Projetos de Pesquisa

 

Foto de perfil

Sidnei Moura e Silva

Ciências Exatas e da Terra

Química
  • bioalcaloídes: extração, identificação, síntese e atividade colinérgica de anéis tropânicos e homotropânicos naturais e sintéticos
  • A acetilcolina esta entre os mais importantes mediadores de sinapses. Presente no sistema nervoso central (SNC) bem como no sistema nervoso periférico (SNP), além de fazer parte do sistema nervoso autônomo, desempenha papel importante nos processos de memória, digestão, controle da frequência cardíaca, pressão arterial, circulação e muitas outras funções. Especificamente, os receptores α4β2 nAChRs tem relação direta com canais iônicos responsáveis por memoria, aprendizado e atenção. Modular a atividade de compostos a esse sistema é um desafio, pois a complexidade do mesmo conduz, na maioria dos casos, a baixa seletividade. Assim, esse projeto se propôs a trabalhar com moléculas ativas desde a modelagem molecular in silico, até a identificação da atividade in vitro e in vivo, passando pelo desenvolvimento de metodologias para síntese destes compostos. Para este desafio, foi formada uma equipe multidisciplinar, com diferentes e complementares expertises. Ainda, conta com a participação da Dra. Françoise Dumas, da Universidade Paris-Sud, que auxiliará em uma parte especifica do projeto, o desenvolvimento de metodologias utilizando altas pressões. Assim, este projeto terá como resultado a formação de recursos humanos de pós-graduação, com uma visão multidisciplinar pela interação entre os parâmetros necessários para o desenvolvimento de novos fármacos. A integração dos conhecimentos permitirá a divulgação dos resultados em periódicos de alto fator de impacto. Do ponto de vista tecnológico e de inovação este projeto propõe estudar possíveis moléculas ativas desde o seu conceito in silico até a avaliação da atividade
  • Universidade de Caxias do Sul - RS - Brasil
  • 18/02/2019-28/02/2022
Foto de perfil

Sidnei Paciornik

Engenharias

Engenharia de Minas
  • uso de redes neurais deep learning no reconhecimento e classificação automática de macerais de carvão
  • Diversos processos de fabricação da indústria siderúrgica têm o carvão mineral como matéria-prima, p.ex.: produção de ferro gusa. Os constituintes individuais da matéria orgânica que compõe o carvão, chamados macerais, influenciam a qualidade e eficiência destes processos, podendo ser reconhecidos por análise de microscopia ótica. A caracterização microestrutural do carvão por microscopia ótica permite identificar os macerais pela refletância, cor, morfologia, anisotropia, tamanho e relevo ou dureza de polimento; sendo possível classificar o carvão, de acordo com um catálogo universal, conforme a presença e a quantidade de cada grupo de maceral. Essa descrição é de extrema importância, pois assim pode-se avaliar a qualidade e a origem de um determinado carvão e suas propriedades, como por exemplo, a reatividade do carvão em processos de pirólise e gaseificação, bem como seu comportamento durante a carbonização para a produção de coque. O método tradicional de caracterização de carvão, amplamente usado no mundo, é um processo manual/visual que requer um grande esforço, expertise e tempo do operador. O uso de uma aplicação automática de caracterização do carvão, além de trazer inovação ao usar tecnologia de ponta, também poderá aumentar a confiabilidade e reprodutibilidade dos resultados. Será um processo capaz de disponibilizar informações confiáveis de forma rápida e eficiente, que independe da expertise e do critério de um operador altamente treinado. Métodos baseados em Aprendizado Profundo podem aprender simultaneamente como extrair características complexas e fazer a classificação correta baseada nelas. As redes neurais convolucionais representam uma arquitetura de aprendizagem profunda que vem ganhando proeminência notável no reconhecimento de imagens. Não há, porém, indícios na literatura do uso dessas redes para o problema de classificação do carvão. Assim, a presente proposta visa desenvolver e treinar uma rede convolucional para automatizar a identificação de macerais de carvão. Dada a variedade de classes de macerais envolvidas e a complexidade da rede deep learning necessária, a etapa de treinamento envolve alta complexidade computacional. Portanto, o uso de recursos de cloud computing da Amazon, especialmente máquinas com múltiplas GPU´s, será vital para o desenvolvimento do sistema de classificação.
  • Pontifícia Universidade Católica do Rio de Janeiro - RJ - Brasil
  • 31/08/2020-31/08/2022