Análise Da Utilização Da Ia E Aprendizado de Máquina No Melhoramento de Enlaces de Fibra Óptica

Instituto Federal de Educação, Ciência e Tecnologia da Paraíba
Campus Campina Grande

Coordenação do Curso Superior de Tecnologia em Telemática
ANÁLISE DA UTILIZAÇÃO DA IA E
APRENDIZADO DE MÁQUINA NO
MELHORAMENTO DE ENLACES DE FIBRA
ÓPTICA
LAYANNE KELLY GOMES SANTOS
Orientador: Ewerton Romulo Silva Castro

ii
Campina Grande, Setembro de 2023

®Layanne Kelly Gomes Santos
Instituto Federal de Educação, Ciência e Tecnologia da Paraíba
Campus Campina Grande
Coordenação do Cursos Superior de Tecnologia em Telemática
ÓPTICA
Monografia apresentada à Coordenação do

Curso de Telemática do IFPB - Campus
Campina Grande, como requisito parcial
para conclusão do curso de Tecnologia em
Telemática.
Orientador: Ewerton Romulo Silva Castro
Campina Grande, Dezembro de 2023

ÓPTICA
Ewerton Romulo Silva Castro
David Candeia Medeiros Maia
Katyusco de Farias Santos
Campina Grande, Paraíba, Brasil

Dezembro/2023
Quero dedicar este trabalho de conclusão de curso à minha família e amigos, pois o amor,
apoio e dedicação deles foram pilares fundamentais ao longo da minha jornada acadêmica.
Expresso minha gratidão à família e amigos pela compreensão nos momentos de dedicação
intensa e pelas palavras de incentivo que sempre me impulsionaram. Agradeço também aos
meus professores pela orientação valiosa e inspiração constante. Este trabalho simboliza o
resultado do esforço conjunto de todos que confiaram em mim.
As mulheres pertencem a todos os lugares onde decisões são tomadas
Ruth Bader Ginsburg
Agradecimentos
Gostaria de expressar meu sincero agradecimento a todos que contribuíram para a con-
cretização desta monografia. Este trabalho representa uma colaboração valiosa de diversas
pessoas que, de maneiras distintas, deixaram uma marca positiva em minha trajetória aca-
dêmica.
Em primeiro lugar, manifesto minha gratidão ao meu orientador Ewerton Romulo Silva
Castro. Sua dedicação, orientação e perspicácia foram elementos cruciais para o desenvolvi-
mento deste trabalho. A paciência e experiência compartilhada foram fontes inestimáveis de
aprendizado.
À minha família, especialmente aos meus pais, expresso meu agradecimento pelo amor
incondicional, encorajamento constante e pelos sacrifícios que tornaram possível minha jor-
nada acadêmica.
Aos amigos e colegas que compartilharam ideias, experiências e desafios ao longo deste
percurso, meu sincero reconhecimento. Suas contribuições não apenas enriqueceram este
trabalho, mas também moldaram minha formação como estudante e indivíduo.
Agradeço também aos professores e profissionais que, durante o curso, compartilharam
conhecimento e proporcionaram um ambiente propício ao aprendizado.
Ao Instituto Federal de Ciência e Tecnologia - IFPB que apoiou este trabalho, seja
por meio de recursos, infraestrutura ou oportunidades de desenvolvimento, meu profundo
reconhecimento.
Por último, dedico um agradecimento especial a todas as fontes de inspiração que per-
mearam este trabalho, sejam autores, pesquisadores ou figuras que influenciaram meu pen-
samento.
Cada um de vocês desempenhou um papel fundamental nesta jornada acadêmica, e é
com profunda gratidão que expresso meu reconhecimento por fazerem parte deste percurso.
vii
Resumo
A comunicação por meio de enlaces ópticos desempenha um papel fundamental em várias

áreas, como telecomunicações, redes de computadores e transmissão de dados. No entanto,
a atenuação do sinal óptico é um desafio significativo que afeta a qualidade e a eficiência
da transmissão. Com o avanço da tecnologia, a inteligência artificial (IA) e aprendizagem
de máquina emergiram como ferramentas promissoras para lidar com esse problema. Esta
revisão sistemática tem como objetivo examinar o uso da inteligência artificial para aper-
feiçoar a atenuação em enlaces ópticos. A pesquisa foi conduzida em várias bases de dados
acadêmicas e resultou na seleção de um conjunto relevante de estudos publicados nos últi-
mos anos. Os resultados desta revisão indicam que a inteligência artificial tem sido aplicada
de diferentes maneiras para melhorar a atenuação em enlaces ópticos. Uma das abordagens
mais comuns é o uso de algoritmos de aprendizado de máquina para prever e compensar
a atenuação óptica em tempo real. Esses algoritmos analisam os dados do enlace óptico e
ajustam automaticamente os parâmetros para otimizar o desempenho.
Palavras-chave: Projetos de Enlace, Fibra Óptica, Inteligência Artificial, Aprendizagem

