Camila Martins Saporetti

Idiomas

Áreas de atuação

Organização de eventos

Participação em eventos

Participação em bancas

Orientou

Produções bibliográficas

• CAMPOS, DEIVID ; ERVILHA, RICARDO ; DA SILVA MACÊDO, BRUNO ; BODINI, MATTEO ; Saporetti, Camila M. ; GOLIATT, LEONARDO . Automated machine learning for bio-oil yield prediction from lignocellulosic biomass pyrolysis. FUEL , v. 405, p. 136480, 2026.

• BORATTO, TALES ; BERNARDINO, HEDER SOARES ; VIEIRA, ALEX BORGES ; GONTIJO, TIAGO SILVEIRA ; BODINI, MATTEO ; MARTYUSHEV, DMITRIY A. ; SAPORETTI, CAMILA MARTINS ; CURY, ALEXANDRE ; BARBOSA, FLÁVIO ; GOLIATT, LEONARDO . An Agglomerative Clustering Combined with an Unsupervised Feature Selection Approach for Structural Health Monitoring. Infrastructures , v. 10, p. 32, 2025.

• NETO, GERALDO F. ; MACÊDO, BRUNO DA S. ; BORATTO, TALES H. A. ; GONTIJO, TIAGO SILVEIRA ; BODINI, MATTEO ; SAPORETTI, CAMILA ; GOLIATT, LEONARDO . Stratified Metamodeling to Predict Concrete Compressive Strength Using an Optimized Dual-Layered Architectural Framework. Mathematical And Computational Applications , v. 30, p. 16, 2025.

• BORATTO, TALES ; COSTA, GABRIEL DE OLIVEIRA ; MEIRELES, ALEXSANDRO ; ALVES, ANNA KLARA SÁ TELES ROCHA ; Saporetti, Camila M. ; BODINI, MATTEO ; CURY, ALEXANDRE ; GOLIATT, LEONARDO . Machine Learning with Evolutionary Parameter Tuning for Singing Registers Classification. Signals , v. 6, p. 9, 2025.

• MACÊDO, BRUNO DA SILVA ; WAYO, DENNIS DELALI KWESI ; CAMPOS, DEIVID ; DE SANTIS, RODRIGO BARBOSA ; MARTINHO, ALFEU DIAS ; YASEEN, ZAHER MUNDHER ; SAPORETTI, CAMILA MARTINS ; GOLIATT, LEONARDO . Data-driven total organic carbon prediction using feature selection methods incorporated in an automated machine learning framework. Scientific Reports , v. 15, p. 10658, 2025.

• FERREIRA, FERNANDO RODRIGUES TRINDADE ; DO COUTO, LOENA MARINS ; DE MELO BAPTISTA DOMINGUES, GUILHERME ; SAPORETTI, CAMILA MARTINS . Development of a framework using deep learning for the identification and classification of engagement levels in distance learning students. SOCIAL NETWORK ANALYSIS AND MINING , v. 15, p. 1, 2025.

• ALMEIDA, CÁSSIO DANELON DE ; FILGUEIRAS, THALES TOZATTO ; LAGARES, MOISÉS LUIZ ; MACÊDO, BRUNO DA SILVA ; SAPORETTI, CAMILA MARTINS ; BODINI, MATTEO ; GOLIATT, LEONARDO . A CNN-Based Method for Quantitative Assessment of Steel Microstructures in Welded Zones. Fibers , v. 13, p. 66, 2025.

• FRANCISCO, TULIO J. ; DA SILVA MACÊDO, BRUNO ; YASEEN, ZAHER MUNDHER ; NIKITIN, NIKOLAY O. ; BODINI, MATTEO ; GORGOGLIONE, ANGELA ; Saporetti, Camila M. ; GOLIATT, L. . Evolutionary polynomial modeling for interpretable drought prediction and resilient resource management. Ecological Informatics , v. 90, p. 103217, 2025.

• ESTORANI POLESSA, ANA CAROLINA ; TAVARES, GISELE GOULART ; MEDINA, RUAN ; SAPORETTI, CAMILA MARTINS ; GONTIJO, TIAGO SILVEIRA ; BODINI, MATTEO ; GOLIATT, LEONARDO ; CAPRILES, PRISCILA . A Computational Approach for Identifying Keywords Related to the 2030 Agenda for Sustainable Development Goals in a Brazilian Higher Education Institution. SOCIETIES , v. 15, p. 165, 2025.

