Júlio de Castro Vargas Fernandes

Idiomas

Áreas de atuação

Participação em eventos

Produções bibliográficas

• ANJOS, CARLOS EDUARDO MENEZES DOS ; DE MATOS, THAIS FERNANDES ; AVILA, MANUEL RAMON VARGAS ; FERNANDES, JULIO DE CASTRO VARGAS ; SURMAS, RODRIGO ; EVSUKOFF, ALEXANDRE GONÇALVES . Permeability estimation on raw micro-CT of carbonate rock samples using deep learning. Geoenergy Science and Engineering , v. 222, p. 211335, 2023.

• FERNANDES, JÚLIO DE CASTRO VARGAS ; DE MOURA JUNIOR, NATANAEL NUNES ; DE SEIXAS, JOSÉ MANOEL . Deep Learning Models for Passive Sonar Signal Classification of Military Data. Remote Sensing , v. 14, p. 2648, 2022.

• AVILA, MANUEL RAMÓN VARGAS ; OSORIO, LUANA NOBRE ; DE CASTRO VARGAS FERNANDES, JÚLIO ; BULCÃO, ANDRÉ ; PEREIRA-DIAS, BRUNO ; DE SOUZA SILVA, BRUNO ; BARROS, PABLO MACHADO ; LANDAU, LUIZ ; EVSUKOFF, ALEXANDRE G. . Migration Deconvolution via Deep Learning. PURE AND APPLIED GEOPHYSICS , v. 178, p. 1677-1695, 2021.

• FERNANDES, JULIO DE CASTRO VARGAS ; MOURA JUNIOR, NATANAEL NUNES ; SEIXAS, JOSÉ MANOEL . Análise de Amostras Sintéticas de Sinais de Sonar Passivo Geradas por Redes Neurais Generativas Adversariais. In: Congresso Brasileiro de Inteligência Computacional, 2020, Para. Anais do 14. Congresso Brasileiro de Inteligência Computacional, 2020. p. 1.

• FERNANDES, JULIO ; SEIXAS, JOSÉ ; JUNIOR, NATANAEL . Análise de modelos adversariais aplicados à classificação de sinais de Sonar Passivo. In: XXXVII Simpósio Brasileiro de Telecomunicações e Processamento de Sinais, 2019. Anais de XXXVII Simpósio Brasileiro de Telecomunicações e Processamento de Sinais.

• AVOLIO, G. ; ALEKSANDROV, I. ; KOTOV, V. ; LANKFORD, A. ; LAURENT, F. ; MIOTTO, G. L. ; MAGNONI, L. ; OLECHKO, S. ; PAPAEVGENIOU, L. ; RYABOV, Y. ; SANTOS, A. ; SCANNICCHIO, D. ; ANDERS, G. ; SEIXAS, J. M. D. ; SOLOVIEV, I. ; UNEL, G. ; YASU, Y. ; CAPRINI, M. ; CORSO-RADU, A. ; FERNANDES, J. C. V. ; et.al . Upgrade of the ATLAS Control and Configuration Software for Run 2. In: 21st International Conference on Computing in High Energy and Nuclear Physics, 2015, Okinawa. 21st International Conference on Computing in High Energy and Nuclear Physics (CHEP2015) Book of Abstract, 2015. p. 19-19.

• AVOLIO, G. ; ALEKSANDROV, I. ; ANDERS, G. ; CAPRINI, M. ; CORSO-RADU, A. ; FERNANDES, J. C. V. ; DASCANIO, M. ; DOVA, M. ; KAZAROV, A. ; KLOPOV, N. ; KOLOBARA, B. ; KOTOV, V. ; LANKFORD, A. ; LAURENT, F. ; MIOTTO, G. L. ; MAGNONI, L. ; OLECHKO, S. ; PAPAEVGENIOU, L. ; RYABOV, Y. ; SANTOS, A. ; et.al . Upgrade of the ATLAS Control and Configuration Software for Run 2. 2015. (Apresentação de Trabalho/Congresso).

• SEIXAS, J. M. D. ; FERNANDES, J. C. V. ; MOURA JUNIOR, N. N. ; FERREIRA, D. . Pré-processamento de Sinais: Explorando Estatística de Ordem Superior. 2015. (Apresentação de Trabalho/Congresso).

