RealSense: uma abordagem explorando aprendizado de máquina no monitoramento de temperatura e umidade em sistemas de compostagem
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPel - Guaiaca |
Texto Completo: | http://guaiaca.ufpel.edu.br/handle/prefix/6216 |
Resumo: | A compostagem, enquanto "reciclagem dos resíduos orgânicos", é uma forma de recuperar os nutrientes e levá-los de volta ao ciclo natural, enriquecendo o solo para agricultura e diminuindo a necessidade de aquisição de adubo industrializado. É também uma maneira de minimizar o lixo produzido, destinando corretamente um resíduo que se acumularia nos lixões e aterros, gerando mau-cheiro, liberando gás metano e chorume, o qual, enquanto líquido, tem potencial para contaminar o solo e as águas. Ressalte-se que, hoje, cerca de 60% do lixo no país é composto por resíduos orgânicos, cujo depósito em lixões geram severos impactos negativos ao meio ambiente e à saúde pública. Ao longo do processo de compostagem, por se tratar de uma decomposição aeróbia, existem variações de temperatura e umidade, e se não houver monitoramento e controle sobre estas variáveis, as reações bioquímicas não ocorrerão adequadamente. Existem estudos direcionados a diferentes tipos de solos que utilizam métodos não destrutivos para aferir o teor de umidade de forma rápida e precisa, como os baseados em sensores capacitivos. Particularmente, se tratando de compostagem, percebe-se a necessidade de estudos mais aprofundados, que considerem as significativas mudanças nos seus aspectos constitutivos ao longo de um único ciclo de produção e, somando-se a isto, as características individuais de substratos de cada leira. Considerando este cenário, este trabalho tem como objetivo central a concepção de uma proposta de hardware e software denominada RealSense, que explora técnicas de aprendizado de máquina para o autoajuste de um sensor capacitivo, considerando seu uso em compostagens de diferentes naturezas. O foco é qualificar o monitoramento da umidade, provendo um maior controle das proporções dos diferentes resíduos e dos materiais aeradores, obtendo como resultado uma melhor atividade para os organismos microscópicos que ajudam na decomposição e, consequentemente, gerando um adubo mais adequado. A avaliação do resultado teve a Gravimetria como base para validação do modelo proposto. Com a análise dos resultados foi possível concluir que a técnica proposta se mostrou rápida e confiável na medição de umidade em compostagem, alcançando um coeficiente de correlação de 0.9939 entre o teor de umidade e a predição. |
id |
UFPL_468d7b9461a99207f9d4f7d0793d7d66 |
---|---|
oai_identifier_str |
oai:guaiaca.ufpel.edu.br:prefix/6216 |
network_acronym_str |
UFPL |
network_name_str |
Repositório Institucional da UFPel - Guaiaca |
repository_id_str |
|
spelling |
2020-07-10T01:09:20Z2020-07-10T01:09:20Z2020-02-27MONCKS, Paulo César Sedrez. RealSense: Uma Abordagem Explorando Aprendizado de Máquina no Monitoramento de Temperatura e Umidade em Sistemas de Compostagem. Orientador: Felipe de Souza Marques. 2020. 