Browsing by Issue Date, starting with "2025-07-25"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
- Modelo de apoio à decisão na gestão de ativosPublication . Lopes, Carlos André Dias; Anes, Vítor Manuel RodriguesA calibração de instrumentos de medição constitui um elemento central na gestão inteligente de ativos físicos, sendo ainda mais crítica no contexto da Indústria 4.0, onde as decisões operacionais dependem fortemente de dados provenientes de sensores. Apesar desta importância crescente, a definição das periodicidades de calibração, na maioria dos casos, a basear-se em métodos empíricos e reativos, sem considerar a variabilidade real dos sensores nem os riscos associados a não conformidades. Este trabalho propõe um modelo quantitativo e orientado ao risco para a definição ótima das periodicidades de calibração de sensores industriais. A metodologia integra cinco etapas principais: o tratamento estatístico dos dados de calibração, as simulações de Monte Carlo para a estimativa da probabilidade de não conformidade, a definição de critérios de avaliação, a estruturação multicritério via AHP e a avaliação quantitativa do risco. O modelo foi aplicado a uma base de dados composta por 36 calibrações de sensores de pH. Enquanto o método tradicional de Schumacher sugeriu extensões até 12 semanas, o modelo proposto permitiu considerar extensões até 20 semanas, mantendo níveis de risco controlado. Este resultado demonstra ganhos concretos na otimização da periodicidade de calibração, contribuindo para uma gestão mais eficiente dos ativos e para a redução dos custos operacionais. A solução foi implementada em Python e disponibilizada online como uma aplicação interativa, facilitando a sua adoção prática em ambientes industriais. As principais limitações do modelo incluem a dependência de dados históricos de calibração e a ausência de integração direta com sistemas de manutenção ou ERP. Ainda assim, o modelo revela potencial de generalização para outros tipos de sensores e contextos industriais, constituindo uma base sólida para futuras investigações em gestão metrológica baseada em risco.
- Bitcoin Anomaly Detection (BAD) - use of machine learning for fraudulent transaction detectionPublication . Gomes, Nuno Gonçalo Rodrigues Cabral; Ferreira, Artur JorgeAbstract The increasing adoption of cryptocurrencies, especially Bitcoin, has significantly altered the financial landscape, enabling decentralised and pseudonymous transactions. While these characteristics foster innovation, they also present serious challenges in detecting fraudulent behaviour, including money laundering and investment scams. This dissertation introduces Bitcoin Anomaly Detection (BAD), a hybrid machine learning framework designed to detect anomalous transactions on the Bitcoin blockchain. The methodology integrates supervised and unsupervised learning techniques, applied to the Elliptic dataset comprising over 200,000 transactions with temporal and graph-based features. Feature engineering, class imbalance handling (e.g., SMOTE + ENN), and dimensionality reduction (PCA, UMAP) are employed. Several models are evaluated, including XGBoost, RF, and GNN, achieving up to 97.5% accuracy, 96.2% recall, and a false positive rate below 4.5%. Graph analysis revealed that illicit transactions tend to form sparsely connected “sink” nodes—receiving many inputs (high in-degree) but sending no outputs (zero out-degree)—a pattern typical of laundering. Semi-supervised learning and association rule mining were used to label unknown data and enhance classification reliability. The final pipeline combines feature selection, class instance sampling, and a hybrid semisupervised learning approach—bridging supervised and unsupervised methods—to classify transactions with high accuracy and robustness. Key challenges addressed include the scarcity of labelled data, severe class imbalance, and the evolving nature of fraud techniques. XAI components were incorporated to ensure interpretability and compliance with regulatory frameworks such as Markets in Crypto-Assets (MiCA) and Financial Action Task Force (FATF). The findings from our experimental evaluation demonstrate the viability of adaptive, interpretable AI solutions for safeguarding decentralised financial ecosystems and supporting efforts in Anti-Money Laundering (AML) and law enforcement.