de Máquina.
viii
Abstract
Communication via optical links plays a key role in various areas, such as telecommunica-
tions, computer networks and data transmission. However, optical signal attenuation is a
significant challenge that affects transmission quality and efficiency. With the advancement
of technology, artificial intelligence (AI) and machine learning have emerged as promising
tools to deal with this problem. This systematic review aims to examine the use of artificial
intelligence to improve attenuation in optical links. The search was conducted in various
academic databases and resulted in the selection of a relevant set of studies published in
recent years. The results of this review indicate that artificial intelligence has been applied in
different ways to improve attenuation in optical links. One of the most common approaches
is the use of machine learning algorithms to predict and compensate for optical attenuation
in real time. These algorithms analyze optical link data and automatically adjust parameters
to optimize performance.
Keywords: Link Projects, Fiber Optics, Artificial Intelligence, Machine Learning.
ix
Sumário
Lista de Figuras xii
Lista de Tabelas xiii
1 Introdução 1
1.1 Justificativa e Relevância do Trabalho . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1 Objetivo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.2 Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Organização do Documento . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Fundamentação Teórica 4
2.1 Introdução histórica: comunicação usando a luz . . . . . . . . . . . . . . . . 4
2.2 Principais meios utilizados na comunicação digital . . . . . . . . . . . . . . . 5
2.2.1 Comunicação via cabos . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2.2 Comunicação sem fio . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2.3 Comunicação óptica . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2.4 Comunicação digital . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3 Uso atual da fibra óptica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4 Projeto de enlace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.5 Inteligência artificial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.6 História do uso da inteligência artificial . . . . . . . . . . . . . . . . . . . . . 8
2.7 O que é aprendizagem de máquina? . . . . . . . . . . . . . . . . . . . . . . . 9
2.8 Redes neurais artificiais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3 Metodologia 12
3.1 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.2 Etapas da revisão sistemática . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.2.1 Formular uma questão de investigação . . . . . . . . . . . . . . . . . 13
3.2.2 Produzir um protocolo de investigação . . . . . . . . . . . . . . . . . 14
3.2.3 Definir critérios de inclusão e de exclusão . . . . . . . . . . . . . . . . 15
3.2.4 Seleção dos estudos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
x
SUMÁRIO xi
3.2.5 Extração dos dados nos artigos selecionados . . . . . . . . . . . . . . 17

3.2.6 Análise dos resultados . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3 Etapas da pesquisa bibliográfica . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3.1 Fichamento dos artigos selecionados . . . . . . . . . . . . . . . . . . . 18
3.3.2 Análise e interpretação . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4 Resultados 19
4.1 Artigos encontrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.2 Artigos selecionados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
5 Considerações Finais e Sugestões para Trabalhos Futuros 30

5.1 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
5.2 Sugestões para Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . 31
Referências Bibliográficas 32
Lista de Figuras
2.1 Interpolação de canais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2.2 Enlace óptico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Estrutura do córtex humano. . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4 Rede neural artificial. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
xii
Lista de Tabelas
3.1 Palavras para strings de busca . . . . . . . . . . . . . . . . . . . . . . . . . . 15

3.2 String de Busca e Componentes . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.3 Critérios de inclusão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.4 Critérios de Exclusão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.1 Resultados da Busca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