80 f. Dissertação (Mestrado em Ciência da Computação) – Centro de Desenvolvimento Tecnológico, Universidade Federal de Pelotas, Pelotas, 2020.http://guaiaca.ufpel.edu.br/handle/prefix/6216A compostagem, enquanto "reciclagem dos resíduos orgânicos", é uma forma de recuperar os nutrientes e levá-los de volta ao ciclo natural, enriquecendo o solo para agricultura e diminuindo a necessidade de aquisição de adubo industrializado. É também uma maneira de minimizar o lixo produzido, destinando corretamente um resíduo que se acumularia nos lixões e aterros, gerando mau-cheiro, liberando gás metano e chorume, o qual, enquanto líquido, tem potencial para contaminar o solo e as águas. Ressalte-se que, hoje, cerca de 60% do lixo no país é composto por resíduos orgânicos, cujo depósito em lixões geram severos impactos negativos ao meio ambiente e à saúde pública. Ao longo do processo de compostagem, por se tratar de uma decomposição aeróbia, existem variações de temperatura e umidade, e se não houver monitoramento e controle sobre estas variáveis, as reações bioquímicas não ocorrerão adequadamente. Existem estudos direcionados a diferentes tipos de solos que utilizam métodos não destrutivos para aferir o teor de umidade de forma rápida e precisa, como os baseados em sensores capacitivos. Particularmente, se tratando de compostagem, percebe-se a necessidade de estudos mais aprofundados, que considerem as significativas mudanças nos seus aspectos constitutivos ao longo de um único ciclo de produção e, somando-se a isto, as características individuais de substratos de cada leira. Considerando este cenário, este trabalho tem como objetivo central a concepção de uma proposta de hardware e software denominada RealSense, que explora técnicas de aprendizado de máquina para o autoajuste de um sensor capacitivo, considerando seu uso em compostagens de diferentes naturezas. O foco é qualificar o monitoramento da umidade, provendo um maior controle das proporções dos diferentes resíduos e dos materiais aeradores, obtendo como resultado uma melhor atividade para os organismos microscópicos que ajudam na decomposição e, consequentemente, gerando um adubo mais adequado. A avaliação do resultado teve a Gravimetria como base para validação do modelo proposto. Com a análise dos resultados foi possível concluir que a técnica proposta se mostrou rápida e confiável na medição de umidade em compostagem, alcançando um coeficiente de correlação de 0.9939 entre o teor de umidade e a predição.Composting, as in "recycling of organic waste", is a way to recover nutrients and return them to their natural cycle, enriching the soil for agriculture and reducing the need for industrialized fertilizers. It is also a method to minimize waste, by properly disposing a material that would accumulate in dumps and landfills, creating foul odor and releasing methane gas and leachate, a liquid with the potential to contaminate soil and water. About 60% of the waste in the country today is composed of organic waste, which is deposited in dumps, generating a severe negative impact on the environment and public health. Throughout the composting process, being it an aerobic decomposition, there are variations in temperature and humidity. Without proper monitoring and control over these variables, biochemical reactions will not occur properly. There are studies targeting different types of soil using non-destructive methods to quickly and accurately measure humidity content, such as those based on capacitive sensors. Particularly in the case of composting, there is a need for further studies, considering the significant changes in its constitutive aspects over a single production cycle, adding to this