REVISTA JÚNIOR DE INICIAÇÃO CIENTÍFICA EM CIÊNCIAS EXATAS E ENGENHARIA

Impact of Data-Oriented and Object-Oriented Design on Performance and Cache Utilization with Artificial Intelligence Algorithms in Multi-Threaded CPUs

Fri, 05 Dec 2025 00:00:00 +0000

The growing performance gap between multi-core CPUs and main memory necessitates hardware-aware software design paradigms. This study provides a comprehensive performance analysis of Data-Oriented Design (DOD) versus the traditional Object-Oriented Design (OOD), focusing on cache utilization and efficiency in multi-threaded environments. We developed and compared four distinct versions of the A* search algorithm: single-threaded OOD (ST-OOD), single-threaded DOD (ST-DOD), multi-threaded OOD (MT-OOD), and multi-threaded DOD (MT-DOD). The evaluation was based on metrics including execution time, memory usage, and CPU cache misses. In multi-threaded tests, the DOD implementation demonstrated considerable performance gains, with faster execution times and a lower number of raw system calls and cache misses. While OOD occasionally showed marginal advantages in memory usage or percentage-based cache miss rates, DOD’s efficiency in data-intensive operations was more evident. Furthermore, our findings reveal that for a fine-grained task like the A* algorithm, the overhead associated with thread management led to single-threaded versions significantly outperforming their multi-threaded counterparts in both paradigms. We conclude that even when performance differences appear subtle in simple algorithms, the consistent advantages of DOD in critical metrics highlight its foundational architectural superiority, suggesting it is a more effective approach for maximizing hardware efficiency in complex, large-scale AI and parallel computing tasks.

Monitoramento inteligente não invasivo de bloqueio em dutos de produção de fertilizantes

Jovania Menezes Dias — Fri, 05 Dec 2025 00:00:00 +0000

Este trabalho propõe uma abordagem inteligente para a previsão da sedimentação de fertilizantes em tubulações
industriais, utilizando aprendizado profundo e imagens térmicas. O acúmulo de sedimentos nas tubulações de fertilizantes, resultante da interação entre vapores e partículas, pode comprometer a eficiência operacional e gerar riscos à saúde dos trabalhadores envolvidos na limpeza desses dutos. Para mitigar esse problema, este trabalho apresenta uma solução não invasiva, composta pela combinação das técnicas de termografia infravermelha e redes neurais convolucionais para a previsão do nível de sedimentação e a reconstrução tridimensional nas tubulações afetadas. A metodologia utiliza um conjunto de dados sintéticos de imagens térmicas, obtidos através de simulações avançadas e um scanner 3D, para fornecer uma base diversificada de dados para treinamento do modelo. O modelo foi treinado em 100 épocas com imagens em tons de cinza, que demonstraram melhores resultados que as imagens RGB, devido a simplificação dos dados de entrada. Os resultados mostraram que o modelo foi capaz de prever o perfil geométrico da sedimentação nas tubulações, com maior acuracidade nas regiões centrais das tubulações, onde a variabilidade dos dados é menor. A reconstrução 3D das superf´ıcies a partir das imagens térmicas possibilitou uma análise detalhada da relação entre as variações térmicas e o acúmulo de sedimentos. Os testes demonstraram a eficácia da abordagem proposta, destacando seu potencial para aplicações industriais em sistemas de monitoramento e manutenção preditiva. Este estudo contribui para a implementação de soluções não invasivas, com baixo custo e alto desempenho, para a manuteção de sistemas industriais críticos.

Previsão de Preços de Ações no Mercado Brasileiro com Modelos Híbridos CNN-LSTM

Fri, 05 Dec 2025 00:00:00 +0000

A previsão de preços de ações é uma tarefa desafiadora devido à natureza volátil e não linear dos mercados financeiros. Este trabalho propõe e avalia um modelo híbrido de deep learning que combina Convolutional Neural Networks (CNN) e Long Short-Term Memory (LSTM) para prever o preço de fechamento de ações do mercado brasileiro. A metodologia empregada envolve a coleta de dados históricos diários do Yahoo Finance, o enriquecimento desses dados com indicadores de análise técnica e um pré-processamento cuidadoso. A CNN é utilizada para extrair características locais e padrões relevantes de janelas temporais, enquanto a LSTM modela as dependências temporais de longo prazo. O modelo foi treinado e validado com dados de múltiplas ações, demonstrando capacidade de seguir as tendências do mercado e gerar previsões futuras com erros controlados. Os resultados indicam que a arquitetura híbrida CNN-LSTM é uma ferramenta eficaz para a previsão de séries temporais financeiras.

Seleção de Estudantes para um Projeto de Pesquisa: uma aplicação do método AHP e da linguagem Python

Fri, 05 Dec 2025 00:00:00 +0000

A seleção de discentes para projetos de pesquisa nas Instituições de Ensino Superior é uma etapa fundamental para a formação acadêmica e o avanço científico, porém, frequentemente, conduzida de forma subjetiva, o que pode comprometer a eficácia do trabalho desenvolvido. Independentemente do tipo de bolsa ofertada, é necessário avaliar criteriosamente o perfil dos candidatos com base em critérios e subcritérios específicos. Nesse contexto, métodos de apoio à decisão multicritério (MCDM), como o Analytic Hierarchy Process (AHP), apresentam-se como ferramentas adequadas para tornar esse processo mais objetivo, sistemático e alinhado às exigências dos projetos de pesquisa. No presente trabalho é aplicado o método AHP, implementado em Python, para a seleção de um bolsista para um projeto de pesquisa. Os resultados obtidos apontam a eficácia do método AHP e do Python.