Disciplinas
AVALIAÇÃO E MITIGAÇÃO DE EMISSÕES POR IA
Módulo:
1
Carga Horária:
36
1. Modelos de Reinforcement Learning, Processamento de Linguagem Natural e Previsão de Séries Temporais com machine learning clássico, deep learning e modelos estatísticos;
2. Aplicações de Inteligência Artificial (IA) no Monitoramento de Emissões;
3. Gêmeos Digitais Simplificados para Eficiência Energética e Redução de CO;
4. Automação da Coleta e Análise de Dados de Emissões;
5. Desafios para IA nas Emissões da Indústria e Combustíveis Renováveis - Inventários de Emissões (Escopo 1, 2 e 3);
6. Estratégias de Mitigação de Emissões na Indústria do Petróleo e Renováveis baseadas em IA.
Bibliografia Principal:
1. Lapan M., 2020, Deep Reinforcement Learning Hands-On: Apply modern RL methods to practical problems of chatbots, robotics, discrete optimization, web automation, and more, 2nd Edition, Packt Publishing.
2. Asif, M., 2022. The 4Ds of Energy Transition: Decarbonization, Decentralization, Decreasing Use, and Digitalization. John Wiley & Sons.
3. Saraji, S., & Chen, S., 2023. Sustainable Oil and Gas Using Blockchain (Vol. 98). Springer Nature.
Bibliografia Complementar:
1. Gharehbaghi A., 2023, Deep Learning in Time Series Analysis 1st Edition, CRC Press.
2. Sampath, H., 2024, Carbon Auditing: Methodologies and Challenges,
3. HARRIS, G. P. et al. Compendium of Greenhouse Gas Emissions Estimation Methodologies for the Oil and Gas Industry. [s.l: s.n.].
GESTÃO INTELIGENTE DE SISTEMAS EÓLICOS
Módulo:
1
Carga Horária:
36
1. Inteligência Artificial
Algoritmos Genéticos;
Redes Neurais de Aprendizado Profundo;
Técnicas de regressão e classificação para tratamento e previsão de dados;
Modelos supervisionados e não supervisionados;
Manutenção Preditiva com IA;
Modelos de previsão de curto e longo prazo;
Simulação e Otimização Baseada em IA.
2. Otimização da operação, manutenção e previsibilidade climática de sistemas eólicos;
3. Machine learning para a medição e tratamento de dados anemométricos;
4. Previsão da operação de aerogeradores;
5. Manutenção preditiva por IA;
6. Predição por IA da produção de energia eólica.
Bibliografia Principal:
1. Haykin, S., 2000. Redes Neurais: Princípios e Práticas. Segunda Edição. Bookman.
2. Zurada, J.M., 1992, Introduction to Artificial Neural Systems, West Pub. Co, US
3. Chollet, F., 2021. Deep Learning with Python, Manning.
Bibliografia Complementar:
1. BROWER, M. Wind Resource Assessment. [s.l.] John Wiley & Sons, 2012.
2. Burton, T., Sharpe, D., Jenkins, N. & Bossanyi, E., 2001, Wind Energy HandBook, John Wiley & Sons, Ltd.
3. Michalewicz, Z, 1996, Genetic Algorithms + Data Structures = Evolution Programs, Third Edition, Springer-Verlag Berlin and Heidelberg GmbH
FUNDAMENTOS DE INTELIGÊNCIA ARTIFICIAL E NOÇÕES BÁSICAS DE ENERGIA RENOVÁVEL
Módulo:
1
Carga Horária:
36
1. Introdução à IA;
2. IA nas Empresas e apoio à decisão;
3. Principais tendências impulsionando o potencial da IA para acelerar a transição energética;
4. Introdução à Linguagem Python: estruturas de dados, condicionais e de repetição; pacotes populares para análise de dados;
5. Principais Fontes de Energia Renovável, seus desafios econômicos e o papel da IA.
Bibliografia Principal:
1. Vasant, P., Weber, G., Thomas, J., Marmolejo-Saucedo, J., Rodriguez-Aguilar, R., 2022. Artificial Intelligence for Renewable Energy and Climate Change. Wiley-Scrivener Publisher.