• ALEKSANDROV, I. ; ANDERS, G. ; AVOLIO, G. ; CAPRINI, M. ; CORSO-RADU, A. ; DASCANIO, M. ; FERNANDES, J. C. V. ; KAZAROV, A. ; KOLOBARA, B. ; LANKFORD, A. ; LAURENT, F. ; MIOTTO, G. L. ; MAGNONI, L. ; PAPAEVGENIOU, L. ; RYABOV, Y. ; SANTOS, A. ; SEIXAS, J. M. D. ; SOLOVIEV, I. ; UNEL, G. ; YASU, Y. ; et.al . The Control and Configuration Software of the ATLAS Data Acquisition System: Upgrades for LHC Run 2. 2015. (Apresentação de Trabalho/Congresso).

• FERNANDES, J. C. V. ; SEIXAS, J. M. D. ; MIOTTO, G. L. . Detection of data taking anomalies for the ATLAS experiment. 2015. (Apresentação de Trabalho/Congresso).

• SEIXAS, J. M. D. ; MOURA JUNIOR, N. ; FERNANDES, J. C. V. . Improving the DEMON analysis using Independent Component Analysis. 2013. (Apresentação de Trabalho/Congresso).

Outras produções

Projetos de pesquisa

• 2022 - 2024

  Diagnóstico auxiliado por computador para exclusão de tuberculose ativa em contatos de pacientes com tuberculose pulmonar quebrando a cadeia de transmissão, Descrição: Apesar de evitável e curável, a tuberculose (TB) ainda é a principal causa de morte por um único agente infeccioso no mundo. Diferentes estratégias para aumentar a detecção da TB e a conclusão do tratamento nas últimas duas décadas não permitiram atingir as metas dos Objetivos do Desenvolvimento Sustentável das Nações Unidas para incidência de TB e declínio da mortalidade. A OMS e as Nações Unidas têm agora metas específicas para eliminar a TB até 2050 (End TB Strategy), e o tratamento preventivo da TB (TPT) desempenha um papel estratégico para atingir essas metas. A prevenção da TB ativa através do tratamento da infecção latente por Mycobaterium tuberculosis (ILTB) é uma pedra angular para alcançar a eliminação da TB. A ILTB afeta cerca de 25 da população mundial e aqueles com alto risco de progressão para TB ativa, como pacientes com condições imunossupressoras ou com infecção recente, devem ser tratados para prevenir adoecimento. Os contatos de pacientes com TB pulmonar ativa são a maior população existente direcionada ao tratamento com ILTB. O passo da exclusão da TB ativa é um gargalo em muitos países de baixa e média renda (LMIC, da sigla em inglês), incluindo o Brasil. Atualmente, a OMS e o Ministério da Saúde do Brasil recomendam a triagem de sintomas e a radiografia de tórax (RxT). A indisponibilidade da RxT e a necessidade de especialistas para interpretar os resultados atrasam ou impedem a exclusão da TB e, portanto, o início do TPT. Alterações do parênquima pulmonar por doenças que não TB ativa incluem sequelas de TB (fibrose, bronquiectasias, cavidades, calcificações), doença pulmonar obstrutiva crônica, pneumonias agudas, tumores, adenomegalias entre outras. Diversas imagens pulmonares que aparecem nos pacientes com a COVID-19, que recentemente atingiu já milhares de pessoas no planeta e pode acometer mais de metade da população, mesmo sem provocar sintomas, podem permanecer como sequela pulmonar, dificultando ainda mais a interpretação da RxT. Neste projeto, pretendemos validar e desenvolver aplicativos para ler RxT de contatos e distinguir (a) padrões normais; (b) lesões parenquimatosas não relacionadas à TB e (c) lesões ativas da TB. O aplicativo é desenvolvido com reprodutibilidade e será disponibilizado para incorporação no SUS, sem custos. Isso permitiria a exclusão no mesmo dia da TB ativa e a possibilidade de prescrição de TPR. Para isso, trabalharemos com uma equipe multidisciplinar que incluirá especialistas em TB, saúde pública e engenheiros especializados em inteligência artificial. O aprendizado de máquina é baseado no aprendizado profundo e usaremos modelos de qualidade de dados para o desenvolvimento dos aplicativos, utilizando um banco de dados RxT normal, de participantes de dois ensaios clínicos de diferentes regimes para tratar LTBI além de bancos de dados disponíveis publicamente.. , Situação: Concluído; Natureza: Pesquisa. , Integrantes: Júlio de Castro Vargas Fernandes - Integrante / José Manoel de Seixas - Coordenador.

