ANALISE DOS ARTIGOS:

Proposta de um modelo fuzzy para apoio à tomada de decisão no Controle de

Tráfego Aéreo do Aeroporto Internacional de Salvador

Um sistema baseado em lógica Fuzzy para geração e correção de simulados e

provas via web

SERRA

08 DE NOVEMBRO DE 2010
 ANALISE DOS ARTIGOS:
Proposta de um modelo fuzzy para apoio à tomada de decisão no Controle de
Tráfego Aéreo do Aeroporto Internacional de Salvador

Um sistema baseado em lógica Fuzzy para geração e correção de simulados e

provas via web

SERRA

08 DE NOVEMBRO DE 2010
Sumário
1 Introdução ao método fuzzy 4

2 Artigo 1: Proposta de um modelo fuzzy para apoio à tomada de decisão no Controle

de Tráfego Aéreo do Aeroporto Internacional de Salvador 5

2.1 Introdução ao tema abordado 5

2.2. Modelo Proposto 6

2.2.1 Distância-dec 7

2.2.2 No-ponto 8

2.2.3 Perto 8

2.2.4 Longe 8

2.2.5 Velocidade-dec 8

2.2.6 Distância-aprox 9

2.2.7 Velocidade-aprox 10

2.3 Validação e Resultados Obtidos 13

3 ARTIGO 2: Um sistema baseado em lógica Fuzzy para geração e correção de

simulados e provas via web. 14

3.1 Introdução ao tema abordado 14

3.2 Funcionamento do sistema 15

3.3 Resultados obtidos 18

4 Conclusão 20

5 Referências 21
 1 Introdução ao método fuzzy
A imperfeição da informação geralmente conhecida na literatura de sistemas baseados
em conhecimento como incerteza, porém estar endereçando outras imperfeições da
informação, como imprecisão, conflito, ignorância parcial, etc.

Um exemplo disso é quando perguntamos e a pessoa responde com “Acho” no inicio da

frase. Essas respostas podem variar de perfeitas, quando a pergunta for respondida
completamente, ou incompletas, seja pela ausência de informações ou por informações
conflitantes. O mais interessante é que é possível tomar decisões razoáveis. Para que
isso funcione, é encontrado um modelo adequado para representar a informação que
obtivemos e tratamos segundo esse modelo.
 2 Artigo 1: Proposta de um modelo fuzzy para apoio à tomada de
decisão no Controle de Tráfego Aéreo do Aeroporto Internacional
de Salvador
2.1 Introdução ao tema abordado
Para realizar o controle das aeronaves, os controladores de tráfego aéreo emitem
autorizações que às vezes envolvem termos subjetivos, vagos ou imprecisos. Este
trabalho tem o objetivo de propor um modelo utilizando lógica fuzzy para auxiliá-los na
tomada de decisão de autorização de decolagem de aeronaves em um cenário crítico
onde existem aeronaves prestes a pousar na mesma pista. A lógica fuzzy, uma das
técnicas da Inteligência Artificial, possui uma aplicabilidade potencial neste contexto.
Para validar o modelo proposto, foi implementado um protótipo com base nas técnicas
propostas neste trabalho utilizando informações reais obtidas com pilotos e
controladores de tráfego aéreo de Salvador.

Para efetuar o controle entre as aeronaves, as Torres de Controle emitem autorizações e

instruções às aeronaves. Dentre estas autorizações, as mais comuns são para pousar,
decolar, arremeter, taxiar, acionar motores e rebocar aeronaves. Um destaque será dado
para a autorização de decolagem, pois no seu processo decisório está o foco deste
trabalho.

No serviço de controle de tráfego aéreo, muitas decisões precisam ser tomadas em

tempo hábil para haver segurança e fluidez de tráfego aéreo. Diversos sistemas
computacionais têm sido implementados nos órgãos de controle a fim de auxiliar aos
controladores de tráfego aéreo e também para otimizar o uso do espaço aéreo.