2. McKinney, W., 2017. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython 2nd Edition by William McKinney, Jupiter.
3. Géron, A., 2019. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, O'Reilly Media.
Bibliografia Complementar:
1. FIORINO, D. J. The Clean Energy Transition. [s.l.] Polity, 2022.
2. Burkov, A., 2019. The Hundred-Page Machine Learning Book.
3. TransformaTech Institute, 2024, Understanding Deep Learning: Building Machine Learning Systems with PyTorch and TensorFlow: From Neural Networks (CNN, DNN, GNN, RNN, ANN, LSTM, GAN) to Natural Language Processing (NLP), Independently published.
IA GENERATIVA NA GESTÃO DO CONHECIMENTO
Módulo:
1
Carga Horária:
36
Modelos de IA:
Large Language Models (LLM), GPT, BERT, dentre outros;
Chatbots Especializados e modelos pré-treinados;
Modelos Generativos e Transformers;
Processamento de linguagem natural (NLP).
2. Bases da Transição Energética e IA.
3. IA aplicada para a Prospecção e Monitoramento de Tecnologias para a Transição Energética;
4. IA aplicada para a Regulação na Transição Energética.
Bibliografia Principal:
1. Maarseveen, H., 2024, BERT: Pre-training of Deep Bidirectional
Transformers for Language Understanding, Kindle Edition.
2. Foster, D., 2023, Generative Deep Learning: Teaching Machines To
Paint, Write, Compose, and Play, O'Reilly Media
INTEGRAÇÃO INTELIGENTE DE RECURSOS ENERGÉTICOS DISTRIBUÍDOS NOS SISTEMAS ELÉTRICOS
Módulo:
1
Carga Horária:
36
1. Modelos Multimodais, CLIP (OpenAI), Segment Anything (Meta), Grounded SAM, Stable Diffusion, DINO (Meta), Knowledge Distillation, Modelos Generativos;
2. Visão sobre Novas Tecnologias e seu Potencial Impacto nos Sistemas de Distribuição de Energia Elétrica;
3. Introdução aos Recursos Energéticos Distribuídos (REDs);
4. IA Generativa e modelos LLM na gestão da informação relacionada a aspectos éticos e o impacto social da transição para energias Renováveis;
5. Impacto das Regulamentações na Integração dos REDs nos Sistemas Elétricos;
6. Avaliação da Viabilidade Econômica dos REDs nos Sistemas Elétricos;
7. Desafios Técnicos para Simulação de Cenários de Penetração de REDs nas Redes de Distribuição de Energia Elétrica;
8. Previsão de Demanda e Geração de Energia em Redes de Distribuição de Energia Elétrica;
9. Desafios Técnicos e Econômicos Associados aos Serviços Ancilares em Redes Elétricas com REDs;
10.Otimização do Despacho de Energia Envolvendo REDs;
11. Desafios Técnicos na Integração de REDs em Larga Escala nos Sistemas de Distribuição;
12.Análise de Dados para Aplicações em Larga Escala dos REDs;
13.Introdução às Usinas Virtuais de Energia, Redes Elétricas Inteligentes e Microrredes;
14.Atividades Práticas com Integração de REDs em Redes de Distribuição.
Bibliografia Principal:
1. Giannakos M., Spikol D., Mitri D. D., Sharma K., Ochoa X., Hammad R., 2022, The Multimodal Learning Analytics Handbook, Springer.
2. Souza, A. C. Z. Bonatto, B. D., Ribeiro, P. F., 2020.. Integração de Renováveis e Redes Elétricas Inteligentes. Itajubá: Interciências.