the individual substrate characteristics of each windrow. Therefore, this work aimed to conceptualize a hardware and software proposal called RealSense, which explores machine learning techniques for the self-tuning of a capacitive sensor, considering its use in composting of different natures. The aim is to qualify the monitoring of humidity, providing greater control of proportions of different waste and aerator materials, resulting in a better activity for microscopic organisms that aid in decomposition and, consequently, generating a more suitable fertilizer. The evaluation of results considered the gravimetric analysis as validation basis for the proposed model. Through the analysis of the results, it was possible to conclude that the proposed technique is a fast and reliable way of measuring moisture in compost. It reached a correlation coefficient of 0.9939 between moisture content and the prediction.Sem bolsaporUniversidade Federal de PelotasPrograma de Pós-Graduação em ComputaçãoUFPelBrasilCentro de Desenvolvimento TecnológicoCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOComputaçãoSensor de umidadeAutoajuste de sensoresUmidade em compostagemHumidity sensorSensor self-calibrationHumidity in compostRealSense: uma abordagem explorando aprendizado de máquina no monitoramento de temperatura e umidade em sistemas de compostagemRealSense: An Approach to Explore Machine Learning in Compost Monitoring.info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://lattes.cnpq.br/2054259785006041Yamin, Adenauer Correahttp://lattes.cnpq.br/8861113953470000Marques, Felipe de SouzaMoncks, Paulo César Sedrezinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFPel - Guaiacainstname:Universidade Federal de Pelotas (UFPEL)instacron:UFPELTEXTDissertacao_Paulo_Moncks.pdf.txtDissertacao_Paulo_Moncks.pdf.txtExtracted texttext/plain133046http://guaiaca.ufpel.edu.br/xmlui/bitstream/prefix/6216/6/Dissertacao_Paulo_Moncks.pdf.txt0e3c89f7212e8e01fd52f895fa49ce52MD56open accessTHUMBNAILDissertacao_Paulo_Moncks.pdf.jpgDissertacao_Paulo_Moncks.pdf.jpgGenerated Thumbnailimage/jpeg1257http://guaiaca.ufpel.edu.br/xmlui/bitstream/prefix/6216/7/Dissertacao_Paulo_Moncks.pdf.jpg66c54c5a2a13b5b56cdefd538a6a47f5MD57open accessORIGINALDissertacao_Paulo_Moncks.pdfDissertacao_Paulo_Moncks.pdfapplication/pdf3137191http://guaiaca.ufpel.edu.br/xmlui/bitstream/prefix/6216/1/Dissertacao_Paulo_Moncks.pdf015031f3c37a027e13fbcd7d2bb0873cMD51open accessCC-LICENSElicense_urllicense_urltext/plain; charset=utf-849http://guaiaca.ufpel.edu.br/xmlui/bitstream/prefix/6216/2/license_url4afdbb8c545fd630ea7db775da747b2fMD52open accesslicense_textlicense_texttext/html; charset=utf-80http://guaiaca.ufpel.edu.br/xmlui/bitstream/prefix/6216/3/license_textd41d8cd98f00b204e9800998ecf8427eMD53open accesslicense_rdflicense_rdfapplication/rdf+xml; charset=utf-80http://guaiaca.ufpel.edu.br/xmlui/bitstream/prefix/6216/4/license_rdfd41d8cd98f00b204e9800998ecf8427eMD54open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-81866http://guaiaca.ufpel.edu.br/xmlui/bitstream/prefix/6216/5/license.txt43cd690d6a359e86c1fe3d5b7cba0c9bMD55open accessprefix/62162023-07-13 06:32:03.934open