Tomadas de decisão estão presentes em quase todas as atividades dos controladores de

tráfego aéreo. Um desses casos é tema deste trabalho e envolve o cenário representado
na Figura 1:

Figura 1. Cenário da tomada de decisão

Uma aeronave no solo está taxiando em direção à pista, prestes a decolar, e uma outra
aeronave se aproxima para pouso. A decisão a ser tomada pela Torre de Controle é:
“Autorizar ou não a aeronave (do solo) a decolar antes que a outra pouse com
segurança?”

Seria fácil para o controlador de tráfego aéreo tomar a decisão se a aeronave que está
por pousar estivesse bem longe ou bem perto. Porém, se a aeronave que pousa estiver a
uma distância intermediária, ocorre a dúvida, uma avaliação errada poderia causar um
incidente ou um acidente aéreo.

Diante deste cenário, este trabalho visa propor um modelo para apoio à tomada de
decisão no Controle de Tráfego Aéreo, especificamente para auxiliar aos controladores
de tráfego aéreo na tomada de decisão de autorização de decolagens de aeronaves que
possam entrar em conflito com outras aeronaves que estejam próximas para pouso.

Através de uma pesquisa de campo realizada com controladores de tráfego aéreo de

Salvador e Brasília foi verificado que os controladores não têm uma definição precisa
de velocidade de aeronaves em táxi, mas eles sabem que a aeronave está “lenta” ou
“rápida” pela experiência que possuem. Eles também não sabem distância que uma
aeronave está de um ponto de espera, mas tomam decisões através das posições em que
ela se encontra: se ela está “perto” ou “longe” do ponto de espera. É importante salientar
que muitas decisões em Controle de Tráfego Aéreo são tomadas baseadas nestas
informações e na maioria dos casos são feitas de forma eficiente, mesmo não havendo
precisão. Nesse Sentido a Lógica Fuzzy foi escolhida.

2.2. Modelo Proposto

Durante a pesquisa, foi escolhido um grupo especial de controladores de tráfego aéreo,
denominado grupo de especialistas. A finalidade deste grupo foi ajudar a selecionar os
tipos de aeronaves que seriam alvo da pesquisa, construir a tabela de decisão e validar o
sistema. Os três membros deste grupo foram escolhidos levando-se em consideração
que eles teriam que ser controladores de tráfego aéreo da Torre de Controle de Salvador
e ter no mínimo cinco e no máximo quinze anos de experiência em Controle de Tráfico
aéreo da Torre de Controle.

A primeira tarefa foi selecionar as aeronaves que mais trafegam em Salvador e que
possuem desempenho semelhante em aproximação final para pouso e táxi para
decolagem. Boeing 737-300, Boeing 737-400, Boeing 737-500, Boeing 737-700,
Boeing 737-800, Fokker 100, Airbus 319 e 320.
Em outra etapa, foram feitos questionados os seus critérios utilizados para tomar a
decisão de autorização de decolagens. Houve também um questionário direcionado a
pilotos que trafegam em Salvador, com a finalidade de saber os valores limites de
velocidade em táxi e velocidade mínima em aproximação para pouso.

Com os questionários foi possível listar os itens mais relevantes na avaliação da tomada
de decisão: tipo das aeronaves envolvidas, posição e velocidade da aeronave que está
por decolar e posição e velocidade da aeronave que se aproxima para pouso.

Diante destas informações, foi possível modelar a estrutura do sistema fuzzy. Na

Figura 3 é representado o esquema do sistema.

Foram definidas quatro variáveis de entrada (distância-dec, velocidade-dec, distância-

aprox, velocidade-aprox) e uma de saída (autorização).

2.2.1 Distância-dec
É a distância que a aeronave que está por decolar se encontra em relação ao ponto de
espera, medida em metros. Classificada como: no- ponto, perto e longe, mostrados na
Figura 4.
 Figura 4. Variável linguística distancia-dec e seus termos

2.2.2 No-ponto
Representa o ponto de espera, ou suas proximidades. Este ponto é o marco zero para a
medição das distâncias desta variável. A forma escolhida para o conjunto foi a
triangular, pois a distância zero possui grau de pertinência 1 (vértice superior) e à
medida em que se afasta do ponto de espera esse grau vai caindo proporcionalmente, até
chegar à distância 125 metros, ponto em que o grau de pertinência vale 0.