3. Momoh, J., 2012 Smart Grid - Fundamentals of Design and Analysis. IEEE PRESS.
Bibliografia Complementar:
1. Redes Elétricas Inteligentes: contexto nacional, 2012. Centro de Gestão e Estudos Estratégicos (CGEE). Série Documentos Técnicos. Nº 16, https://www.cgee.org.br/documents/10195/11009594/Redes_Eletricas_In teligentes_22mar13_9539.pdf/36f87ff1-43ed-4f33-9b53-5c869ace9023? version=1.6
2. Rivera, R., Esposito, A., Teixeira, I., 2013. Redes Elétricas Inteligentes (smart grid): oportunidade para adensamento produtivo e tecnológico local. Revista do BNDES 40, Biblioteca digital (www.bndes.gov.br/biblioteca digital).
3. SUN, H. et al. Smarter energy : from smart metering to the smart grid. London: The Institution of Engineering and Technology, 2016.
INTELIGÊNCIA ARTIFICIAL PARA RESOLUÇÃO DOS DESAFIOS DA INDÚSTRIA DO PETRÓLEO NA BUSCA DO NET-ZERO
Módulo:
1
Carga Horária:
36
1. Modelos de IA
Pré-processamento de texto;
Representação de texto por frequência;
Representação por contexto (Word Embeddings);
Introdução ao processamento de linguagem natural;
AI Search Vector em dados estruturados e não estruturados;
Modelos embedding;
Representações de contexto;
Case Chatbot;
Latent Dirichlet Allocation - LDA;
Processamento de Linguagem Natural usando Deep Learning;
Modelos para dados sequenciais: LSTM e GRU;
Algoritmos Genéticos;
Uso de Deep Learning para criação de modelos substitutos (surrogate models).
2. Soluções por IA dos principais desafios do Gás Natural;
3. Inovação por IA para Sequestro Geológico de Carbono (CCS).
Bibliografia Principal:
1. Vajjala, S., Majumder, B., Gupta, A., Surana, H., 2020, Practical Natural Language Processing: A Comprehensive Guide to Building Real-World NLP Systems, O'Reilly Media.
2. Sheffield, R. C., 2024, Natural Language Processing With Pytorch: Advanced Practical Guide to Crafting Next-Gen AI-Powered Language Apps and Tools with Python's Brainpower, Kindle Edition.
3. Bird, S., Klein, E., e Loper, E., 2014, Natural Language Processing with Python, O'Reilly Media
Bibliografia Complementar:
1. Kamath, U., Liu, J., Whitaker, J., 2020, Deep Learning for NLP and Speech Recognition, Springer
2. Vishal,V., Singh, T.N., 2016, Geologic Carbon SequestrationUnderstanding Reservoir Behaviour, Springer.
3. DUTTA, S.; CHAUDHERY MUSTANSAR HUSSAIN. Sustainable Fuel Technologies Handbook. [s.l.] Academic Press, 2020.
MANUTENÇÃO PREDITIVA E OTIMIZAÇÃO DE SISTEMAS DE HIDROGÊNIO
Módulo:
1
Carga Horária:
36
1. Metaheurísticas de otimização
Otimização de Planejamento;
Colônia de Formigas;
Modelos de Deep Learning para processamento de texto; (Modelos Recorrentes baseados em Gates e Transformers) e imagens (Convolucionais e Vision Transformers).
2. Principais desafios da Economia de Hidrogênio;
3. Inteligência Artificial e Tomada de Decisão;
4. Aplicações de IA no Setor Automotivo;
5. IA na Otimização de Sistemas de Hidrogênio;
6. Diagnóstico e Manutenção de Sistemas de Hidrogênio com IA.
Bibliografia Principal:
1. Hernández-Callejo L., Nesmachnow S., 2023, Artificial Intelligence and Sustainable Energy Systems: Volume I, Mdpi AG
2. Valbuena, C., 2024, Hydrogen Horizons: Harnessing AI for a Sustainable Future (The AI Revolution: Mastering Success, Wealth, and Innovation in the Age of Artificial Intelligence), Independent Author.