• ECHTERNACHT, HENRIQUE ; CAMPOS, LUCIANA ; DE MARTINHO, ALFEU DIAS ; SOUZA, DANILO PINTO MOREIRA DE ; DE SANTIS, RODRIGO BARBOSA ; GONTIJO, TIAGO SILVEIRA ; BODINI, MATTEO ; GORGOGLIONE, ANGELA ; SAPORETTI, CAMILA MARTINS ; GOLIATT, LEONARDO . Convolutional neural networks with transfer learning for natural river flow prediction in ungauged basins. Scientific Reports , v. 15, p. 1, 2025.

• DA COSTA CABRAL, JULIANA ; ANTONIO DA SILVA, CLOVIS ; DE SOUZA, GRAZIONE ; MARTINS SAPORETTI, CAMILA . Uso de Métodos de Aprendizado de Máquina e Algoritmo Genético para Predição de TOC e Classificação de LitologiaUse of Machine Learning Methods and Genetic Algorithm for TOC Prediction and Lithology Classification. VETOR (FURG) , v. 35, p. e18357, 2025.

• Macêdo, Bruno S. ; LIMA, L. ; FONSECA, D. L. ; BORATTO, TALES H. A. ; SAPORETTI, C.M. ; FETOSHI, O. ; HAJRIZI, E. ; BYTYCI, P. ; AIRES, U. R. V. ; YONABA, R. ; CAPRILES, P. ; GOLIATT, L. . Evolutionary-Assisted Data-Driven Approach for Dissolved Oxygen Modeling: A Case Study in Kosovo. Earth , v. 6, p. 81, 2025.

• WAYO, DENNIS DELALI KWESI ; NOOR, MOHD ZULKIFLI BIN MOHAMAD ; GANJI, MASOUD DARVISH ; SAPORETTI, CAMILA MARTINS ; GOLIATT, LEONARDO . Q-DFTNet: A Chemistry-Informed Neural Network Framework for Predicting Molecular Dipole Moments via DFT-Driven QM9 Data. JOURNAL OF COMPUTATIONAL CHEMISTRY , v. 46, p. 1, 2025.

• ERVILHA, RICARDO ; CAMPOS, DEIVID ; DA SILVA MACÊDO, BRUNO ; BERTUOL, DANIEL A. ; TANABE, EDUARDO H. ; YASEEN, ZAHER MUNDHER ; BODINI, MATTEO ; Saporetti, Camila M. ; GOLIATT, LEONARDO . Bayesian optimization-guided machine learning models for bio-oil yield prediction from lignocellulosic biomass pyrolysis. BIOMASS & BIOENERGY , v. 203, p. 108280, 2025.

• CAMPOS, DEIVID ; DA SILVA MACÊDO, BRUNO ; AL-KHAFAJI, ZAINAB ; BOZKURT, MELIKE AKTA' ; KAYRAL, 'HSAN ERDEM ; GONTIJO, TIAGO SILVEIRA ; BODINI, MATTEO ; Saporetti, Camila M. ; GOLIATT, LEONARDO . Assessment of AutoML frameworks for predicting compressive and flexural strength of recycled aggregate concrete. Materials Today Sustainability , v. 31, p. 101200, 2025.

• FERREIRA, FERNANDO RODRIGUES TRINDADE ; COUTO, LOENA MARINS DO ; SAPORETTI, CAMILA MARTINS . Using deep learning applied in computer vision for the inclusion of individuals with tetraplegia through assistive robotics via facial features. SOFT COMPUTING , v. 1, p. 1, 2025.

• AMARAL, ROGER DA COSTA ; SAPORETTI, CAMILA MARTINS . TECNOLOGIAS UTILIZADAS NO PROCESSO DE REABILITAÇÃO DE PESSOAS TETRAPLÉGICAS: UMA REVISÃO SISTEMÁTICA DA LITERATURA. CONTEMPORÂNEA - REVISTA DE ÉTICA E FILOSOFIA POLÍTICA , v. 4, p. 1282-1302, 2024.