Projetos de desenvolvimento

• 2023 - Atual

  KrelIA: Aplicações de IA para Petrofísica e Inferência de Permeabilidade Relativa Utilizando Rocha Digital, Descrição: A permeabilidade relativa (krel) é um parâmetro petrofísico que desempenha um papel crítico na simulação de reservatórios. Entretanto, ensaios de laboratório para determinação de curvas de krel são complexos e demorados. Na literatura há diversas abordagens para previsão de krel e, recentemente, métodos baseados em aprendizado de máquina e inteligência artificial (IA) têm sido propostos. Ao mesmo tempo, a obtenção e utilização de imagens de CT têm sido cada vez mais frequente no contexto de fluxos de Rocha Digital, devido a possibilidade de obtenção de detalhes refinados da estrutura das rochas, de maneira não destrutiva. Diante disto, este projeto visa explorar o uso de diferentes técnicas de processamento de imagens em conjunto com a aplicação de algoritmos de aprendizado de máquina e de aprendizado profundo para o desenvolvimento de modelos de previsão de krel a partir de imagens de CT. Uma das abordagens que serão exploradas é a de extração de atributos a partir de imagens para sua posterior utilização por algoritmos de aprendizado de máquina. Além disso, metodologias que envolvam a aplicação direta de algoritmos de aprendizado profundo a partir das imagens também serão avaliadas. Espera-se com isto obter uma metodologia envolvendo o processamento dos dados e utilização de modelos de IA que seja capaz de prever propriedades de krel, dentro de limites aceitáveis de erro, a partir de imagens de CT, de forma mais rápida e com menor custo que os procedimentos de medição tradicionais.. , Situação: Em andamento; Natureza: Desenvolvimento. , Integrantes: Júlio de Castro Vargas Fernandes - Coordenador / Alexandre Gonçalves Evsukoff - Integrante.

• 2022 - 2022

  Técnicas de Aprendizagem Profunda para Processamento de Dados Sísmicos, Descrição: O objetivo deste projeto é consolidar os produtos previamente desenvolvidos. Na linha de classificação e atenuação de ruídos, os produtos desenvolvidos de classificação e atenuação de ruídos serão testados com dados reais de produção para sua homologação em ambiente operacional. Será desenvolvida uma interface gráfica para a utilização do modelo. Além disso, será investigada a capacidade de generalização do modelo para dados fora da distribuição de dados de treinamento. Na linha de migração por deconvolução, os resultados obtidos também precisam ser testados e aprimorados com resultados recentes de modelos de DL publicados na literatura. O projeto visa explorar novos métodos de DL como aprendizado auto supervisionado, modelos de DL informados pela física. No aprendizado auto supervisionado, os parâmetros do modelo são ajustados a partir de características internas dos dados. Nos modelos de DL informados pela física, o modelo é adaptado para respeitar as restrições impostas pelo problema físico adicionando assim informação de modelagem em problemas de aprendizado de máquina.. , Situação: Concluído; Natureza: Desenvolvimento. , Integrantes: Júlio de Castro Vargas Fernandes - Coordenador / Alexandre Gonçalves Evsukoff - Integrante.

• 2021 - Atual

  Criação do Centro de Referência em Rocha Digital, Descrição: Estudos avançados de física de rocha digital têm sido realizados com a utilização da microtomografia de raios x (TC). A TC produzem imagens de uma seção transversal de uma amostra pela reconstrução de uma matriz pelos seus respectivos coeficientes de atenuação de raios x, permitindo a avaliação das estruturas internas de amostras de rochas analisadas. Resultados recentes da literatura e os produtos desenvolvidos no projeto anterior demonstram o potencial de utilização de inteligência artificial em imagens de TC. O objetivo geral deste projeto é consolidar o Centro de Excelência em Rocha Digital como um núcleo de referência em inteligência artificial aplicada à física de rocha digital em nível nacional e internacional. Serão desenvolvidas novas tecnologias de inteligência artificial em três linhas de pesquisa: geração e processamento de imagens de TC; inteligência artificial baseada em modelos físicos e processamento de alto desempenho e simulação massivamente paralela.. , Situação: Em andamento; Natureza: Desenvolvimento. , Integrantes: Júlio de Castro Vargas Fernandes - Coordenador / Alexandre Gonçalves Evsukoff - Integrante.