2.2.3 Perto
Representa a distância entre o ponto de espera e um ponto a 330 metros daquele ponto.
A forma triangular foi escolhida para o conjunto. É de consenso entre os controladores
de tráfego aéreo que o ponto 125 metros representa “perto do ponto de espera” (vértice
superior) e que os valores vizinhos têm representatividade gradual diminutiva. O
triângulo não é simétrico devido à transição gradual entre os termos e ao
comportamento semântico real de “perto” em Tráfego Aéreo, pois “perto” está mais
próximo de “no-ponto” do que “longe”.

2.2.4 Longe
Representa a distância entre o ponto 125 metros e o ponto 450 metros do ponto de
espera. A forma trapezoidal foi escolhida para o conjunto, pois o termo longe possui
uma faixa de valores que possuem grau de pertinência um (de 330 a 450 metros) e
também possui um trecho cujos graus de pertinência são menores que um e vão
gradativamente diminuindo à medida que se aproximam do termo “perto”.

2.2.5 Velocidade-dec
É a velocidade empregada pela aeronave que está por decolar, durante seu táxi em
direção ao ponto de espera, medida em nós. A velocidade máxima para a maioria das
aeronaves se limita a vinte nós e a mínima é zero nó.A velocidade-dec possui os termos:
zero, baixa, normal e alta, mostrados na Figura 5.
 Figura 5. Variável linguística velocidade-dec e seus
termos

Zero : Conjunto fuzzy que representa velocidades iguais a zero e próximas de zero.
Esse tipo de conjunto normalmente é chamado de número fuzzy zero.

Baixa: Conjunto de velocidades iguais a 5 KT ou próximas deste valor, tendo limite

mínimo 0 KT e máximo 10 KT. 5 KT tem grau de pertinência igual a 1.

Normal: Conjunto de velocidades iguais a 10 KT ou próximas deste valor. O

limite mínimo é 5 KT e máximo 15 KT. 10 KT tem grau de pertinência igual a 1.

Alta: Conjunto de velocidades de 15 KT a 20 KT com grau de pertinência igual a 1 e

velocidades de 10KT a 15 KT com grau de pertinência crescente de 0 a 1.

2.2.6 Distância-aprox
É a distância entre cabeceira da pista e uma aeronave que se aproxima para pouso,
medida em milhas náuticas (NM)7. Usualmente existem duas distâncias a se considerar
para a aeronave que se aproxima: perto e longe. Estes termos são mostrados na Figura
6.

Perto: Conjunto caracterizado pelas distâncias compreendidas entre 3 e 6,5

NM a partir da cabeceira da pista. Os valores entre 3 e 4.5 possuem grau de pertinência1

e os valores de 4,5 a 6,5 NM possuem graus de pertinência decrescentes de 1 a 0.

Longe: Conjunto caracterizado pelas distâncias compreendidas entre 4,5 e 8

NM da cabeceira da pista. Valores entre 4,5 a 6,5 NM possuem graus de pertinência

crescentes de 0 a 1 e valores entre 6,5 e 8 NM possuem grau de pertinência 1.
 Figura 6. Variável linguística distancia-aprox e seus termos

2.2.7 Velocidade-aprox
É a velocidade empregada pela aeronave que está em aproximação para pouso, medida
em nós. A velocidade máxima para as aeronaves estudadas se limita a duzentos nós e a
mínima de cento e vinte nós. Em média, velocidades abaixo de cento e vinte nós podem
constituir risco para a operação de aproximação, pois a aeronave pode perder
sustentação e cair, dependendo do tipo da aeronave e de seu peso. Na Figura 7 são
mostrados os termos que compõem essa velocidade: normal e alta.

Figura 7. Variável linguística velocidade-aprox e seus termos

Normal: Conjunto de velocidades entre 120 e 170 KT. Valores entre 120 e 140

KT possuem graus de pertinência igual a 1 e valores entre 140 e 170 KT possuem graus
de pertinência decrescentes de 1 a 0.