3. Demirel, Y., Rosen, M., 2023, Sustainable Engineering: Process Intensification, Energy Analysis, and Artificial Intelligence, 1st Edition, Kindle Edition.
Bibliografia Complementar:
1. MOHAMMAD REZA RAHIMPOUR; MOHAMMAD AMIN MAKAREM;
KIANI, P. Hydrogen Production from Renewable Resources and Wastes. [s.l.] CRC Press, 2024.
2. Kotchourko, A., Jordan, T., 2018. Hydrogen Safety for Energy Applications: Engineering Design, Risk Assessment, and Codes and Standards, Kindle Edition.
3. Brun, K., Allison, T. C., 2022. Machinery and Energy Systems for the Hydrogen Economy 1st Edition. Elsevier.
MODELAGEM PREDITIVA PARA ENERGIA SOLAR
Módulo:
1
Carga Horária:
36
1. Inteligência Artificial
Machine Learning,;
Regressão linear e não linear;
Árvores de Decisão;
Support Vector Machine (SVM);
Modelos de comitê (Random Forest),
Classificação, Regressão e Previsão de séries temporais.
2. IA na Energia Solar;
3. Meteorologia e Previsão de Energia Solar por IA;
4. Otimização da Operação e Manutenção de Sistemas Solares;
5. Análise de Dados e Integração de Sistemas;
6. Simulação e Modelagem de Sistemas Solares;
7. Estudos de Caso e Projetos.
Bibliografia Principal:
1. McKinney, W., 2023, Python Para Análise de Dados: Tratamento de Dados com Pandas, 2023, NumPy & Jupyter, Novatec Editora
2. Mbamalu E. M., Adeniran A., 2024, Optimization of Solar, Biogas and Wind Energy Power Generation using AI and Digital Tools, Kindle Edition
3. Khan M. J., 2023, Development of Artificial Intelligence Based Real Time Maximum Power Point Tracking Controller for a Hybrid Renewable Energy System, Independent Author
Bibliografia Complementar:
1. Géron, A., 2019. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, O'Reilly Media.
2. Mukhiya, S. K., Ahmed, U., 2020, Hands-On Exploratory Data Analysis with Python: Perform EDA techniques to understand, summarize, and investigate your data, Packt Publishing.
3. BROWN, L. R. et al. The great transition : shifting from fossil fuels to solar and wind energy. New York: W.W. Norton & Company, 2015.
TECNOLOGIAS INTELIGENTES VIABILIZANDO PRODUTOS DE BAIXO CARBONO
Módulo:
1
Carga Horária:
36
1. Enxame de Abelhas, Particle Swarm Optimization (PSO), Proxy models e IA para Digital Twin;
2. Biocombustíveis e Biorrefino;
3. Adaptações na Infraestrutura de Refino;
4. Análise de Matérias-Primas e Otimização com IA;
5. Aplicações de IA na Produção de Biocombustíveis;
6. Desafios e Tendências Futuras.
Bibliografia Principal:
1. Mercangöz A. A., 2021, Applying Particle Swarm Optimization: New Solutions and Cases for Optimized Portfolios (International Series in Operations Research & Management Science Book 306), Springer
2. Asif, M., 2022. The 4Ds of Energy Transition: Decarbonization, Decentralization, Decreasing Use, and Digitalization. John Wiley & Sons.
3. Luque R., Lin C. S. K., Wilson K., Du C., 2022, Handbook of Biofuels Production: Processes and Technologies 3rd Edition, Woodhead Publishing.
Bibliografia Complementar:
1. Al-Sartawi A. M. A. M, Al-Qudah A. A., Shihadeh F., 2024, Artificial Intelligence-Augmented Digital Twins: Transforming Industrial Operations for Innovation and Sustainability (Studies in Systems, Decision and Control Book 503), Springer.
2. Mohaghegh S. D., 2022, Smart Proxy Modeling: Artificial Intelligence and Machine Learning in Numerical Simulation 1st Edition, CRC Press.
