Autonomia de meios operativos para apoio à decisão em sistemas de comando e controle: uma abordagem preditiva e conceitual utilizando aprendizado de máquina.

Jesus, Valquire da Silva de

Repositório Institucional da Produção Científica da Marinha do Brasil (RI-MB)

Use este identificador para citar ou linkar para este item: https://www.repositorio.mar.mil.br/handle/ripcmb/847975

Registro completo de metadados

Campo DC	Valor	Idioma
dc.contributor.advisor	Lopes, Giseli Rabello	pt_BR
dc.contributor.advisor	Cordeiro, Kelli de Faria	pt_BR
dc.contributor.author	Jesus, Valquire da Silva de	-
dc.date.accessioned	2025-07-28T17:25:07Z	-
dc.date.available	2025-07-28T17:25:07Z	-
dc.date.issued	2025	-
dc.identifier.uri	https://www.repositorio.mar.mil.br/handle/ripcmb/847975	-
dc.description	Em cenários militares complexos, como aqueles enfrentados pela Marinha do Brasil (MB) em operações navais, o planejamentologístico exige exatidão, especialmentequanto àautonomia de meios operativos, entendida como a capacidade de operar sem reabastecimento externo. Essa autonomia depende de fatores como consumo de suprimentos, número de militares embarcados e condições de emprego das plataformas navais, operando em contextos apoiados por sistemas de Comando e Controle (C²). Embora técnicas de Aprendizado de Máquina (AM) sejam usadas para antecipar demandas logísticas, a heterogeneidade semântica dos dados e a falta de contextualização reduzem a eficácia de abordagens puramente quantitativas. Para enfrentar esses desafios, este trabalho propõe a abordagem ATOp (Autonomia de Meios Operativos), que integra Ontology-Driven Conceptual Modeling (ODCM) e AM para aprimorar a predição de autonomia. Fundamentada na Unified Foundational Ontology (UFO), a ATOp explicita o conhecimento logístico do domínio e viabiliza a segmentação semântica dos dados por meio da metacategoria ontológica Situation, que representa contextos relevantes ao comportamento operacional. Essa segmentação sustenta um pipeline de regressão com comitê de modelos (ensemble), que coordena múltiplos algoritmos especializados. A pesquisa incluiu o desenvolvimento da ATOp-NavalOntology, uma ontologia bem fundamentada, a engenharia de dados a partir de fontes heterogêneas da MB e a realização de experimentos com otimização bayesiana de hiperparâmetros e validação cruzada (k-fold), voltados à construção do ATOp-PredictiveModel. A avaliação utilizou métricas (R² e RMSE) e testes estatísticos (Friedman e Durbin-Conover) para garantir comparações confiáveis. Os resultados mostram que a combinação entre ontologias bem fundamentadas e AM estrutura os dados de forma a evidenciar padrões relevantes, melhora a capacidade preditiva e supera modelos isolados, como o Gradient Boosting, quando aplicados diretamente a dados brutos. O ATOp-PredictiveModel obteve o melhor poder de predição e menor custo computacional, apresentando diferenças estatisticamente significativas. Como contribuição, a ATOp oferece um modelo replicável que integra conhecimento semântico ao apoio à decisão em domínios operacionais sustentados por sistemas de C².	pt_BR
dc.language.iso	pt_BR	pt_BR
dc.publisher	Universidade Federal do Rio de Janeiro (UFRJ)	pt_BR
dc.rights	openAccess	pt_BR
dc.subject	Ontologia bem fundamentada	pt_BR
dc.subject	Aprendizado de máquina	pt_BR
dc.subject	Comando e controle	pt_BR
dc.subject	Autonomia	pt_BR
dc.subject	OntoUML	pt_BR
dc.title	Autonomia de meios operativos para apoio à decisão em sistemas de comando e controle: uma abordagem preditiva e conceitual utilizando aprendizado de máquina.	pt_BR
dc.type	bachelorThesis	pt_BR
dc.subject.dgpm	Operações	pt_BR
Aparece nas coleções:	Operações Navais: Coleção de Trabalhos de Conclusão de Curso

Arquivos associados a este item:

Arquivo	Descrição	Tamanho	Formato
CC Valquire_Dissertacao.pdf		6,42 MB	Adobe PDF	Visualizar/Abrir

Mostrar registro simples do item Visualizar estatísticas