Alta: Conjunto de velocidades entre 140 e 200 KT. Valores entre 140 e 170 KT
possuem graus de pertinência crescentes de 0 a 1 e valores entre 170 e 200 possuem
graus de pertinência igual a 1.
Autorização: Variável que comporta os valores de autorização emitidos pelos
controladores de tráfego aéreo sobre a aeronave que está por decolar. Foram
identificados três tipos de autorizações: não decola, decola e decola de imediato.

Não-decola: Termo que corresponde à proibição de decolagem da aeronave naquele

momento, isto é, a aeronave deverá manter posição no ponto de espera, aguardando
posteriores instruções da Torre de Controle.

Decola-imediato: Termo que corresponde à autorização de decolagem de imediato da

aeronave. Esta decolagem deve ser executada o mais rápido que o usual.

Decola: Termo que corresponde à autorização de decolagem. Ao emitir esta

autorização, o controlador de tráfego aéreo admite a possibilidade de redução de
velocidade da aeronave (por parte do piloto) ao ingressar na pista para decolagem, tão
como uma possível parada na cabeceira da pista antes da decolagem.

Com as variáveis e termos linguísticos já definidos, o próximo passo foi escolher o

método de inferência adequado. O escolhido foi o de Takagi-Sugeno-Kang de ordem
zero [Mendel 2001], pois as funções de pertinência de saída do modelo proposto são
constantes (decola, decola de imediato ou não decola) e não são permitidas
ambiguidades ou interpolações dos conjuntos fuzzy de saída, diferentemente do método
de Mamdani, cujas funções de pertinência de saída são conjuntos fuzzy [The
Mathworks Inc 1999]. O operador de intersecção escolhido foi o mínimo e o de união
foi o máximo, pois são os mais utilizados [Mendel 2001] e o método de defuzzificação
escolhido foi a Média-Ponderada.

A base da regra fuzzy foi definida através do grupo de especialistas e consistiu de 48

regras. Na Figura 8 são mostradas algumas destas regras no formato utilizado pelo
Matlab®.
O FIS (Fuzzy Inference System) do Matlab [The Mathworks Inc 1999] foi a ferramenta
escolhida para implementação:

Figura 9. Editor FIS [The Mathworks Inc 1999] / Figura 10. Um exemplo de superfície
gerada no Visualizador de superfície

2.3 Validação e Resultados Obtidos

Para analisar a eficácia do modelo, foi necessária a etapa de validação, que consiste em
checar a resposta do sistema e a resposta dos controladores nas mesmas situações de
tomada de decisão.

É importante salientar que durante a coleta destes dados tentou-se evitar ao máximo
interferências na tomada de decisão do controlador avaliado. Este processo de validação
ocorreu no período entre fevereiro e abril de 2006, durante turnos aleatórios, no qual foi
possível registrar sessenta ocorrências de tomadas de decisão.

Após análises comparativas das ocorrências, o seguinte resultado foi obtido:

Tabela 1. Comparação dos resultados do modelo em relação ao controlador

 PORCENTAGEM INDICAÇÃO DO MODELO COMPARADO COM A
(%) DECISÃO REAL DO CONTROLADOR ESPECIALISTA
73,3 Resultados idênticos
10 A indicação do modelo foi mais precavida
10 A indicação do modelo foi melhor que a do controlador
6,7 Risco – casos em que o controlador não aceitaria a
indicação do modelo

3 ARTIGO 2: Um sistema baseado em lógica Fuzzy para geração e

correção de simulados e provas via web.
3.1 Introdução ao tema abordado
Para gerar e corrigir simulados e provas via Web utilizando lógica fuzzy para escolher
as questões. Esta escolha é feita automaticamente a partir do nível de dificuldade da
avaliação definido pelo professor. Baseado nesta informação e em uma base de
conhecimentos mantida pelo sistema, a ferramenta é capaz de selecionar dentre
inúmeras questões, aquelas que melhor representam o nível de dificuldade selecionado.

O sistema foi proposto após a observação de algumas dificuldades em relação às aulas.