• MACEDO, B. S. ; SAPORETTI, C.M. . Uso de técnicas de aprendizado de máquina para predição do tempo de graduação dos discentes de Engenharia da Computação na região Sudeste do Brasil. REVISTA BRASILEIRA DE COMPUTAÇÃO APLICADA , v. 16, p. 26, 2024.

• MACEDO, B. S. ; SAPORETTI, C.M. . Energy Demand Prediction Using Computational Intelligence Techniques. LATIN-AMERICAN JOURNAL OF COMPUTING , v. XI, p. 80, 2024.

• CAMPOS, DEIVID ; WAYO, DENNIS DELALI KWESI ; DE SANTIS, RODRIGO BARBOSA ; MARTYUSHEV, DMITRIY A. ; YASEEN, ZAHER MUNDHER ; DURU, UGOCHUKWU ILOZURIKE ; Saporetti, Camila M. ; GOLIATT, LEONARDO . Evolutionary automated radial basis function neural network for multiphase flowing bottom-hole pressure prediction. FUEL , v. 377, p. 132666, 2024.

• LEANDRO, FRANCIELE R. ; CHRISTO, ELIANE DA S. ; COSTA, KELLY A. ; GOLIATT, LEONARDO ; KIFFER, WELINGTON ; DOS SANTOS, LUIZA ; DE SOUZA, DANILO P. M. ; Saporetti, Camila M. . An alert system for flood forecasting based on multiple seasonal holt-winters models: a case study of southeast Brazil. SUSTAINABLE WATER RESOURCES MANAGEMENT , v. 10, p. 171, 2024.

• BORATTO, TALES H. A. ; Saporetti, Camila M. ; BASILIO, SAMUEL C. A. ; CURY, ALEXANDRE A. ; GOLIATT, LEONARDO . Data-driven cymbal bronze alloy identification via evolutionary machine learning with automatic feature selection. JOURNAL OF INTELLIGENT MANUFACTURING , v. 35, p. 257-273, 2024.

• BASÍLIO, SAMUEL DA COSTA ALVES ; Saporetti, Camila M. ; GOLIATT, LEONARDO . An interdependent evolutionary machine learning model applied to global horizontal irradiance modeling. NEURAL COMPUTING & APPLICATIONS , v. 1, p. 1, 2023.

• MARTINHO, ALFEU D. ; Saporetti, Camila M. ; GOLIATT, LEONARDO . Approaches for the short-term prediction of natural daily streamflows using hybrid machine learning enhanced with grey wolf optimization. HYDROLOGICAL SCIENCES JOURNAL-JOURNAL DES SCIENCES HYDROLOGIQUES , v. 68, p. 16-33, 2023.

• SAPORETTI, C. M. ; FONSECA, D. L. ; OLIVEIRA, L. C. ; PEREIRA, E. ; GOLIATT, L. . Machine learning with model selection to predict TOC from mineralogical constituents: case study in the Sichuan Basin. International Journal of Environmental Science and Technology , v. 20, p. 1585-1596, 2023.

• GOLIATT, LEONARDO ; SAPORETTI, C.M. ; OLIVEIRA, L.C. ; PEREIRA, E. . Performance of evolutionary optimized machine learning for modeling total organic carbon in core samples of shale gas fields. Petroleum , v. 10, p. 1, 2023.

• GOLIATT, L. ; SAPORETTI, C.M. ; PEREIRA, E. . Super learner approach to predict total organic carbon using stacking machine learning models based on well logs. FUEL , v. 353, p. 128682, 2023.

• SILVA, RODRIGO OLIVEIRA ; SAPORETTI, CAMILA MARTINS ; YASEEN, ZAHER MUNDHER ; PEREIRA, EGBERTO ; GOLIATT, LEONARDO . An approach for total organic carbon prediction using convolutional neural networks optimized by differential evolution. NEURAL COMPUTING & APPLICATIONS , v. 35, p. 1, 2023.

• MACEDO, B. S. ; SAPORETTI, C. M. . Analysis of the Impact of the Pandemic on Social Inequalities in Enem 2019 and 2020 using Machine Learning. SEMINA. CIÊNCIAS EXATAS E TECNOLÓGICAS (ONLINE) , v. 44, p. 1, 2023.

