This work presents bitHERO, a boolean game developed with the purpose of assisting, in a playful way, the learning of digital circuits, prioritizing initially the teaching of logic gates. The motivations for the development of the game, the resources used for it, and the dynamics of the game implemented are presented. Proposals for improvement and expansion of the game are also shown.Resumo. Este trabalho apresenta o bitHERO, um jogo boole desenvolvido com intuito de auxiliar, de forma lúdica, o aprendizado de circuitos digitais, priorizando inicialmente o ensino das portas lógicas. São apresentadas as motivações para o desenvolvimento do jogo, os recursos utilizados para isso, e a dinâmica do jogo implementado. Também são mostradas propostas de melhoria e ampliação do jogo.

Os sistemas de controle são essenciais em diversos campos da ciência e da engenharia, tais sistemas são utilizados nas mais variadas áreas da indústria (OGATA, 2010), além de veículos espaciais, sistemas robóticos, e operações da indústria que abrangem o controle de temperatura, vazão, pressão, estabilização e direção (NISE, 2009).O problema de projeto de controladores por realimentação de estados para sistemas lineares invariantes no tempo tem sido extensamente tratado na literatura de controle (DORF; BISHOP, 2009; NISE, 2009; OGATA, 2010). Quando se refere à alocação de polos, o problema consiste em assinalar um ganho de realimentação de estados de forma a alocar todos os polos do sistema em malha fechada no semiplano esquerdo aberto ou em uma região predeterminada do semiplano esquerdo do plano s (PRADO, 2006).O Sistema de Suspensão Ativa é um exemplo de sistema mecânico utilizado em automóveis e em aplicações industriais. As suspensões veiculares têm por finalidade sustentar, de forma adequada, o chassi do veículo, isolando as vibrações causadas por irregularidades do terreno; manter o contato dos pneus com o solo de modo a manter o carro o mais estável possível; e proporcionar melhor dirigibilidade e conforto aos seus ocupantes (CÔRTE-REAL, 2002).Este trabalho apresenta o projeto de um controlador por alocação de polos em realimentação de estados, aplicado a um Sistema de Suspensão Ativa.

No abstract

Os sistemas de controle são importantes em diversos campos da engenharia e da ciência, eles são utilizados nas mais diversas áreas da indústria (Ogata, 2009). Em veículos espaciais, sistemas robóticos, e operações industriais que envolvam o controle de temperatura, vazão, pressão, estabilização, direção, estão exemplos de sua utilização (Nise, 2009).A Teoria de Controle Robusto estuda métodos para a construção de controladores com o propósito de melhorar significativamente o desempenho de sistemas de controle complexos, aplicáveis especialmente à indústria (Almeida, 2013). Quando, no projeto do controlador, há o desejo de especular a existência de erros ou incertezas entre a planta real e o seu modelo matemático, tal teoria é empregada (Ogata, 2009).As suspensões veiculares têm por finalidade suportar, de forma adequada, o chassi do veículo, fazendo isolamento das vibrações causadas por irregularidades do terreno; manter o contato dos pneus com o solo de modo a manter o carro o mais estável possível; e proporcionar melhor dirigibilidade e conforto aos seus ocupantes (Côrte-real, 2002; Silva; Grandinetti, 2005).Este trabalho teve por objetivo descrever o projeto de um controlador robusto por alocação de polos aplicado a um Sistema de Suspensão Ativa. Como não foi possível fazer o projeto do controlador robusto, será apresentado o projeto do controlador por alocação de polos aplicado a esse Sistema.

Glomérulos são estruturas localizadas nos rins e responsáveis por filtrar o sangue e podem ser acometidos por diversas lesões, como a crescente glomerular, que é caracterizada por apresentar uma anormal proliferação de células. Neste trabalho, são avaliados diferentes modelos e condições de aplicação de deep learning na tarefa de classificação de imagens histopatológicas de crescente glomerular. Para isso, foram comparadas as redes pré-treinadas Xception, InceptionV3, MobileNet, VGG16 e ResNet50, aplicando-se para a classificação de imagens com glomérulos com crescente vs normais. Comparando acurácia, precisão, recall e f1-score dos modelos, a ResNet50 apresentou desempenho significativamente superior ao das demais redes, em todas as medidas. A aplicação de data augmentation não resultou em melhora significativa nos resultados neste caso. Em experimento de classificação de glomérulos crescentes vs não crescentes, adicionando imagens de três outras lesões à base de dados, a aplicação do Focal Loss, apresentou maior acurácia e precisão.