4.2 Publicações selecionadas - parte I. . . . . . . . . . . . . . . . . . . . . . . . . 20
4.3 Publicações selecionadas - parte II. . . . . . . . . . . . . . . . . . . . . . . . 21
4.4 Inteligência Artificial na Otimização de Projetos de Enlaces de Fibra Óptica 22
4.5 Machine-learning-based anomaly detection in optical fiber monitoring . . . . 23
4.6 Optical Performance Monitoring in Fiber-Optic Networks Enabled by Ma-
chine Learning Techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.7 Machine learning for optical fiber communication systems: An introduction
and overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.8 Automated training dataset collection system design for machine learning
application in optical networks: an example of quality of transmission estimation 25
4.9 Artificial intelligence (AI) methods in optical networks: A comprehensive survey 26
4.10 Machine Learning Techniques in Radio-over-Fiber Systems and Networks . . 27
4.11 Harnessing Machine Learning for Fiber-Induced Nonlinearity Mitigation in
Long-Haul Coherent Optical OFDM . . . . . . . . . . . . . . . . . . . . . . . 28
xiii
Capítulo 1
Introdução
À medida que surgem novas tecnologias, como a internet das coisas do inglês, Internet of
Things-IoT e o BigData, há uma elevação nas taxas de transmissão, exigindo uma tecnologia
capaz de suprir essa necessidade. Nesse contexto, a melhor opção atualmente é a fibra óptica,
tanto por alcançar altas taxas de transmissão, como também pela confiabilidade, segurança
e até mesmo sua infraestrutura (CARVALHO, 2014). Contudo, as várias vantagens da fibra
óptica não a isenta de falhas, como é o caso das distorções de informação transmitida causa-
das por fenômenos ópticos1 , que podem comprometer a qualidade da transmissão (KEISER;
GODOY, 2014).
Para isso, a inteligência artificial (IA) e o aprendizado de máquina (AM) tem se mostrado
ferramentas poderosas na solução de problemas em diversas áreas, inclusive na atenuação
em cabos de fibra óptica. Ambas estão interligadas, visto que a aprendizagem de máquina
é uma subárea da IA, se concentrando em desenvolver algoritmos e técnicas que permitem
aos computadores aprender com dados e melhorar seu desempenho em tarefas sem serem
explicitamente programados. A IA teve seu início após a Segunda Guerra Mundial e, desde
então, vem atuando em diversos campos, realizando operações semelhantes a tomadas de
decisão e aprendizagem humana (MATA et al., 2018). Desse modo, a ambas contribuem para
minimizar distorções nos projetos de enlace, também chamados de links ópticos, tratando
variáveis e analisando recursos para melhorar o tempo na formulação e instalação de um
link.
Com isso, este Trabalho de Conclusão de Curso (TCC) visa proceder uma revisão e aná-
lise sistemática sobre a relação entre inteligência artificial, aprendizado de máquina e fibra
óptica, mais precisamente entender como essas tecnologias podem contribuir nas atenuações
e distorções que podem acontecer na fibra óptica. E ainda, catalogar uma base de artigos
científicos sobre o tema a fim de aumentar o conhecimento intelectual utilizando o conheci-
mento coletivo, permitir o conhecimento de novos recursos para o desenvolvimento de estudos
específicos bem como ajudar a propor temas, problemas, metodologias para pesquisas, entre
outros (GALVãO, 2010).
1
Fenômeno óptico é qualquer evento que resulte da interação entre luz e matéria.
1
1.3 JUSTIFICATIVA E RELEVÂNCIA DO TRABALHO 2
1.1 Justificativa e Relevância do Trabalho

Os enlaces de fibra óptica desempenham um papel fundamental na transmissão de dados
em alta velocidade, sendo amplamente empregados em redes de telecomunicações e trans-
missões de dados em larga escala. Com o rápido crescimento da demanda por conectividade
e desempenho cada vez mais eficiente, as redes de fibra óptica se tornaram a espinha dorsal
da infraestrutura digital global. No entanto, essas redes são suscetíveis a vários problemas,
como a atenuação e degradação do sinal requerendo uma manutenção complexa.
Nesse contexto, a IA e a AM oferecem a capacidade de otimizar e aprimorar significativa-
mente a gestão e manutenção desses enlaces. Através da análise de dados em tempo real e da
previsão de falhas potenciais, essas tecnologias permitem a detecção precoce de problemas,
o que resulta em uma maior confiabilidade da infraestrutura de comunicação e na redução
de custos de manutenção.
Assim, a relevância desse trabalho é destacada pela sua capacidade de promover o diálogo
e o conhecimento sobre as melhorias substanciais na qualidade e disponibilidade para enlaces
ópticos, ao utilizar a IA e o AM para oferecer conexões mais estáveis e rápidas aos usuários
finais, melhorar a conectividade em regiões remotas e aprimorar a disponibilidade das redes,
bem como, realizar um levantamento bibliográfico acerca do tema.
1.2 Objetivos
1.2.1 Objetivo Geral
O objetivo geral deste estudo é investigar por meio de fontes bibliográficas selecionadas a
utilização da Inteligência Artificial (IA) e do Aprendizado de Máquina como ferramentas para
o aprimoramento de enlaces de fibra óptica, visando melhorar o desempenho, a confiabilidade
e a eficiência das redes de comunicação óptica.
1.2.2 Objetivos Específicos