• SAPORETTI, C. M. ; FONSECA, D. L. ; OLIVEIRA, L. C. ; PEREIRA, E. ; GOLIATT, L. . Hybrid machine learning models for estimating total organic carbon from mineral constituents in core samples of shale gas fields. MARINE AND PETROLEUM GEOLOGY , p. 105783, 2022.

• BASÍLIO, SAMUEL DA COSTA ALVES ; SAPORETTI, CAMILA MARTINS ; YASEEN, ZAHER MUNDHER ; GOLIATT, LEONARDO . Global horizontal irradiance modeling from environmental inputs using machine learning with automatic model selection. ENVIRONMENTAL DEVELOPMENT , v. 44, p. 100766, 2022.

• SAPORETTI, C. M. ; FONSECA, L. G. ; PEREIRA, EGBERTO . Neural network boosted with differential evolution for lithology identification based on well logs information. Earth Science Informatics , v. 14, p. 133-140, 2021.

• SAPORETTI, C. M. ; FONSECA, L. G. ; PEREIRA, EGBERTO . A Lithology Identification Approach Based on Machine Learning With Evolutionary Parameter Tuning. IEEE Geoscience and Remote Sensing Letters , v. 16, p. 1819-1823, 2019.

• SAPORETTI, CAMILA MARTINS ; DA FONSECA, LEONARDO GOLIATT ; PEREIRA, EGBERTO ; DE OLIVEIRA, LEONARDO COSTA . Machine learning approaches for petrographic classification of carbonate-siliciclastic rocks using well logs and textural information. JOURNAL OF APPLIED GEOPHYSICS , v. 155, p. 217-225, 2018.

• SAPORETTI, C. M. ; DUARTE, G. R. ; FONSECA, T. L. ; FONSECA, L. G. ; PEREIRA, E. . Extreme Learning Machine combined with a Differential Evolution algorithm for lithology identification. REVISTA DE INFORMÁTICA TEÓRICA E APLICADA: RITA , v. 25, p. 43, 2018.

• Macêdo, Bruno S. ; BORATTO, TALES H. A. ; Saporetti, Camila M. ; GOLIATT, LEONARDO . A Review of Deformations Prediction for Oil and Gas Pipelines Using Machine and Deep Learning. Studies in Systems, Decision and Control. 1ed.: Springer Nature Switzerland, 2024, v. 547, p. 289-317.

• BASILIO, S. C. A. ; SILVA, R. O. ; SAPORETTI, C. M. ; GOLIATT, L. . Modeling Global Solar Radiation Using Machine Learning with Model Selection Approach: A Case Study in Tanzania. In: Subarna Shakya; Klimis Ntalianis; Khaled A. Kamel. (Org.). Lecture Notes on Data Engineering and Communications Technologies: Mobile Computing and Sustainable Informatics. 1ed.: , 2022, v. 126, p. 155-168.

• Saporetti, Camila M. ; Rosa, Iago G. L. ; Carvalho, Ruan M. ; PEREIRA, EGBERTO ; da Fonseca, Leonardo G. . Hybrid Unsupervised Extreme Learning Machine Applied to Facies Identification. Advances in Intelligent Systems and Computing. 1ed.: Springer Singapore, 2021, v. , p. 319-326.

• MACEDO, B. S. ; SAPORETTI, C. M. . Classificação de Litologia utilizando técnicas de aprendizado de máquina e colônia articial de abelhas. In: XVII Encontro Acadêmico de Modelagem Computacional, 2024, Petrópolis. EAMC2024 XVII Encontro Acadêmico de Modelagem Computacional, 2024.

• MACEDO, B. S. ; MACEDO, P. S. ; LIMA, C. M. V. ; DIAS, P. M. ; SAPORETTI, C. M. ; GOLIATT, L. . Socioeconomic Analysis of students who took the Enem between 2019 and 2022 using Machine Learning. In: XLV Ibero-Latin American Congress on Computational Methods in Engineering, 2024, Alagoas. 2024: XLV Ibero-Latin American Congress on Computational Methods in Engineering, 2024.