accessoai:guaiaca.ufpel.edu.br:prefix/6216TElDRU7Dh0EgREUgRElTVFJJQlVJw4fDg08gTsODTy1FWENMVVNJVkEKCkNvbSBhIGFwcmVzZW50YcOnw6NvIGRlc3RhIGxpY2Vuw6dhLCB2b2PDqiAobyBhdXRvciAoZXMpIG91IG8gdGl0dWxhciBkb3MgZGlyZWl0b3MgZGUgYXV0b3IpIGNvbmNlZGUgYW8gUmVwb3NpdMOzcmlvIApJbnN0aXR1Y2lvbmFsIG8gZGlyZWl0byBuw6NvLWV4Y2x1c2l2byBkZSByZXByb2R1emlyLCAgdHJhZHV6aXIgKGNvbmZvcm1lIGRlZmluaWRvIGFiYWl4byksIGUvb3UgZGlzdHJpYnVpciBhIApzdWEgcHVibGljYcOnw6NvIChpbmNsdWluZG8gbyByZXN1bW8pIHBvciB0b2RvIG8gbXVuZG8gbm8gZm9ybWF0byBpbXByZXNzbyBlIGVsZXRyw7RuaWNvIGUgZW0gcXVhbHF1ZXIgbWVpbywgaW5jbHVpbmRvIG9zIApmb3JtYXRvcyDDoXVkaW8gb3UgdsOtZGVvLgoKVm9jw6ogY29uY29yZGEgcXVlIG8gRGVwb3NpdGEgcG9kZSwgc2VtIGFsdGVyYXIgbyBjb250ZcO6ZG8sIHRyYW5zcG9yIGEgc3VhIHB1YmxpY2HDp8OjbyBwYXJhIHF1YWxxdWVyIG1laW8gb3UgZm9ybWF0byAKcGFyYSBmaW5zIGRlIHByZXNlcnZhw6fDo28uCgpWb2PDqiB0YW1iw6ltIGNvbmNvcmRhIHF1ZSBvIERlcG9zaXRhIHBvZGUgbWFudGVyIG1haXMgZGUgdW1hIGPDs3BpYSBkZSBzdWEgcHVibGljYcOnw6NvIHBhcmEgZmlucyBkZSBzZWd1cmFuw6dhLCBiYWNrLXVwIAplIHByZXNlcnZhw6fDo28uCgpWb2PDqiBkZWNsYXJhIHF1ZSBhIHN1YSBwdWJsaWNhw6fDo28gw6kgb3JpZ2luYWwgZSBxdWUgdm9jw6ogdGVtIG8gcG9kZXIgZGUgY29uY2VkZXIgb3MgZGlyZWl0b3MgY29udGlkb3MgbmVzdGEgbGljZW7Dp2EuIApWb2PDqiB0YW1iw6ltIGRlY2xhcmEgcXVlIG8gZGVww7NzaXRvIGRhIHN1YSBwdWJsaWNhw6fDo28gbsOjbywgcXVlIHNlamEgZGUgc2V1IGNvbmhlY2ltZW50bywgaW5mcmluZ2UgZGlyZWl0b3MgYXV0b3JhaXMgCmRlIG5pbmd1w6ltLgoKQ2FzbyBhIHN1YSBwdWJsaWNhw6fDo28gY29udGVuaGEgbWF0ZXJpYWwgcXVlIHZvY8OqIG7Do28gcG9zc3VpIGEgdGl0dWxhcmlkYWRlIGRvcyBkaXJlaXRvcyBhdXRvcmFpcywgdm9jw6ogZGVjbGFyYSBxdWUgCm9idGV2ZSBhIHBlcm1pc3PDo28gaXJyZXN0cml0YSBkbyBkZXRlbnRvciBkb3MgZGlyZWl0b3MgYXV0b3JhaXMgcGFyYSBjb25jZWRlciBhbyBEZXBvc2l0YSBvcyBkaXJlaXRvcyBhcHJlc2VudGFkb3MgCm5lc3RhIGxpY2Vuw6dhLCBlIHF1ZSBlc3NlIG1hdGVyaWFsIGRlIHByb3ByaWVkYWRlIGRlIHRlcmNlaXJvcyBlc3TDoSBjbGFyYW1lbnRlIGlkZW50aWZpY2FkbyBlIHJlY29uaGVjaWRvIG5vIHRleHRvIApvdSBubyBjb250ZcO6ZG8gZGEgcHVibGljYcOnw6NvIG9yYSBkZXBvc2l0YWRhLgoKQ0FTTyBBIFBVQkxJQ0HDh8ODTyBPUkEgREVQT1NJVEFEQSBURU5IQSBTSURPIFJFU1VMVEFETyBERSBVTSBQQVRST0PDjU5JTyBPVSBBUE9JTyBERSBVTUEgQUfDik5DSUEgREUgRk9NRU5UTyBPVSBPVVRSTyAKT1JHQU5JU01PLCBWT0PDiiBERUNMQVJBIFFVRSBSRVNQRUlUT1UgVE9ET1MgRSBRVUFJU1FVRVIgRElSRUlUT1MgREUgUkVWSVPDg08gQ09NTyBUQU1Cw4lNIEFTIERFTUFJUyBPQlJJR0HDh8OVRVMgCkVYSUdJREFTIFBPUiBDT05UUkFUTyBPVSBBQ09SRE8uCgpPIERlcG9zaXRhIHNlIGNvbXByb21ldGUgYSBpZGVudGlmaWNhciBjbGFyYW1lbnRlIG8gc2V1IG5vbWUgKHMpIG91IG8ocykgbm9tZShzKSBkbyhzKSBkZXRlbnRvcihlcykgZG9zIGRpcmVpdG9zIAphdXRvcmFpcyBkYSBwdWJsaWNhw6fDo28sIGUgbsOjbyBmYXLDoSBxdWFscXVlciBhbHRlcmHDp8OjbywgYWzDqW0gZGFxdWVsYXMgY29uY2VkaWRhcyBwb3IgZXN0YSBsaWNlbsOnYS4KRepositório InstitucionalPUBhttp://repositorio.ufpel.edu.br/oai/requestrippel@ufpel.edu.br || repositorio@ufpel.edu.br || aline.batista@ufpel.edu.bropendoar:2023-07-13T09:32:03Repositório Institucional da UFPel - Guaiaca - Universidade Federal de Pelotas (UFPEL)false |
dc.title.pt_BR.fl_str_mv |
RealSense: uma abordagem explorando aprendizado de máquina no monitoramento de temperatura e umidade em sistemas de compostagem |
dc.title.alternative.pt_BR.fl_str_mv |
RealSense: An Approach to Explore Machine Learning in Compost Monitoring. |
title |
RealSense: uma abordagem explorando aprendizado de máquina no monitoramento de temperatura e umidade em sistemas de compostagem |
spellingShingle |
RealSense: uma abordagem explorando aprendizado de máquina no monitoramento de temperatura e umidade em sistemas de compostagem Moncks, Paulo César Sedrez CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Computação Sensor de umidade Autoajuste de sensores Umidade em compostagem Humidity sensor Sensor self-calibration Humidity in compost |
title_short |
