Menu

Filtros : "PyCaret" Limpar

  • 1

1 - 2 (2 records)

  • Trabalho de Conclusão de Curso (Graduação)

    A classificação de faltas em linhas de transmissão com alta penetração de fontes eólicas interfaceadas por inversores: uma abordagem via Machine Learning (2025)

    Oliveira, Daniel Fagundes; Oleskovicz, Mario (Orientador)

    Unidade: EESC

    Subjects: TRANSFORMADA DE FOURIER, SISTEMAS ELÉTRICOS DE POTÊNCIA, PROTEÇÃO DE SISTEMAS ELÉTRICOS, ENERGIA EÓLICA, APRENDIZADO COMPUTACIONAL

    Versão PublicadaHow to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

    • ABNT

      OLIVEIRA, Daniel Fagundes. A classificação de faltas em linhas de transmissão com alta penetração de fontes eólicas interfaceadas por inversores: uma abordagem via Machine Learning. 2025. Trabalho de Conclusão de Curso (Graduação) – Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos, 2025. Disponível em: https://bdta.abcd.usp.br/directbitstream/c1b01eb9-b4ea-48f1-8b01-e5b45cfe5f56/Oliveira_Daniel_Fagundes.pdf. Acesso em: 19 jan. 2026.

    • APA

      Oliveira, D. F. (2025). A classificação de faltas em linhas de transmissão com alta penetração de fontes eólicas interfaceadas por inversores: uma abordagem via Machine Learning (Trabalho de Conclusão de Curso (Graduação). Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos. Recuperado de https://bdta.abcd.usp.br/directbitstream/c1b01eb9-b4ea-48f1-8b01-e5b45cfe5f56/Oliveira_Daniel_Fagundes.pdf

    • NLM

      Oliveira DF. A classificação de faltas em linhas de transmissão com alta penetração de fontes eólicas interfaceadas por inversores: uma abordagem via Machine Learning [Internet]. 2025 ;[citado 2026 jan. 19 ] Available from: https://bdta.abcd.usp.br/directbitstream/c1b01eb9-b4ea-48f1-8b01-e5b45cfe5f56/Oliveira_Daniel_Fagundes.pdf

    • Vancouver

      Oliveira DF. A classificação de faltas em linhas de transmissão com alta penetração de fontes eólicas interfaceadas por inversores: uma abordagem via Machine Learning [Internet]. 2025 ;[citado 2026 jan. 19 ] Available from: https://bdta.abcd.usp.br/directbitstream/c1b01eb9-b4ea-48f1-8b01-e5b45cfe5f56/Oliveira_Daniel_Fagundes.pdf

  • Trabalho de Conclusão de Curso (MBA)

    Aprimoramento do controle operacional em estação de tratamento de efluentes: avaliação comparativa de algoritmos de aprendizado de máquina (2023)

    Ribeiro, Thiago da Silva; Rios, Ricardo Araújo (Orientador)

    Unidade: ICMC

    Subjects: APRENDIZADO COMPUTACIONAL, REGRESSÃO LOGÍSTICA, INTELIGÊNCIA ARTIFICIAL

    Versão PublicadaAcesso à fonteDOIHow to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

    • ABNT

      RIBEIRO, Thiago da Silva. Aprimoramento do controle operacional em estação de tratamento de efluentes: avaliação comparativa de algoritmos de aprendizado de máquina. 2023. Trabalho de Conclusão de Curso (MBA) – Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos, 2023. Disponível em: https://doi.org/10.11606/003191575. Acesso em: 19 jan. 2026.

    • APA

      Ribeiro, T. da S. (2023). Aprimoramento do controle operacional em estação de tratamento de efluentes: avaliação comparativa de algoritmos de aprendizado de máquina (Trabalho de Conclusão de Curso (MBA). Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos. Recuperado de https://doi.org/10.11606/003191575

    • NLM

      Ribeiro T da S. Aprimoramento do controle operacional em estação de tratamento de efluentes: avaliação comparativa de algoritmos de aprendizado de máquina [Internet]. 2023 ;[citado 2026 jan. 19 ] Available from: https://doi.org/10.11606/003191575

    • Vancouver

      Ribeiro T da S. Aprimoramento do controle operacional em estação de tratamento de efluentes: avaliação comparativa de algoritmos de aprendizado de máquina [Internet]. 2023 ;[citado 2026 jan. 19 ] Available from: https://doi.org/10.11606/003191575
  • 1

1 - 2 (2 records)

Biblioteca Digital de Trabalhos Acadêmicos da Universidade de São Paulo     2012 - 2026