• CABRAL, J. C. ; SILVA, C. A. ; BOY, G. S. ; SAPORETTI, C.M. . Utilização de Técnicas de Aprendizado de Máquina Otimizadas para Predição de TOC e Classificação de Litologia. In: XXVII Encontro Nacional de Modelagem Computacional e XV Encontro de Ciência e Tecnologia de Materiais, 2024, Ilhéus. Anais do Encontro Nacional de Modelagem Computacional e Encontro de Ciência e Tecnologia de Materiais, 2024.

• MACEDO, B. S. ; SAPORETTI, C.M. . PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA UTILIZANDO TÉCNICAS DE INTELIGÊNCIA COMPUTACIONAL. In: XXVI Encontro Nacional de Modelagem Computacional e XIV Encontro de Ciência e Tecnologia dos Materiais, 2023, Nova Friburgo. Anais do XXVI Encontro Nacional de Modelagem Computacional e XIV Encontro de Ciência e Tecnologia dos Materiais, 2023.

• SAPORETTI, C. M. ; FONSECA, L. G. ; OLIVEIRA, L. C. ; PEREIRA, E. . Computational Intelligence Techniques and Phylogenetic Trees for Identification of Sedimentary Petrofacies. In: XV Encontro Nacional de Inteligência Artificial e Computacional, 2018, São Paulo. Anais do XV Encontro Nacional de Inteligência Artificial e Computacional, 2018.

• SAPORETTI, C. M. ; GOLIATT, L. ; OLIVEIRA, L. C. ; PEREIRA, E. . Comparação de Técnicas de Inteligência Computacional para a Classificação de Petrofácies Sedimentares. In: 8ºCongresso Brasileiro de P&D em Petróleo e Gás - PDPETRO, 2015, Curitiba. 8ºCongresso Brasileiro de P&D em Petróleo e Gás, 2015.

• SAPORETTI, C. M. ; GOLIATT, L. ; OLIVEIRA, L. C. ; E. Pereira . Comparação de métodos de classificação para análise de dados petrográficos. In: XXXVI Iberian Latin-American Congress on Computational Methods in Engineering, 2015, Rio de Janeiro. XXXVI Iberian Latin-American Congress on Computational Methods in Engineering, 2015.

• Camila M. Saporetti ; CEVOLANI, J. T. ; GOLIATT, L. ; OLIVEIRA, L. C. ; PEREIRA, E. . Comparação de métodos de agrupamento para classificação de dados petrográficos. In: XI Simpósio de Mecânica Computacional (SIMMEC)/II Encontro Mineiro de Modelagem Computacional (EMMCOMP, 2014, Juiz de Fora. SIMMEC/EMMCOMP 2014, 2014.

• SAPORETTI, C. M. ; GOLIATT, L. ; Juliana T. Celovani ; OLIVEIRA, L. C. ; E. Pereira . Desenvolvimento de uma metodologia computacional pa ra identificação e classificação automática de petrofácies sedimentares em reservatórios de óleo e gás. In: XXXIV Ibero-Latin American Congress on Computational Methods in Engineering, 2013, Pirenópolis. Cilamce 2013, 2013.

• SAPORETTI, C. M. ; CEVOLANI, J. T. ; GOLIATT, L. ; OLIVEIRA, L. C. ; PEREIRA, E. . Computational Methods for Identification of Clusters in Petrographic Data. In: VIII Pan-American WorkShop: Applied and Computational Mathematics, 2014, Barranquilla. VIII Pan-AmericanWorkshop AppliedandComputationalMathematics, 2014.

• SAPORETTI, C.M. ; LIBOTTE, G. B. ; FARIA, D. F. . Mesa Redonda - Jovens Pesquisadores. 2025. (Apresentação de Trabalho/Conferência ou palestra).

• SAPORETTI, C.M. . Inteligência Artificial na P&D Petróleo e Gás. 2025. (Apresentação de Trabalho/Conferência ou palestra).

• CABRAL, J. C. ; SILVA, C. A. ; BOY, G. S. ; SAPORETTI, C.M. . Utilização de Técnicas de Aprendizado de Máquina Otimizadas para Predição de TOC e Classificação de Litologia. 2024. (Apresentação de Trabalho/Congresso).

• SILVA, J. A. ; SAPORETTI, C. M. . Pensamento Negro Podcast. 2024. (Apresentação de Trabalho/Congresso).

