Lucas Pinto Rezende

Formação complementar

Participação em eventos

Projetos de pesquisa

• 2026 - Atual

  Sistema de Monitoramento Inteligente de Recursos Hídricos na Amazônia com Inteligência Artificial para região do Alto Solimões, Descrição: O projeto propõe o desenvolvimento de um sistema inteligente de monitoramento e previsão dos níveis dos rios do Alto Solimões, utilizando Inteligência Artificial para antecipar eventos extremos de cheias e secas. A partir de dados históricos de longo prazo, técnicas como ARIMA, Machine Learning e Redes Neurais serão aplicadas em conjunto com dados fluviométricos e imagens geoespaciais obtidas por drones, formando uma base de dados integrada e robusta. Os resultados esperados incluem o desenvolvimento de ferramentas tecnológicas de alerta precoce, a produção de conhecimento científico replicável para outras bacias hidrográficas e ações de capacitação das comunidades ribeirinhas e dos gestores públicos, contribuindo para o fortalecimento da resiliência climática e do desenvolvimento sustentável na Amazônia. , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Mestrado acadêmico: (1) Doutorado: (3) . , Integrantes: Lucas Pinto Rezende - Integrante / Edfram Rodrigues Pereira - Integrante / Edilson de Carvalho Filho - Coordenador / Arturo Samuel Gomez Insuasti - Integrante., Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Bolsa.

• 2022 - 2023

  Modelos de sobrevivência Bayesianos para censura intervalar via algoritmo de ampliação de dados, Descrição: A censura intervalar, característica de estudos longitudinais nos quais o momento exato da ocorrência de um evento é desconhecido, situando-se apenas dentro de um intervalo de tempo, representa um desafio recorrente na análise de sobrevivência. No contexto Bayesiano, uma estratégia eficaz para lidar com essa natureza incerta dos dados é o emprego de modelos semiparamétricos, como o Modelo Exponencial por Partes Potência (MEPP), que permite a inferência sob riscos proporcionais. A modelagem pode ser conduzida diretamente a partir dos intervalos observados ou, de forma particularmente vantajosa, por meio de um algoritmo de ampliação de dados, que gera pseudotempos de falha. Essa última abordagem destaca-se por sua solidez analítica, apoiada em formas fechadas das distribuições a posteriori, e pela flexibilidade computacional que oferece. A aplicação do MEPP a dois conjuntos de dados reais, sob ambas as perspectivas, produziu resultados significativos e metodologia replicável. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (2) . , Integrantes: Lucas Pinto Rezende - Integrante / Dionísio Alves Neto - Integrante / Paulo Cerqueira dos Santos Júnior - Coordenador.

• 2021 - 2022

  Solução de Equações Diferenciais de Alta Dimensão por Redes Neurais Artificiais com Deep Learning, Descrição: Para lidar com a alta volatilidade de sistemas modelados por equações diferenciais estocásticas (EDEs), cuja análise precisa é desafiadora, o trabalho emprega redes neurais de aprendizagem profunda na obtenção de soluções aproximadas para a equação de Hamilton-Jacobi-Bellman, uma EDE parabólica. Utilizando o método proposto por Raissi (2018), a função determinística de tempo e espaço é aproximada por uma rede neural profunda. Os resultados, obtidos com 100.000 épocas de treinamento, demonstraram boa precisão quando comparados à solução exata, inclusive para problemas em 100 dimensões. Conclui-se que as redes neurais profundas constituem uma abordagem promissora e eficaz para a resolução de equações diferenciais estocásticas, abrindo caminho para novas aplicações na área. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (2) / Doutorado: (1) . , Integrantes: Lucas Pinto Rezende - Integrante / Valcir Joao da Cunha Farias - Coordenador / Felipe Cavalcante do Rosário - Integrante., Financiador(es): FUNDACAO AMAZONIA DE AMPARO A ESTUDOS E PESQUISAS - FAPESPA - Bolsa.