3. FIORINO, D. J. The Clean Energy Transition. [s.l.] Polity, 2022.
TEORIA DOS JOGOS, OPÇÕES REAIS E BLOCKCHAIN EM PROJETOS DA TRANSIÇÃO ENERGÉTICA
Módulo:
1
Carga Horária:
36
1. Modelos de processamento de texto e imagens com arquiteturas Transformer, Vision Transformer e Convolucional;
2. Modelos híbridos. Metaheurísticas de otimização. Zero-shot learning;
3. Principais questões da Economia das Mudanças Climáticas com IA e Teoria dos Jogos;
4. Análise econômica de projetos de redução de emissões e de transição energética com IA e Opções Reais;
5. Mercados voluntários de carbono com IA, blockchain e criptoativos;
6. Aplicações de Inteligência Artificial na economia de mudanças climáticas;
7. Aplicações de Inteligência Artificial em Análise de Portfólio e Planejamento Empresarial e Governamental.
Bibliografia Principal:
1. Chesney, M., Gheysens, J., Pana. A., Taschini, L., 2016. Environmental Finance and Investments, 2nd Edition, Springer-Verlag Berlin Heidelberg.
2. Pindyck, R.S., 2022. Climate Future – Averting and Adapting to Climate Change. Oxford University Press.
3. Abadie, L.M., Chamorro, J. M., 2013. Investment in Energy Assets under Uncertainty – Numerical Methods in Theory and Practice. Springer-Verlag.
Bibliografia Complementar:
1. Ronn, E.I., 2002. Real Options and Energy Management. Risk Books, London.
2. Dias, M.A.G., 2014. Análise de Investimentos com Opções Reais: Teoria e Prática com Aplicações em Petróleo e em Outros Setores, Volumes 1 e 2. Editora Interciência Ltda., Rio de Janeiro.
3. SANTOSH RAIKAR; ADAMSON, S. Renewable Energy Finance. [s.l.] Academic Press, 2019.
![Marco Aurelio Cavalcanti Pacheco](javascript:preencher_modal('<img src="\\imagens\\pessoa\\0000\\00000695.jpg" class="img-docente" loading="lazy" /><br>', 'Marco Aurelio Cavalcanti Pacheco', '<p class="MsoNormal">Marco Aurélio Cavalcanti Pacheco é Engenheiro Eletrônico e
Mestre em Engenharia Elétrica pela PUC-Rio e PhD em Computer Science pelo University
College of London (1991). Desde 1977, é professor da Pontifícia Universidade
Católica do Rio de Janeiro e, desde 1992, é diretor do Laboratório de
Inteligência Computacional Aplicada, ICA. <o:p></o:p></p>
<p class="MsoNormal">Suas áreas de interesse de pesquisa incluem: Inteligência Artificial,
Métodos de Apoio à Decisão e Nanotecnologia. Propôs a Área de Concentração em
Nanotecnologia, criada em 2007 no Programa de Pós-Graduação do Departamento de
Engenharia Elétrica da PUC-Rio e, junto com pesquisadores do CTC da PUC-Rio,
liderou a criação do primeiro programa de Engenharia em Nanotecnologia da
América Latina. Em 2007, criou a
primeira pós-graduação lato sensu em Inteligência Artificial no Brasil,
Business Intelligence Master.<o:p></o:p></p>
<p class="MsoNormal">Suas áreas de interesse de pesquisa incluem: Inteligência
Artificial e Nanotecnologia. Já orientou 60 dissertações de Mestrado e 29 teses
de Doutorado, coordenou mais de 50 projetos de P&D nas áreas de óleo e gás
e energia elétrica e publicou 61 artigos em periódicos internacionais e mais de
300 artigos em conferências. Já ganhou cinco Prêmios Petrobras de Tecnologia e
um Prêmio Santander Universidades - Ciência e Inovação<o:p></o:p></p>', '');){kind=link}