• SAPORETTI, C. M. . Inteligência Artificial: Heroína ou Vilã. 2024. (Apresentação de Trabalho/Conferência ou palestra).

• SAPORETTI, C. M. . Ciência de Dados: perspectivas profissionais e o futuro da análise de dados. 2024. (Apresentação de Trabalho/Conferência ou palestra).

• SAPORETTI, C.M. . Uso da Inteligência Artificial nos Dias Atuais: Prós e Contras. 2024. (Apresentação de Trabalho/Conferência ou palestra).

• SAPORETTI, C. M. . Mesa-redonda - Carreira em Ciência de Dados. 2024. (Apresentação de Trabalho/Conferência ou palestra).

• MACEDO, B. S. ; SAPORETTI, C. M. . PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA UTILIZANDO TÉCNICAS DE INTELIGÊNCIA COMPUTACIONAL. 2023. (Apresentação de Trabalho/Congresso).

• SAPORETTI, C. M. . Mulheres, Ciências Exatas e Inteligência Artificial. 2023. (Apresentação de Trabalho/Conferência ou palestra).

• SAPORETTI, C. M. . Aula Magna. 2023. (Apresentação de Trabalho/Conferência ou palestra).

• SAPORETTI, C. M. ; GOLIATT, L. ; OLIVEIRA, L. C. ; PEREIRA, E. . Computational Intelligence Techniques and Phylogenetic Trees for Identification of Sedimentary Petrofacies. 2018. (Apresentação de Trabalho/Congresso).

• Saporetti, Camila M. . Determinação de Litologia em Poços de Petróleo através de Dados de Registros: uma abordagem baseada em Inteligência Computacional. 2018. (Apresentação de Trabalho/Conferência ou palestra).

• SAPORETTI, C. M. ; GOLIATT, L. ; OLIVEIRA, L. C. ; PEREIRA, E. . Comparação de Técnicas de Inteligência Computacional para a Classificação de Petrofácies Sedimentares. 2015. (Apresentação de Trabalho/Congresso).

• SAPORETTI, C. M. ; GOLIATT, L. ; OLIVEIRA, L. C. ; PEREIRA, E. . Comparação de métodos de classificação para análise de dados petrográficos. 2015. (Apresentação de Trabalho/Congresso).

• SAPORETTI, C. M. ; Juliana T. Celovani ; GOLIATT, L. ; OLIVEIRA, L. C. ; PEREIRA, E. . Computational Methods for Identification of Clusters in Petrographic Data. 2014. (Apresentação de Trabalho/Congresso).

• SAPORETTI, C. M. ; Juliana T. Celovani ; GOLIATT, L. ; OLIVEIRA, L. C. ; E. Pereira . Comparação de métodos de agrupamento para classificação de dados petrográficos. 2014. (Apresentação de Trabalho/Simpósio).

• Camila M. Saporetti ; GOLIATT, L. ; Juliana T. Celovani ; OLIVEIRA, L. C. ; E. Pereira . Desenvolvimento de uma metodologia computacional pa ra identificação e classificação automática de petrofácies sedimentares em reservatórios de óleo e gás. 2013. (Apresentação de Trabalho/Congresso).

• WAYO, D. ; KUDRYASHOV, V. ; KARIBAYEV, M. ; FYNN, G. E. ; RAFIKOVA, K. ; SAPORETTI, C.M. ; GOLIATT, L. ; NURAJE, N. . Exploring Quantum-Dot Engineered Solid-State Photon Upconversion in PbS: Y b 3 + , E r 3 + /CuBiO Using Density Functional Theory and Machine Learning Methods for Water Splitting. Arxiv, 2024 (Preprint).

Outras produções

Projetos de pesquisa

• 2024 - Atual

  Edital Faperj n 13/2023 (10.432/2024-APQ1) - Abordagens híbridas de Inteligência Artificial para Modelagem Energética, Descrição: O processo de modelagem energética para verificar disponibilidade, nível de produção geralmente é longo, o que faz com que a automatização seja necessária para agilizar o processo. Nesse contexto, técnicas de inteligência artificial aparecem como uma alternativa para auxiliar na modelagem energética. Este projeto objetiva o desenvolvimento de um modelo híbrido computacional baseado no uso de técnicas de inteligência artificial com a capacidade de extrair informações de dados de recursos naturais de forma que auxilie os especialistas na modelagem energética. Para atingir o objetivo, serão combinados algoritmos supervisionados com metaheurísticas para encontrar parâmetros ótimos, e técnicas de visualização científica.. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Camila Martins Saporetti - Coordenador / Fernando Rodrigues Trindade Ferreira - Integrante / Rodrigo Lamblet Mafort - Integrante.

