Banca de QUALIFICAÇÃO: GILMAR HOLANDA DA PAIXAO

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : GILMAR HOLANDA DA PAIXAO
DATA : 11/02/2026
HORA: 09:00
LOCAL: Link (Sala Virtual): https://meet.google.com/kfk-fgmf-axn
TÍTULO:

Ferramenta de detecção de falhas em geradores fotovoltaicos utilizando visão computacional

PALAVRAS-CHAVES:

Energia fotovoltaica. Visão computacional. Inteligência artificial. Aprendizado profundo. YOLO; Manutenção preditiva. Sustentabilidade.

PÁGINAS: 76
RESUMO:

A energia solar fotovoltaica tem assumido papel de destaque na matriz elétrica brasileira, impulsionada pelos elevados índices de irradiação solar, pela redução dos custos dos equipamentos e pela consolidação do marco regulatório estabelecido pela Lei nº 14.300/2022. Dados da Associação Brasileira de Energia Solar Fotovoltaica (ABSOLAR) e da Agência Nacional de Energia Elétrica (ANEEL) indicam um crescimento expressivo da capacidade instalada, que já ultrapassa dezenas de gigawatts distribuídos em milhões de unidades consumidoras. Esse cenário consolida a energia solar como alternativa estratégica para a transição energética e a mitigação dos impactos ambientais associados aos combustíveis fósseis. Apesar dessa expansão, os sistemas fotovoltaicos ainda enfrentam desafios operacionais que comprometem sua eficiência e vida útil, tais como microfissuras, delaminações, pontos quentes, sombreamento, oxidação e corrosão. A detecção dessas falhas é tradicionalmente realizada por meio de inspeções manuais ou sensores específicos, métodos que apresentam elevado custo, baixa escalabilidade e limitações na identificação de anomalias sutis. Diante desse contexto, torna-se necessária a adoção de soluções inovadoras que possibilitem diagnósticos mais ágeis, precisos e economicamente viáveis. Este trabalho tem como objetivo desenvolver uma ferramenta tecnológica baseada em visão computacional para a detecção de falhas em módulos fotovoltaicos, com ênfase na identificação de fissuras por meio da análise de imagens de eletroluminescência. A abordagem metodológica utiliza inteligência artificial, a partir do treinamento de um modelo da família YOLO, especificamente o YOLOv8, empregando um banco de dados composto por aproximadamente 4.500 imagens rotuladas, obtidas em bases internacionais. O treinamento foi realizado em ambiente de alto desempenho, com uso de GPU dedicada e 100 épocas, contemplando etapas de pré-processamento, divisão dos dados em conjuntos de treinamento e validação e avaliação por métricas como precisão, recall e mean Average Precision (mAP). Os resultados parciais indicam desempenho promissor do modelo, com mAP@0.5 global de aproximadamente 0,87, recall máximo próximo de 0,92 e F1-score ótimo em torno de 0,79, demonstrando elevada capacidade de detecção de defeitos, especialmente em classes com padrões visuais mais bem definidos. Observa-se, contudo, desempenho inferior em classes com menor representatividade ou maior ambiguidade visual, evidenciando a influência do balanceamento do dataset na performance do modelo. A relevância do estudo manifesta-se em diferentes dimensões. Do ponto de vista técnico, a ferramenta contribui para o aprimoramento da confiabilidade dos diagnósticos e para a antecipação de falhas, favorecendo estratégias de manutenção preditiva. Sob a ótica econômica, apresenta potencial para redução de custos operacionais, otimização da vida útil dos módulos e aumento do retorno sobre investimentos em energia solar. Nos aspectos social e ambiental, a proposta fortalece a democratização do acesso à energia limpa, especialmente na Região Norte e na Amazônia, onde desafios logísticos elevam os custos de manutenção, além de contribuir para o avanço da transição energética sustentável. Ademais, o trabalho preenche uma lacuna científica ao integrar visão computacional e energias renováveis no contexto brasileiro, apresentando elevado potencial de aplicabilidade prática e de transferência tecnológica, alinhado aos objetivos do PROFNIT.

MEMBROS DA BANCA:
Externo à Instituição - GILBERTO FIGUEIREDO PINTO FILHO - UFF
Externo à Instituição - JOÃO PEDRO DA SILVA SOUZA
Externo à Instituição - FABRÍCIO MOLICA DE MENDONÇA - UFSJ
Interno - 1824695 - GERALDO NEVES DE ALBUQUERQUE MARANHAO
Presidente - 2389020 - WERBESTON DOUGLAS DE OLIVEIRA