![Glenda Rangel Rodrigues](javascript:preencher_modal2('<img src="\\imagens\\pessoa\\0040\\00406745.jpg" class="img-docente" loading="lazy" /><br>', 'Glenda Rangel Rodrigues', '<p>Engenheira Química formada pela UFRJ (1986), Engenheira de Processamento de Petróleo pela Petrobras (1988), Pós Graduação em Meio Ambiente (MBE) pela COPPE(1999), Mestrado em Sistemas de Gestão pela UFF(2004).</p><p>Trabalhou por 34 anos na Petrobras (1987-2021), como engenheira de processamento de petróleo. Na Petrobras, trabalhou por 13 anos na REDUC, na área de engenharia de Utilidades tendo sido gerente desta área nos últimos três anos. Foi para a sede do Refino em 2001, ampliando o escopo de trabalho na área de energia e emissões atmosféricas. Trabalhou na coordenação do Refino na implementação do Sistema de Inventário de Emissões da Petrobras, base da gestão de poluentes regulados e gases efeito estufa. Desta forma, participou da gestão da companhia no tema desde 2003, com especial atenção ao Refino, mas não apenas. O trabalho durante todo o período incorporou tanto as tecnologias envolvidas como planejamento e gestão. Atuou em diversos licenciamentos, bem como representou a Petrobras em grupos de trabalho de elaboração de resoluções CONAMA, tais como CONAMA 382/06 e 436/11. Desde 2003 atuou na carreira técnica da Petrobras, chegando a consultoria Master em 2013. </p><p>Após a aposentadoria da Petrobras, iniciou trabalho como consultora independente, prestando serviços desde junho de 2021 à Ramboll Brasil, empresa de consultoria com sede na Dinamarca. Na Ramboll trabalha com consultoria em assuntos relacionados à qualidade do ar e mudança do clima (inventário, gestão e mitigação de emissões de GEE). De forma independente, também atua prestando consultorias à Organizações da Sociedade Civil e participando em projetos de pesquisa. Faz palestras sobre o tema e faz parte da equipe de professores da Wis Energy.</p>');){kind=link}
![Leonardo Alfredo Forero Mendonza](javascript:preencher_modal2('<img src="\\imagens\\pessoa\\0040\\00408721.jpg" class="img-docente" loading="lazy" /><br>', 'Leonardo Alfredo Forero Mendonza', 'Possui graduação em engenharia eletrônica - Universidade Pontifícia Bolivariana (2002), mestrado em engenharia de telecomunicações pela Universidade Federal Fluminense (2009) e Doutorado em Engenharia Elétrica pela Pontifícia Universidade Católica do Rio de Janeiro (2013). Atualmente é pesquisador vinculado da Pontifícia Universidade Católica do Rio e professor do BI-Master da PUC-Rio. Tem experiência na área de inteligência artificial, atuando principalmente nos seguintes temas: NLP, neural network, glottal, pathology e recognition voice. Possui 10 anos de experiência como supervisor gerente e coordenador em projetos P&D.');){kind=link}
![Manoela Rabello Kohler](javascript:preencher_modal2('<img src="\\imagens\\pessoa\\0044\\00442113.jpg" class="img-docente" loading="lazy" /><br>', 'Manoela Rabello Kohler', 'Profissional com mais de 10 anos de experiência como pesquisadora, desenvolvedora e coordenadora de equipes em projetos de Pesquisa e Desenvolvimento. Especialista em métodos de apoio à decisão. Possui graduação em Engenharia de Computação pela Pontifícia Universidade Católica do Rio de Janeiro (2011), Mestrado em Engenharia Elétrica (linha de pesquisa: Métodos de Apoio à Decisão) na Pontifícia Universidade Católica do Rio de Janeiro (2013) e Doutorado em Engenharia Elétrica (linha de pesquisa: Métodos de Apoio à Decisão) na Pontifícia Universidade Católica do Rio de Janeiro (2017). Atualmente é pesquisadora sênior no Laboratório de Inteligência Computacional Aplicada e professora da PUC-Rio, ministrando aulas no curso de pós-graduação BI-Master (MBA) e cursos de extensão em Inteligência Artificial.');){kind=link}