• 2024 - Atual

  Chamada CNPq/MCTI/FNDCT No 22/2024 - Desenvolvimento de métodos numéricos para cálculos de transporte de partículas neutras segundo o modelo linear generalizado de Boltzmann com técnicas computacionais inovadoras, Descrição: O transporte de partículas neutras possui aplicações importantes em vários campos daengenharia nuclear. Propomos neste projeto, desenvolver e implementar métodos numéricosdeterminísticos em cálculos de transporte clássico e não-clássico de partículas neutras comtécnicas de inteligência artificial (IA) para aumentar a eficiência dos códigos computacionais desenvolvidos, sem perda da precisão desejada na solução gerada. Nos modelos do transporte clássico de partículas neutras, focaremos nossa atenção nos métodos espectronodais de Matriz Resposta aplicáveis a meios multiplicativos e não-multiplicativos na formulação de ordenadas discretas (Sn) de ordem N, multigrupo de energia, em geometria cartesiana. Nos modelos do transporte não-clássico de partículas neutras, focaremos nossa atenção (i) na metodologia espectral (spectral approach) que se fundamenta na expansão do fluxo angular não-clássico, solução da equação linear generalizada de Boltzmann (GLBE), em polinômios de Laguerre de grau M na variável s (distância percorrida pela partícula desde sua interação anterior: nascimento ou colisão); (ii) no uso do modelo Sn de ordem N para aproximar a equação de transporte, com característica clássica, resultante daquela expansão para cada momentum de Laguerre, e (iii) nos métodos espectronodais de Matriz Resposta aplicáveis a meios multiplicativos e não-multiplicativos na formulação Sn, multigrupo de energia. As técnicas de IA para análise dos dados de cada problema serão estudadas para gerarem recomendações nos códigos computacionais da ordem N da formulação Sn e de adaptação das grades de discretização espacial para regiões do domínio nos modelos clássicos e não- clássicos de transporte. Ademais, nos modelos não-clássicos essas técnicas de IA serão também estudadas para gerarem recomendações da ordem M da expansão truncada do fluxo não- clássico em polinômios de Laguerre.. , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (1) / Mestrado acadêmico: (2) / Doutorado: (5) . , Integrantes: Camila Martins Saporetti - Coordenador / Hermes Alves Filho - Integrante / Ricardo Carvalho de Barros - Integrante / Richard Vasques - Integrante / Leonardo Rodrigues da Costa Moraes - Integrante / Fernando Carvalho da Silva - Integrante / Alan Souza da Silva - Integrante / Lisa Susana Enomoto - Integrante / Natália Rocha Pinheiro - Integrante / Rafael Barbosa Libotte - Integrante / Sunday Arome Agbo - Integrante / Caio Amaro de Oliveira - Integrante / Daniel Perdigón Cuellar - Integrante., Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro.

