Referência: INESC TEC/LIAAD
Cargo/posição/bolsa: Investigador
Localidade: Porto
Área científica genérica: Ciência dos Computadores, Engenharia Eletrotécnica ou Mecânica ou área afim
Área científica específica: Programação, Informática, Modelos
Duração do contrato: de 2020-10-15 a 2021-04-14 com possibilidade de renovação até ao final do projecto.
Tipo de Contrato: Termo Certo
Período de candidatura: De 2020-09-07 a 2020-09-25
Área de trabalho: Modeling, Power Transformers, Data Mining Knowledge Based Engineering e Digital Twin
Objetivos:
- Desenvolver modelos avançados de comportamento elétrico e mecânico de transformadores de potência;
- Desenvolver um serviço orientado a dados para o transformador de potência;
- Ampliar os conhecimentos no estado da arte na área científica da bolsa;
Descrição do trabalho:
- Análise de casos de uso e definição de metas e requisitos específicos (por exemplo, quais são os dados que devem ser usados);
- Coletar dados e realizar pré-processamento (por exemplo, remover ruídos, dados danificados, ...);
- Descrever os dados dos sensores instalados nos transformadores de potência (por exemplo, através de descritores estatísticos);
- Estudar os modelos físicos subjacentes (por exemplo, modelo elétrico, modelo mecânico);
- Criar modelos empíricos usando Redes Neuronais ou métodos mais adequados;
- Combinar modelos físicos com modelos empíricos e desenvolver modelos híbridos (base do Digital Twin);
- Criar / adaptar os modelos híbridos para operações incrementais e fluxos de dados;
- Adaptar esses modelos de comportamento aos serviços orientados a dados;
Ainda se prevê uma possível colaboração em atividades de ensino. Este projeto envolve a colaboração do INESCTEC, EFACEC, INEGI e o MIT Portugal.
Habilitações académicas: Mestrado em Ciências dos Computadores, Engenharia Eletrotécnica ou Mecânica ou área afim;
Requisitos mínimos: Experiência na gestão do conhecimento nas organizações. Fluência em inglês, falado e escrito. - Domínio do conceito de Digital-Twin; - Experiência em Machine Learning e Data Mining;
Fatores de preferência: Participação anterior em projetos de I&D. Publicações científicas na área.