Dentre os motivos que levaram à utilização do sistema, podemos destacar:

Obter resultados mais satisfatórios de provas teóricas e práticas;

Diminuir o atraso de cronograma com resolução de exercícios em sala de aula;

Obter Feedback contínuo para o professor sobre o desempenho da turma.

O sistema deve ser capaz de escolher questões baseando-se em certos critérios. Esta
escolha é feita automaticamente a partir do nível de dificuldade da avaliação definido a
priori pelo professor. Baseado nesta informação e em uma base de conhecimentos
mantida pelo sistema, o sistema é capaz de selecionar dentre inúmeras questões, aquelas
que melhor representam o nível de dificuldade selecionado.

O sistema também é capaz de armazenar históricos de provas e de simulados resolvidos,

mantendo um feedback contínuo do desempenho da turma, além disso contém um
módulo que permite gerar provas e simulados automaticamente com opção de seleção
do nível de dificuldade (somente para geração de provas), adequando o nível do
desempenho da turma. Assim sendo, as avaliações contínuas durante o processo de
ensino e aprendizagem são essenciais para o mapeamento do conhecimento do
estudante, de modo que o seu modelo de aprendizagem possa ser estabelecido.

Uma avaliação fácil não examina eficientemente o aluno, pois ele poderia estudar o
mínimo necessário. Por outro lado, preparar uma prova difícil, buscando descobrir o que
o aluno não assimilou também não é o melhor, pois poderia desanimar/desestimular o
aluno. Por isso, o ideal é o equilíbrio, ou seja, uma avaliação nem fácil nem difícil; deve
ser cobrado os conhecimentos fundamentais da matéria e inserir uma ou duas questões
de um grau de dificuldade maior. Desta forma, é possível mensurar o conhecimento do
aluno.

3.2 Funcionamento do sistema

Para gerar uma prova foi utilizada uma variável de entrada chamada “Nível de
dificuldade” e três variáveis de saída: “Porcentagem de Questões Fáceis”, “Porcentagem
de Questões Intermediárias” e “Porcentagem de Questões Difíceis”. Na figura abaixo
são demonstrados exemplos de representação de variáveis:

Fig 1. Representação Gráfica das Variáveis Lingüísticas “Nível de Dificuldade” e “Porcentagem de Questões Fáceis”

A variável “Nível de Dificuldade” corresponde ao grau de dificuldade de uma prova e

pode assumir valores reais entre 0 e 10. Esta variável é composta dos termos: “Fácil”,
“Médio” e “Difícil”. De modo análogo, as variáveis lingüísticas de saída representam a
quantidade de questões fáceis, médias e difíceis que estarão contidas em uma prova.
Estas variáveis são compostas dos termos: “Baixo”, “Médio” e “Alto”.

Para classificar uma questão quanto ao seu nível de dificuldade (Fácil, Médio ou
Difícil), é utilizado o fator índice de erros da questão, calculado a partir da fórmula:

IEQ = (NE / (NA + NE)) * 10

Sendo IEQ o Índice de Erros da Questão, NA e NE o Número de Acertos e o Número de

Erros da questão respectivamente. Desta forma é possível observar que, quanto mais
próximo de 10 estiver o valor de IEQ, mais difícil é a questão.
Toda questão recebe um nível de dificuldade inicial definido pelo usuário. Este
procedimento é necessário para garantir que o nível de dificuldade inicial da questão
não seja incoerente. À medida que simulados e provas são realizados, os valores NE e
NA são atualizados.

O conjunto de regras fuzzy utilizadas neste sistema é definido a seguir:

Regra 1: Se(nd é Fácil) então (pqf é Alto);

Regra 2: Se(nd é Médio) então (pqf é Médio);

Regra 3: Se(nd é Difícil) então (pqf é Baixo);

Regra 4: Se(nd é Fácil) então (pqi é Médio);

Regra 5: Se(nd é Médio) então (pqi é Médio);

Regra 6: Se(nd é Difícil) então (pqi é Médio);

Regra 7: Se(nd é Fácil) então (pqd é Baixo);

Regra 8: Se(nd é Médio) então (pqd é Médio);

Regra 9: Se(nd é Difícil) então (pqd é Alto);

