SUGESTÕES DE TRABALHOS FUTUROS

Durante a realização deste trabalho foram vislumbradas oportuni- dades de melhoria. Aquelas que não puderam ser exploradas são apre- sentadas na sequência como sugestões de trabalhos futuros.

• Nos processos de avaliação de desempenho energético de compres- sores em laboratório (conhecido no meio industrial por desempe- nho em calorímetro), além da capacidade de refrigeração, são ava- liados também o consumo e o COP. Esses parâmetros são impor- tantes para caracterizar o desempenho dessas máquinas e não pude- ram ser abordados neste trabalho. Sugere-se explorar meios para realizar inferências junto à linha de produção para a potência elétri- ca consumida pelo compressor em regime permanente e seu COP.

• Neste trabalho foi proposto procedimento para avaliação da I-If mais adequado do que os métodos encontrados na literatura para estimar IC. Ainda assim, são necessários estudos adicionais além dos realizados nesta tese de doutorado para garantir que essa pro- posta seja considerada metrologicamente válida, a ponto de se po- der afirmar que a I-If seja a IM do método proposto. Propõe-se um estudo investigativo nessa linha de atuação para verificar os limites em que a I-If, obtidas da forma proposta neste trabalho, possam ser consideradas como a IM para a resposta do modelo neural.

• Neste trabalho foi apresentada uma bancada de capacidade de ele- vação da pressão disponível nas linhas de produção de uma empre- sa. Propõe-se o desenvolvimento de uma bancada específica, com instrumentos de melhor qualidade metrológica, condições de ope- ração mais bem controladas e com medições de outras grandezas que possam ser relacionadas com parâmetros de desempenho do compressor, como mínima tensão de partida, vibração e potência sonora gerada pelo compressor.

REFERÊNCIAS

ABDELWAHED, M. S.; EL-BAZ, M. A.; EL-MIDANY, T. T. A pro- posed performance prediction approach for manufacturing using ANNs. World Academy of Science, Engeneering and Technology. Vol. 6. Jan. 2012. p. 778 – 783.

ABNT – ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. Condições de ensaio para determinação da capacidade de refrigera- ção nominal de compressores herméticos e semi-herméticos para refrigeração. NBR 13410, Rio de Janeiro, jun. 1995.

AGUIRRE, L. A.; PINTO, A.; SILVA, A. Enciclopédia de automáti- ca: controle e automação. 3. ed. São Paulo: Blücher, 2007. 469 p. AHMAD, Z.; ZHANG, J. A comparison of different method for com- bining multiple neural network models. IEEE, 2002. Disponível em <http://nguyendangbinh.org/Proceedings/WCCI/2002/IJCNN02/PDFFil es/Papers/1171.pdf>, acessado em 12 de dezembro de 2011.

AIAG Automotive Industry Action Group. Measurement Systems Analysis – MSA: Reference manual . 4 th edition, 2010. 240 p.

AKISHINO, A. S.; FERNANDES, T. S. P. Manual didático. introdu- ção a circuitos elétricos. Universidade Federal do Paraná. Departamento de Engenharia Elétrica. 2006, 11 p.

ALBERTAZZI, A.; SOUSA, A. R. Fundamentos de metrologia cien- tífica e industrial. Malone, 2008. 407p.

ALLENDE, H.; ÑANCULEF, R.; SALA, R. Robust bootstrapping neural networks. MICAI 2004. Berlin, 2004, p. 813-822.

ARBIB, M. A. Backpropagation: general principles. The handbook of brain theory and neural networks. MIT press, 2003, p. 144-147. ARCAKLIOĞLU, E.; ÇAVUŞOĞLU, A.; ERIŞEN, A. Thermodynamic analyses of refrigerant mixtures using artificial neural networks. Ap- plied Energy, n 78, 2004, p. 219-230.

ASHRAE STANDARD. ANSI/ASHRAE 23-2005: Methods of testing for rating positive displacement refrigerant compressors and condensing units. Atlanta, EUA, 2005.

BARBOSA, F. Q. Redução de incertezas nas medições de grandezas elétricas em uma bancada de ensaio de desempenho de compresso- res. Florianópolis, 2006. Dissertação (Mestrado em Metrologia Científi- ca e Industrial) - Programa de Pós-graduação em Metrologia Científica e Industrial, Universidade Federal de Santa Catarina.

BARHEN, J. Reduction of uncertainties in neural network prediction of oil well logs. Proceedings of the IJCNN 02 International Joint Con- ference on Neural Networks, 12-17 May 2002.

