Sobre o projeto
Este protótipo foi desenvolvido para demonstrar a aplicação prática de conceitos de eletrônica e programação utilizando a plataforma Arduino. O sistema integra diversos sensores e atuadores para criar uma solução funcional e eficiente, demonstrando como a tecnologia pode ser aplicada para resolver problemas do mundo real.
Processo de Desenvolvimento:
1. Pesquisa
Levantamento de requisitos, estudo de componentes disponíveis e análise de projetos similares para definir a melhor abordagem técnica.
2. Design do circuito
Elaboração do esquema elétrico, seleção de componentes e planejamento da montagem física do protótipo, considerando eficiência e confiabilidade.
3. Programação (C++)
Desenvolvimento do código-fonte para controlar o Arduino e seus componentes, implementando a lógica de funcionamento e otimizando o desempenho.
4. IA
Levantamento de requisitos, estudo de componentes disponíveis e análise de projetos similares para definir a melhor abordagem técnica.
Tecnologias Utilizadas
Diagrama do Circuito
Como Funciona
Nossa previsão:
1. Coleta de dados
São utilizadas APIs meteorológicas baseadas no GSI-BM e sensores conectados à internet (IoT) para captar dados em tempo real sobre o nível da água. Scripts em Python são as ferramentas mencionadas para essa coleta. Sensores IoT estratégicos são instalados em rios, bacias e regiões com maior risco de alagamento. Estes sensores coletam dados de níveis d'água em tempo real. A API do INMET (Instituto Nacional de Meteorologia) fornece dados como previsão do tempo, temperatura, precipitação, umidade e vento. A API do Cemaden (Centro Nacional de Monitoramento e Alertas de Desastres Naturais) fornece alertas de inundação e dados de monitoramento hidrológico e meteorológico. A API da ANA (Agência Nacional de Águas e Saneamento Básico) fornece dados sobre níveis de rios, vazão e volume de precipitação.
2. Armazenamento
Os dados são armazenados no banco de dados MongoDB. O MongoDB é escolhido por oferecer suporte nativo a informações geoespaciais e consultas geográficas. A ferramenta PyMongo (driver para integração com MongoDB) é utilizada. O sistema deve armazenar os dados filtrados, previsões e comparações geradas pela IA em um banco de dados MongoDB otimizado para cargas de trabalho de Machine Learning, capaz de gerenciar até 20 TB de dados mensalmente, garantindo acesso de baixa latência para o re-treinamento e inferência dos modelos de IA.
3. I.A
A Inteligência Artificial atua na leitura e tratamento de dados, previsão de enchentes e cálculo de rotas seguras. As ferramentas para I.A. incluem bibliotecas e frameworks como TensorFlow e Scikit-learn. O sistema deve gerar previsões utilizando uma IA de previsão, com base nos dados previamente processados e filtrados por uma IA de leitura/filtragem. O sistema deve receber dados das APIs e sensores IoT, filtrá-los com ajuda de IAs e posteriormente fazer a previsão com base nos dados filtrados e coletados.