Onde:

nd = Nível de Dificuldade;

pqf = Porcentagem de questões Fáceis;

pqi = Porcentagem de questões Intermediárias;

pqd =Porcentagem de questões Difíceis

Os passos para se obter o número de questões fáceis (Z) que deve ser adicionada a uma
prova, por exemplo, considerando-se uma entrada 2,5 como valor para a variável “Nível
de dificuldade” é demonstrado graficamente a seguir:
Como explicado, o modelo definido neste trabalho possui três variáveis de saída, assim,
dado um grau de dificuldade x, o sistema retorna como resultado uma tripla ordenada
(y, w, z) que representa, respectivamente, a porcentagem de questões fáceis,
intermediárias e difíceis incorporadas à prova. Com base nesses dados, uma avaliação
pode ser criada a partir de um banco de dados contendo as questões classificadas quanto
ao seu nível de dificuldade.

3.3 Resultados obtidos

O sistema foi usado nas aulas do curso de Introdução à Microinformática do Projeto de

Qualificação Profissional da UFLA. Ele foi apresentado para a turma do 1º semestre de

2008 em um laboratório de computadores. O Sistema foi utilizado continuamente,
gerando simulados no início das aulas e abordando tópicos apresentados na aula
anterior.

Notou-se que, com o Sistema, houve aumento da média das notas dos alunos em
relação aos simulados realizados em sala de aula. Observa-se que a média, que antes
estava abaixo de 6,0, chegou a variar entre 8,0 e 9,0 (4º ao 9º simulado) e atingiu seu
valor máximo (9,5) no 10º simulado.

A Figura abaixo mostra a comparação entre as médias da turma de 2007, que não usou o
Sistema e, a turma de 2008 usando o Sistema.

Baseado neste gráfico percebe-se que o uso do Sistema como auxílio à aprendizagem de
informática básica alterou o ânimo e a motivação dos alunos apresentado um reflexo
significativo em suas médias. Mesmo sem seu uso mediado pelos instrutores, os alunos
mencionavam a ferramenta durante as aulas, relatando seus estudos extra-classe (em
casa, no trabalho e em lanhouses).
 4 Conclusão
Após a análise dos resultados do Artigo “Proposta de um modelo fuzzy para apoio à
tomada de decisão no Controle de Tráfego Aéreo do Aeroporto Internacional de
Salvador” concluímos que é viável criar ferramentas baseadas em lógica fuzzy para o
auxilio à tomada de decisão em Controle de Tráfego Aéreo, desde que estas ferramentas
possam ser amplamente testadas e validadas.

Pois Este modelo possui um índice de risco consideravelmente alto (6,7%) para os
padrões de segurança em Controle de Tráfego Aéreo. Desta forma, o grupo de
especialistas aprovou com ressalvas o uso da ferramenta, exigindo um aperfeiçoamento
do modelo para que esta se torne plenamente operacional. Contudo, um ponto também a
ser analisado está na dificuldade do ser humano em utilizar e confiar nestes tipos de
ferramentas para ambientes altamente dinâmicos, complexos e de riscos.

Após a análise do sistema baseado em lógica Fuzzy para geração e correção de

simulados e provas via web concluímos que embora existam diversos geradores
automáticos de provas, o diferencial desse sistema é o uso da lógica Fuzzy no suporte à
escolha das questões. Às vezes, o professor de uma disciplina ao elaborar uma prova
pode equivocar-se e fazê-la muito difícil ou muito fácil. Esta característica não é
determinada pela qualidade do professor, mas pelos alunos que cursam a disciplina.
Desta forma, esse sistema fornece subsídio importante e relevante para a elaboração de
uma prova com nível de dificuldade adequado aos alunos da disciplina.
 5 Referências
Um Sistema Baseado em Lógica Fuzzy para Geração e Correção de Simulados e Provas
via Web;

Paulo Afonso Parreira Junior, Heitor Augustus Xavier Costa.

Proposta de um modelo fuzzy para apoio à tomada de decisão no Controle de Tráfego

Aéreo do Aeroporto Internacional de Salvador

Márcio Pereira Lima, Cláudio Alves Amorim.