Linha de pesquisa: Ciência de Dados

Resumo: A Termografia Infravermelha (IRT) consolidou-se como uma técnica robusta para o monitoramento da integridade estrutural, permitindo a detecção não invasiva de falhas subsuperficiais. No entanto, a aplicação de modelos de Aprendizado Profundo (Deep Learning) neste domínio enfrenta um gargalo crítico: a falta de generalização e a dependência de configurações manuais específicas para cada material ou geometria. Para superar essas limitações, este trabalho propõe o desenvolvimento de um framework de orquestração autônoma baseado em Grandes Modelos de Linguagem (LLMs). A hipótese central é que agentes baseados em LLMs podem atuar como especialistas sintéticos, selecionando dinamicamente métodos de pré-processamento e arquiteturas de rede neural adequadas às propriedades termofísicas do objeto inspecionado. A metodologia baseia-se na validação cruzada em bases de dados experimentais já adquiridas de Polímero Reforçado com Fibra de Carbono (CFRP), aço e PVC, que impõem desafios de difusividade térmica opostos. Resultados preliminares, já publicados como parte desta investigação, validaram os módulos fundamentais de processamento: uma abordagem espaço-temporal baseada em Regiões de Interesse (ROI-driven) demonstrou acurácia de 96% em polímeros, enquanto técnicas de otimização bioinspirada melhoraram a relação sinal-ruído em compósitos. Na etapa final, busca-se integrar estes módulos sob a regência do agente LLM, visando entregar um sistema capaz de generalizar a detecção de falhas e fornecer diagnósticos explicáveis em linguagem natural, mitigando a opacidade dos modelos de caixa-preta tradicionais.

Link para a defesa: https://teams.microsoft.com/l/meetup-join/19%3ameeting_YzJkZGM3MGQtMjk2O...

Sala 1B115