• 2020 - 2021

  Plataforma online de inteligência artificial para o auxílio à tomada de decisão no diagnóstico de pacientes da COVID-19 baseado em imagens do pulmão, Descrição: O objetivo do projeto é o desenvolvimento do sistema CovidScan baseado em Inteligência Artificial, visa auxiliar o diagnóstico de pacientes da COVID-19 de forma rápida. O sistema será web podendo ser acessado do browser de qualquer dispositivo, e tem tecnologia embarcada de realidade aumentada que permite ao profissional apontar o celular ou tablete para a identificação do paciente e ver as imagens em 3D e o pré-diagnóstico de forma prática e imediata em seu dispositivo móvel. O CovidScan detecta se o paciente está infectado, estima a área comprometida pelo COVID-19, a porcentagem comprometida do órgão e o grau de gravidade do paciente através do imageamento do pulmão. Para isso, algoritmos de inteligência artificial serão desenvolvidos a partir de exames de pacientes doentes e saudáveis. Um aspecto crucial é a possibilidade de médicos fornecerem feedback para as predições errôneas, tornando possível o contínuo melhoramento do modelo através da integração do conhecimento especialista.. , Situação: Concluído; Natureza: Desenvolvimento. , Integrantes: Júlio de Castro Vargas Fernandes - Coordenador / Josias José da Silva - Integrante.

• 2019 - 2021

  Desenvolvimento de Técnicas de Machine Learning para Identificação de Fácies, a partir de Tomografia de Raios X de Rochas Carbonáticas, em Multiescala, para Análise de Escoamento de Fluidos, Descrição: O objetivo deste projeto é o desenvolvimento de novas técnicas de segmentação de volumes de imagens 3D de tomografia digital de rocha, de tal forma a permitir a identificação de fases homogêneas em amostras de testemunhos (whole core) ou plugs (core plug). Serão desenvolvidos e avaliados diversos algoritmos de machine learning para segmentação de volumes 3D cujos resultados serão utilizados como base para a modelagem da geometria do modelo numérico de simulação de fluxo. Propriedades extraídas de cada fase identificada na amostra serão utilizadas para o upscaling do modelo. O resultado da simulação, com base na geometria identificada pelo algoritmo de segmentação, será comparado com o resultado experimental de permeabilidade absoluta da amostra. Desta forma pode-se comparar os resultados dos algoritmos avaliados, fornecendo subsídios para o aprimoramento e automatização do processo de análise de TC de rochas.. , Situação: Concluído; Natureza: Desenvolvimento. , Integrantes: Júlio de Castro Vargas Fernandes - Coordenador / Alexandre Gonçalves Evsukoff - Integrante.

• 2019 - 2021

  Desenvolvimento e Avaliação de Técnicas de Aprendizagem Profunda para Processamento de Dados Sísmicos, Descrição: Modelos de redes neurais em camadas têm sido extensivamente empregadas em aplicações da indústria do petróleo desde a década de 1990. Recentemente, topologias com grande número de camadas têm obtido excelentes resultados em problemas de percepção como visão computacional, reconhecimento de fala e processamento de linguagem natural entre outros. Estes modelos, chamados de redes neurais de aprendizagem profunda (deep learning) conseguem extrair informações dos dados de entrada em diferentes níveis de abstração, por meio de camadas de processamento sequencial. O desempenho de redes neurais de aprendizagem profunda em problemas de percepção e processamento de imagens, sugere sua potencialidade para a análise e processamento de dados sísmicos.Este projeto aborda o problema de processamento sísmico com a utilização de técnicas de aprendizagem profunda (deep learning). Modelo de autocodificadores convolucionais profundos 2D e 3D para gerar uma representação (extração de atributos) para dados sísmicos.. , Situação: Concluído; Natureza: Desenvolvimento. , Integrantes: Júlio de Castro Vargas Fernandes - Integrante / Alexandre Gonçalves Evsukoff - Coordenador.