![Marco Antonio Guimaraes Dias](javascript:preencher_modal2('<img src="\\imagens\\pessoa\\0000\\00000692.jpg" class="img-docente" loading="lazy" /><br>', 'Marco Antonio Guimaraes Dias', '<p class="MsoNormal" style="text-align:justify">Engenheiro Mecânico (PUC-Rio,
1982), Engenheiro de Petróleo (Petrobras, 1984) e possui mestrado (1996) e
doutorado (2005) em Engenharia de Produção na área de Finanças e Análise de
Investimentos, pela PUC-Rio. Trabalhou na Petrobras de fevereiro de 1983 a
dezembro de 2016, quando se aposentou como Consultor Master da área de
finanças. Na Petrobras se destacou no uso de ferramentas avançadas de análise
econômica de projetos de E&P e criou vários padrões, modelos e manuais. De
1996 a 2016 ministrou cursos de análise de investimentos em projetos com opções
reais na Petrobras, além de cursos de estratégias de decisão com teoria dos
jogos, de valor da informação em projetos do E&P, de <i>project finance</i>,
dentre outros. É Professor (2005) Agregado da PUC-Rio e desde 2006 ministra
dois cursos de pós-graduação (análise de investimentos com opções reais e
análise de decisões com teoria dos jogos). É autor de dois livros texto de
análise de investimentos com opções reais e publicou diversos artigos em
revistas e livros. É Corporate Advisor do Real Options Group. Ministra cursos
avançados para empresas e entidades, como a EPE (opções reais; leilões) e TCU
(análise de negócios na indústria de petróleo), dentre outros. Na PUC-Rio está
vinculado ao Departamento de Engenharia Elétrica e ao Laboratório de
Inteligência Computacional Aplicada (ICA).<o:p></o:p></p>');){kind=link}
![Marco Aurelio Cavalcanti Pacheco](javascript:preencher_modal2('<img src="\\imagens\\pessoa\\0000\\00000695.jpg" class="img-docente" loading="lazy" /><br>', 'Marco Aurelio Cavalcanti Pacheco', '<p class="MsoNormal">Marco Aurélio Cavalcanti Pacheco é Engenheiro Eletrônico e
Mestre em Engenharia Elétrica pela PUC-Rio e PhD em Computer Science pelo University
College of London (1991). Desde 1977, é professor da Pontifícia Universidade
Católica do Rio de Janeiro e, desde 1992, é diretor do Laboratório de
Inteligência Computacional Aplicada, ICA. <o:p></o:p></p>
<p class="MsoNormal">Suas áreas de interesse de pesquisa incluem: Inteligência Artificial,
Métodos de Apoio à Decisão e Nanotecnologia. Propôs a Área de Concentração em
Nanotecnologia, criada em 2007 no Programa de Pós-Graduação do Departamento de
Engenharia Elétrica da PUC-Rio e, junto com pesquisadores do CTC da PUC-Rio,
liderou a criação do primeiro programa de Engenharia em Nanotecnologia da
América Latina. Em 2007, criou a
primeira pós-graduação lato sensu em Inteligência Artificial no Brasil,
Business Intelligence Master.<o:p></o:p></p>
<p class="MsoNormal">Suas áreas de interesse de pesquisa incluem: Inteligência
Artificial e Nanotecnologia. Já orientou 60 dissertações de Mestrado e 29 teses
de Doutorado, coordenou mais de 50 projetos de P&D nas áreas de óleo e gás
e energia elétrica e publicou 61 artigos em periódicos internacionais e mais de
300 artigos em conferências. Já ganhou cinco Prêmios Petrobras de Tecnologia e
um Prêmio Santander Universidades - Ciência e Inovação<o:p></o:p></p>');){kind=link}