• 2023 - 2023

  XXVI Encontro Nacional de Modelagem Computacional, Descrição: Edital FAPERJ N 06/2023 - Programa de Apoio à Organização de Eventos Científicos, Tecnológicos e de Inovação no Estado do RJ - Este projeto tem por finalidade obter recursos da Fundação Carlos Chagas Filho de Amparo à Pesquisa do Estado do Rio de Janeiro (FAPERJ) por meio do Edital FAPERJ N 06/2023 Programa de Apoio à Organização de Eventos Científicos, Tecnológicos e de Inovação no Estado do RJ para permitir a realização da edição de 2023 do XXVI Encontro Nacional de Modelagem Computacional (XXVI ENMC) e do XIV Encontro de Ciência e Tecnologia de Materiais (XIV ECTM), ambos eventos de abrangência nacional de maneira presencial. Estes dois eventos ocorrem simultaneamente e tem caráter multi e interdisciplinar, reunindo pesquisadores que atuam em Modelagem Computacional e em Ciência e Tecnologia de Materiais, gerando um fórum de discussão nas respectivas áreas do conhecimento. O evento será realizado de 25/10/2023 a 27/10/2023 na cidade de Nova Friburgo e é organizado por professores, pesquisadores e alunos do Programa de Pós-Graduação em Modelagem Computacional (PPGMC) do Instituto Politécnico da Universidade do Estado do Rio de Janeiro (IPRJ-UERJ). A presente proposta tem um valor de R$ 73.499,38 (setenta e três mil, quatrocentos e quarenta e nove reais e trinta e oito centavos).. , Situação: Concluído; Natureza: Pesquisa. , Integrantes: Camila Martins Saporetti - Integrante / Diego Campos Knupp - Integrante / Gustavo Barbosa Libotte - Integrante / Fran Sérgio Lobato - Integrante / Dany Sanchez Dominguez - Integrante / Gustavo Mendes Platt - Integrante / Ivan Napoleão Bastos - Integrante / Luis César Rodríguez Aliaga - Integrante / Mônica Calixto de Andrade - Integrante / Germano Amaral Monerat - Coordenador / Alexandre Santos Francisco - Integrante / Carolina Seixas Moreira - Integrante / Celso Vieira Abud - Integrante / Daniela Buske - Integrante / Francisco Bruno Souza Oliveira - Integrante / Hermes Alves Filho - Integrante / Julio Cesar Guimarães Tedesco - Integrante / Letícia dos Santos Aguilera - Integrante / Luiz Alberto da Silva Abreu - Integrante / Marcelo Lisboa Rocha - Integrante / Rafael Duarte Coelho dos Santos - Integrante., Financiador(es): Fundação Carlos Chagas Filho de Amparo à Pesquisa do Estado do RJ - Auxílio financeiro.

• 2021 - Atual

  Modelagem Matemática e Computacional de Bacias Sedimentares, Descrição: Este projeto tem como objetivo apresentar um modelo computacional para análises de escopo geológico, baseado em dados petrográficos e técnicas de mineração de dados. O objetivo é aperfeiçoar o agrupamento e a interpretação dos mesmos, de forma a otimizar o processo exploratório de hidrocarbonetos. Os dados serão provenientes da descrição em microscópio de lâminas delgadas de testemunhos. O processo de análise desta base de dados por vezes é muito longa e nem toda informação é aproveitada, em razão do excesso de dados que se tem em mãos. Com isso torna-se necessário o uso de técnicas de mineração de dados para a criação de um modelo expresso como um código computacional, utilizado para classificação, predição, estimação ou outras tarefas. O uso dos algoritmos de agrupamento, no contexto geológico em questão, proporciona uma melhor individualização das características principais de um determinado grupo de rochas, facilitando o mapeamento de heterogeneidades. Dessa maneira, algumas relações e interações na diagênese de rochas siliciclásticas são elucidadas, as quais serão úteis na exploração e posterior produção de campos de petróleo.. , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (1) . , Integrantes: Camila Martins Saporetti - Integrante / Leonardo C. Oliveira - Integrante / Leonardo Goliatt da Fonseca - Coordenador / Egberto Pereira - Integrante / Rodrigo Oliveira Silva - Integrante.

• 2013 - 2014

  COMPARAÇÃO DE ALGORITMOS PARA A CLASSIFICAÇÃO AUTOMÁTICA DE PETROFÁCIES SEDIMENTARES EM POÇOS DE EXPLORAÇÃO DE PETRÓLEO, Situação: Concluído; Natureza: Pesquisa. , Integrantes: Camila Martins Saporetti - Integrante / Leonardo Goliatt - Coordenador.

• 2012 - 2013

  TÉCNICAS DE MINERAÇÃO DE DADOS PARA VISUALIZAÇÃO E CLASSIFICAÇÃO AUTOMÁTICA DE PETROFÁCIES SEDIMENTARES EM POÇOS DE EXPLORAÇÃO DE PETRÓLEO, Situação: Concluído; Natureza: Pesquisa. , Integrantes: Camila Martins Saporetti - Integrante / Leonardo Goliatt - Coordenador.

Prêmios