BARRON, W. R. Princípios de termometria com infravermelho. Manual de referência técnica de temperatura. OMEGA, 2014. p. 68-71. BELLAZZI, R.; ABU-HANNA, A.; HUNTER, J. Artificial Intelli- gence in mecicine. 11 th Conference on artificial intelligence in medi- cine. July, 7-11, 2007. Amsterdam.

BIPM, IEC, IFCC, ILAC, ISO, IUPAC, IUPAP, OIML. JCGM 100: Evaluation of measurement data – Guide to the expression of uncertain- ty in measurement. Sep. 2008a. 134 p.

BIPM, IEC, IFCC, ILAC, ISO, IUPAC, IUPAP, OIML. JCGM 101: Supplement 1 to the “Guide to the expression of uncertainty in mea- surement” – Propagation of distributions using a Monte Carlo method. Sep. 2008b. 90 p.

BIPM, IEC, IFCC, ILAC, ISO, IUPAC, IUPAP, OIML. JCGM 200: International vocabulary of metrology – Basic and general concepts and associated terms. 2008c. 104 p.

BRABANTER, K. DE; BRABANTER, J. DE; SUYKENS, J. A. K. Approximate confidence and prediction intervals for least squares sup- port vector regression. IEEE Transaction on Neural Networks. Jan 2011. p 110-120

BRASZA, H. P. Benefits of using neural networks in price & promo- tional demand forecaster. Churchill Systems Inc. white paper #9. 2010. CARDOSO, R. B. Avaliação da economia de energia atribuída ao programa selo Procel em freezers e refrigeradores. Itajubá, 2008. Dissertação (Mestrado em Engenharia da Energia) – Programa de Pós- graduação em Ciências me Engenharia da Energia, Universidade Fede- ral de Itajubá.

CASELLA, A. V. Ferramenta fuzzy-bayesiana para identificação do instante de entrada no regime permanente em ensaios de desempe- nho de compressores. Florianópolis, 2008. Dissertação (Mestrado em Metrologia Científica e Industrial) - Programa de Pós-graduação em Metrologia Científica e Industrial, Universidade Federal de Santa Cata- rina.

CHRYSSOLOURIS, G.; LEE, M.; RAMSEY, A. Confidence interval prediction for neural network models. IEEE Transactions on Neural Networks, v. 7, i. 1, Jan. 1996.

COLORADO, D.; HERNÁNDEZ, J. A.; HAMZAOUI, Y.; BASSAN, A.; SIQUEIRO, J.; ANDEVERDE, J. Error propagation on COP predic- tion by artificial neural network in a water purification system integrated to an absorption heat transformer. Renewable energy. n. 36, 2011. p. 1315-1322.

COPPIN, B. Inteligência artificial. Rio de Janeiro, LTC, 2012.

CORAL, R.; FLESCH, C. A.; PENZ, C. A.; BORGES. M. R. Develop- ment of a committee of artificial neural networks for the performance testing of compressors for thermal machines in very reduced times. Metrology and Measurement Systems, 2014. Manuscrito submetido e aceito.

CORRÊA, L. C. Validação experimental de um conceito de padrão de capacidade de refrigeração para ensaio de desempenho de com- pressores. Florianópolis, 2013. Dissertação (Mestrado em Engenharia Mecânica) - Programa de Pós-graduação em Engenharia Mecânica, Universidade Federal de Santa Catarina.

COSTA, E. C. Refrigeração. 3. ed. São Paulo. Editora Edgard Blücher, 1982. 321 p.

COSTA, V. M. Análise das variáveis de entrada de uma rede neural usando teste de correlação e análise de correlação canônica. São Paulo, 2011. Dissertação (Mestrado em Ciência de Tecnologia Nuclear) – Programa de Pós-graduação em Engenharia em Ciência de Tecnologia Nuclear, Universidade de São Paulo.

DENCKER, F. A.; LENZI, A.; DIAS. A.. IV Congresso Brasileiro de Desenvolvimento de Produtos. Detecção de falha na montagem de compressores herméticos por redes neurais artificiais. Gramado, Brasil, out. 2003, p. 10

DEVORE, J. L. Probabilidade e estatística para engenharia e ciên- cias. Tradução Joaquim P. N. da Silva. Editora Thomson, São Paulo, 2006.

DIN – DEUTSCHES INSTITUT FÜR NORMUNG. EN 13771-1: