Descrição do Estado da Arte. Grau de maturidade da tecnologia a ser desenvolvida (quando aplicável)
Descrição do Estado da Arte. A harpia, ou o gavião-real, Harpia harpyja (Linnaeus, 1758) (Aves, Accipitridae), ocorre nas florestas da região neotropical do sul do México, nordeste da Argentina e leste do Brasil (Vargas G. et al., 2006; Birdlife International, 2021). No Brasil, espécies ocorre na Amazônia e na Mata Atlântica (Banhos et al., 2018), biomas que sofreram altas taxas de desmatamento, principalmente nas primeiras décadas do século XXI (Fearnside, 2005; Xxxxx Xxxxxx et al., 2021) e nas últimas décadas do século XX (Xxxxxxx et al., 2009; Fundação SOS Mata Atlântica e Instituto Nacional de Pesquisas Espaciais, 2021), respectivamente. A harpia é uma das maiores águias do mundo, tamanho varia entre 89 cm e 105 cm, a envergadura entre 175 cm e 205 cm, e os machos adultos pesam entre 4 kg e 5 kg e as fêmeas entre 6 kg e 9 kg e (Xxxxxxxxxxx, 1994). A espécie depende de florestas para sua manutenção, sua dieta é composta principalmente por presas arborícolas, como preguiças e macacos (Xxxxx, 2007; Xxxxxx-Xxxxx et al., 2014; Xxxxxx-Xxxxx et al., 2015), os casais nidificam em árvores emergentes no dossel e costumam voltar a mesma árvore para reprodução (Xxxxxx and Xxxx, 1964; Rettig, 1978; Xxxxxxx et al., 2007). Produzem um filhote a cada 2,5-3 anos, passando por um longo cuidado parental (Xxxxxx, 1978; Xxxxxxx-Xxxxxxx, 1996; Xxxxx Xxxxx et al., 2007). Os filhotes começam a voar em torno de 4-6 meses de idade, permanecem no território de seus pais mais dois anos recebendo cuidado parental antes de dispersar (Xxxxxx, 1978; Xxxxxxx-Xxxxxxx, 1996, Xxxxx Xxxxx et al., 2012; Xxxxx et al., 2017) e não atingem a plumagem completamente adulta antes dos 4-5 anos (Xxxxxx and Xxxx, 1964), próximo da idade que se tornam férteis (Xxxxxx et al., 2016). Os indivíduos possuem longa vida fértil, mais de 35 anos (Xxxxxx et al. 2016), e longo tempo de geração, 20 anos (Birdlife International, 2021). Os adultos possuem grandes áreas de uso e baixa densidade populacional (Xxxxxxx-Xxxxxxx, 1996; Xxxxx Xxxxx et al., 2007; Xxxxxxxx and Xxxxxx, 2011), usa uma grande área no entorno do ninho, entre 16 e 79 km2 (Xxxxxxx-Xxxxxxx, 1996; Xxxxxxxx e Xxxxxx, 2011; Xxxxx Xxxxx et al., 2007). A perda de habitat e a remoção de indivíduos por meio da caça e perseguição comprometem a manutenção das populações de harpias na natureza (Giraldo-Amaya et al., 2021; Xxxxxxx, et al., 2021b; Xxxxx- Xxxxx, 2017), pois são sensíveis às modificações dos seus habitats, apresentam baixa densidade populacional e possuem uma baixa taxa...
Descrição do Estado da Arte. A reciclagem de Materiais Poliméricos da empresa Vale em parceria com a UFES vem contribuindo para o desenvolvimento de novos produtos supressores de pó. Os estudos no laboratório mostraram a viabilidade comercial da resina PET pós consumo e comprovada em testes de laboratório de campo. Como resultado das pesquisas foi depositada a primeira patente verde da Vale obtida do PET pós consumo que é uma inovação por se tratar de um produto sustentável, registrado no INPI BR1020140298703. Tendo em vista que o tempo de degradação no meio ambiente de um polímero é muito longo, cerca de centenas de anos e a indústria vem desenvolvendo novas tecnologias para o aproveitamento deste material através da reciclagem física. O grande problema da reciclagem física demanda de muito gasto energético e dependendo da usina de reciclagem pode haver grande liberação de gases tóxicos no meio ambiente, possibilitando a incidência de chuvas ácidas e do próprio aumento do efeito estufa, comprometendo o aquecimento global. Dessa forma, novas tecnologias como a utilizada nesse projeto, como a reciclagem verde, ou seja, o uso de compostos extraídos de produtos naturais capazes de despolimerizar os plásticos e gerando menos prejuízo ao meio ambiente. Já é relatado na literatura o uso do d-limoneno na reciclagem de poliestireno(Xxxxxxx,1998) mas não aplicado na indústria. Portanto a Vale S.A em parceria com a UFES, de certa forma, é pioneira nesse processo de reciclagem verde.
7.1 Grau de maturidade da tecnologia a ser desenvolvida (quando aplicável)
Descrição do Estado da Arte. A seguinte descrição do estado do Arte está dividida em três apartados, cada um direcionado a explicar as técnicas desenvolvidas na literatura para a elaboração de um ASR, ASD e um ASI. O desenvolvimento de um ASR teve avanços significativos com o uso de rede neurais profundas, no entanto, estas foram aplicadas apenas em um componente de um ASR padrão, especificamente, no extrator de características. Assim, as redes neurais foram treinadas para classificar segmentos individuais de dados acústicos e suas distribuições de saída eram alimentadas como probabilidades para um modelo temporal probabilístico clássico como um HMM (Hidden Model Markov). Seguindo as tendências recentes em sistemas baseados em DL, propostas de ASR end-to-end tem aumentado ao longo dos anos [GRAVES 2012; MIAO e et al., 2015; XXXX e et al., 2015; XXXXXX e et al., 2016]. Um ASR end-to-end é um sistema onde a maior parte de componentes de um ASR padrão são substituídas por uma única arquitetura de rede neural profunda. Assim, os parâmetros e características aprendidas por um único modelo são ajustados apenas pelo algoritmo de treinamento da rede aumentando a taxa de precisão do ASR. Os principais trabalhos que seguem esta linha são descritos a seguir. Em [XXXXXX e et al., 2006; XXXXXX, 2012], é proposta a Connectionist Temporal Classification (CTC). O principal objetivo desse método é que o CTC é projetado especificamente para tarefas de classificação temporal, isto é, para problemas de rotulagem de sequências em que o alinhamento entre as entradas e os alvos é desconhecido. Também não requer dados de treinamento pré-segmentados ou pós-processamento externo para extrair a sequência de rótulos das saídas da rede. Desde então, o método CTC tem sido amplamente utilizado em sistemas de reconhecimento de fala de end-to-end e foi adotado pelo Google como o algoritmo padrão na Pesquisa por voz do Google. Mais recentemente, redes neurais recorrentes foram aplicadas com sucesso ao reconhecimento de fala [XXXXXXXXX e et al., 2015; XXXXXXXX e et al., 2016]. Esses RNNs são baseados na arquitetura codificador- decodificador, geralmente usados para lidar com sequências de entrada e saída de comprimento variável, necessária em tradução automatizada [BAHDANAU, 2014], geração de legendas de imagem [XX e et al., 2016] e síntese de escrita [GRAVES, 2013]. Nos últimos anos, os ASD foram utilizados com sucesso para analisar a fala humana em vários cenários do dia a dia, desde telefonemas [XXXXXX e et al., 201...