims to overcome these challenges by integrating advanced artificial intelligence (AI) technologies into the asset management process, with a particular focus on deep learning for automated object detection. This research explores the application of YOLOv9, the latest iteration of the You Only Look Once object detection algorithm, for identifying and cataloguing railway assets from high-resolution drone-captured images. Drones provide a unique aerial perspective, enabling comprehensive monitoring of extensive and often inaccessible railway areas. YOLOv9 is especially well-suited for this task due to its efficiency in processing large volumes of high-resolution images and its robustness in delivering real-time, high-accuracy detections. The study involved training the YOLOv9 model on a dataset of drone-captured images, which were carefully annotated with the locations and identities of various railway assets. The performance of the model was assessed by measuring its precision and recall in detecting these assets under a wide range of different environmental conditions. The findings reveal that AI can improve the precision and efficiency of railway asset management. The YOLOv9 model significantly reduced the time required for asset inspections, thereby contributing to safer railway operations. This approach highlights the scalability and flexibility of AI technologies in infrastructure management, offering valuable insights into their potential for broader applications across various sectors. The findings underscore the transformative potential of AI in improving the management of critical infrastructure and lay the groundwork for future research in this rapidly evolving field.