RealSense: uma abordagem explorando aprendizado de máquina no monitoramento de temperatura e umidade em sistemas de compostagem |
title_full |
RealSense: uma abordagem explorando aprendizado de máquina no monitoramento de temperatura e umidade em sistemas de compostagem |
title_fullStr |
RealSense: uma abordagem explorando aprendizado de máquina no monitoramento de temperatura e umidade em sistemas de compostagem |
title_full_unstemmed |
RealSense: uma abordagem explorando aprendizado de máquina no monitoramento de temperatura e umidade em sistemas de compostagem |
title_sort |
RealSense: uma abordagem explorando aprendizado de máquina no monitoramento de temperatura e umidade em sistemas de compostagem |
author |
Moncks, Paulo César Sedrez |
author_facet |
Moncks, Paulo César Sedrez |
author_role |
author |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/2054259785006041 |
dc.contributor.advisor-co1.fl_str_mv |
Yamin, Adenauer Correa |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/8861113953470000 |
dc.contributor.advisor1.fl_str_mv |
Marques, Felipe de Souza |
dc.contributor.author.fl_str_mv |
Moncks, Paulo César Sedrez |
contributor_str_mv |
Yamin, Adenauer Correa Marques, Felipe de Souza |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
topic |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Computação Sensor de umidade Autoajuste de sensores Umidade em compostagem Humidity sensor Sensor self-calibration Humidity in compost |
dc.subject.por.fl_str_mv |
Computação Sensor de umidade Autoajuste de sensores Umidade em compostagem Humidity sensor Sensor self-calibration Humidity in compost |
description |
A compostagem, enquanto "reciclagem dos resíduos orgânicos", é uma forma de recuperar os nutrientes e levá-los de volta ao ciclo natural, enriquecendo o solo para agricultura e diminuindo a necessidade de aquisição de adubo industrializado. É também uma maneira de minimizar o lixo produzido, destinando corretamente um resíduo que se acumularia nos lixões e aterros, gerando mau-cheiro, liberando gás metano e chorume, o qual, enquanto líquido, tem potencial para contaminar o solo e as águas. Ressalte-se que, hoje, cerca de 60% do lixo no país é composto por resíduos orgânicos, cujo depósito em lixões geram severos impactos negativos ao meio ambiente e à saúde pública. Ao longo do processo de compostagem, por se tratar de uma decomposição aeróbia, existem variações de temperatura e umidade, e se não houver monitoramento e controle sobre estas variáveis, as reações bioquímicas não ocorrerão adequadamente. Existem estudos direcionados a diferentes tipos de solos que utilizam métodos não destrutivos para aferir o teor de umidade de forma rápida e precisa, como os baseados em sensores capacitivos. Particularmente, se tratando de compostagem, percebe-se a necessidade de estudos mais aprofundados, que considerem as significativas mudanças nos seus aspectos constitutivos ao longo de um único ciclo de produção e, somando-se a isto, as características individuais de substratos de cada leira. Considerando este cenário, este trabalho tem como objetivo central a concepção de uma proposta de hardware e software denominada RealSense, que explora técnicas de aprendizado de máquina para o autoajuste de um sensor capacitivo, considerando seu uso em compostagens de diferentes naturezas. O foco é qualificar o monitoramento da umidade, provendo um maior controle das proporções dos diferentes resíduos e dos materiais aeradores, obtendo como resultado uma melhor atividade para os organismos microscópicos que ajudam na decomposição e, consequentemente, gerando um adubo mais adequado. A avaliação do resultado teve a Gravimetria como base para validação do modelo proposto. Com a análise dos resultados foi possível concluir que a técnica proposta se mostrou rápida e confiável na medição de umidade em compostagem, alcançando um coeficiente de correlação de 0.9939 entre o teor de umidade e a predição. |
publishDate |
2020 |
dc.date.accessioned.fl_str_mv |
2020-07-10T01:09:20Z |
dc.date.available.fl_str_mv |
2020-07-10T01:09:20Z |
dc.date.issued.fl_str_mv |
2020-02-27 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
MONCKS, Paulo César Sedrez. RealSense: Uma Abordagem Explorando Aprendizado de Máquina no Monitoramento de Temperatura e Umidade em Sistemas de Compostagem. Orientador: Felipe de Souza Marques. 2020. 80 f. Dissertação (Mestrado em Ciência da Computação) – Centro de Desenvolvimento Tecnológico, Universidade Federal de Pelotas, Pelotas, 2020. |
dc.identifier.uri.fl_str_mv |
http://guaiaca.ufpel.edu.br/handle/prefix/6216 |
identifier_str_mv |
MONCKS, Paulo César Sedrez. RealSense: Uma Abordagem Explorando Aprendizado de Máquina no Monitoramento de Temperatura e Umidade em Sistemas de Compostagem. Orientador: Felipe de Souza Marques. 2020. 80 f. Dissertação (Mestrado em Ciência da Computação) – Centro de Desenvolvimento Tecnológico, Universidade Federal de Pelotas, Pelotas, 2020. |
url |
http://guaiaca.ufpel.edu.br/handle/prefix/6216 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Pelotas |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Computação |
dc.publisher.initials.fl_str_mv |
UFPel |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Centro de Desenvolvimento Tecnológico |
publisher.none.fl_str_mv |
Universidade Federal de Pelotas |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPel - Guaiaca instname:Universidade Federal de Pelotas (UFPEL) instacron:UFPEL |
instname_str |
Universidade Federal de Pelotas (UFPEL) |
instacron_str |
UFPEL |
institution |
UFPEL |
reponame_str |
Repositório Institucional da UFPel - Guaiaca |
collection |
Repositório Institucional da UFPel - Guaiaca |
bitstream.url.fl_str_mv |
http://guaiaca.ufpel.edu.br/xmlui/bitstream/prefix/6216/6/Dissertacao_Paulo_Moncks.pdf.txt http://guaiaca.ufpel.edu.br/xmlui/bitstream/prefix/6216/7/Dissertacao_Paulo_Moncks.pdf.jpg http://guaiaca.ufpel.edu.br/xmlui/bitstream/prefix/6216/1/Dissertacao_Paulo_Moncks.pdf http://guaiaca.ufpel.edu.br/xmlui/bitstream/prefix/6216/2/license_url http://guaiaca.ufpel.edu.br/xmlui/bitstream/prefix/6216/3/license_text http://guaiaca.ufpel.edu.br/xmlui/bitstream/prefix/6216/4/license_rdf http://guaiaca.ufpel.edu.br/xmlui/bitstream/prefix/6216/5/license.txt |
bitstream.checksum.fl_str_mv |
0e3c89f7212e8e01fd52f895fa49ce52 66c54c5a2a13b5b56cdefd538a6a47f5 015031f3c37a027e13fbcd7d2bb0873c 4afdbb8c545fd630ea7db775da747b2f d41d8cd98f00b204e9800998ecf8427e d41d8cd98f00b204e9800998ecf8427e 43cd690d6a359e86c1fe3d5b7cba0c9b |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPel - Guaiaca - Universidade Federal de Pelotas (UFPEL) |
repository.mail.fl_str_mv |
rippel@ufpel.edu.br || repositorio@ufpel.edu.br || aline.batista@ufpel.edu.br |
_version_ |
1801846986678206464 |