• Investigar as principais técnicas e algoritmos de IA e Aprendizado de Máquina que
têm sido aplicados em problemas relacionados à otimização e manutenção de enlaces
de fibra óptica, utilizando as fontes e referências relevantes sobre o tema;
• Contribuir para o avanço do conhecimento na área de telecomunicações, fornecendo

insights valiosos sobre como a IA e o Aprendizado de Máquina podem ser aplicados
para enfrentar desafíos específicos relacionados à fibra óptica;
• Indicar fontes atuais acerca do tema proposto;
• Identificar fontes de dados e referências relevantes;
• Identificar lacunas no conhecimento.

1.3 ORGANIZAÇÃO DO DOCUMENTO 3
1.3 Organização do Documento

O presente Trabalho de Conclusão de Curso (TCC) está organizado da seguinte maneira:
O Capítulo 2 descreve toda metodologia que foi utilizada para a elaboração do mesmo, sendo
divida em tópicos e subtópicos. Seguindo temos o Capítulo 3, que foca na fundamentação
teórica do trabalho, contendo 6 títulos para auxiliar no entendimento do tema. Em seguida
temos o Capítulo 4 com os resultados finais, considerações finais e sugestões para trabalhos
futuros. E por fim as referências utilizadas para a elaboração deste trabalho.
Capítulo 2
Fundamentação Teórica
2.1 Introdução histórica: comunicação usando a luz

As primeiras formas de comunicação usando a luz surgiu em meados do século XIII a.C,
onde era usado o fogo como forma de avisar a chegada de exércitos inimigos, ou até mesmo
o uso de faróis para marcar costas perigosas para navios antigos, como é o caso do Tévennec
Lighthouse na França (MAGNANI; PISTOCCHI, 2017). Esses eventos foram a introdução
para o sistema de retransmissão, em alguns casos as torres ficavam espalhadas por centenas
de quilômetros e um aviso poderia ser retransmitido, cada torre só precisaria estar na linha
de visão uma da outra, e a luz poderia ser guiada em torno de obstáculos como montanhas.
Ao longo da história, a comunicação por meio de sinais foi uma das formas mais antigas
de se transmitir mensagens para pessoas ou grupos distantes. Com o passar dos anos, o
homem descobriu e criou várias outras formas de se comunicar, culminando em sociedades
mais organizadas e um conhecimento mais avançado. Desde os gregos até a Idade Moderna,
o homem evoluiu na forma de se comunicar, dominando técnicas cada vez mais complexas e
eficazes (GONCALVES, 2016).
Se considerarmos a comunicação óptica em um contexto mais amplo, podemos observar
que o uso da luz com fins de comunicação remonta a tempos antigos. Ao longo da história,
muitas civilizações utilizaram métodos como espelhos, fogueiras ou sinais de fumaça para
transmitir informações simples, como a notícia de uma vitória em uma batalha. De fato, essa
ideia fundamental persistiu até o final do século XVIII, quando eram empregadas lâmpadas,
bandeiras e outros dispositivos de sinalização visual para o mesmo propósito. (AGRAWAL,
2014)
Com o conhecimento em como transmitir informações foi uma questão de tempo até
que as mesmas fossem transmitidas de forma mecânica, de um ponto a outro, e até mesmo
usando decodificação. Os estudos envolvendo a fibra óptica iniciam em meados do século
XIX quando o físico inglês Jonh Tyndall realiza experimentos com feixes de luz, provando
que a luz era algo inflexível e retilíneo, que seguia em linha reta sem se desviar do seu trajeto,
sua experiência consistia em utilizar uma lanterna dentro de um recipiente opaco com água,
4
2.2 PRINCIPAIS MEIOS UTILIZADOS NA COMUNICAÇÃO DIGITAL 5
para provar que a luz poderia fazer curvas. (TRONCO, 2007) Esse princípio de guiamento
de luz foi uma descoberta revolucionária, porém ele só teve o reconhecimento da mesma
cerca de 100 anos depois quando foi utilizado para a criação da tecnologia de fibra óptica.
2.2 Principais meios utilizados na comunicação digital

Os principais meios de comunicação digital na sociedade contemporânea incluem o meio
cabeado, que utiliza cabos de par trançado e elétrons para transmitir informações; o meio
óptico, que emprega fibras ópticas e faz uso de luz ou fótons para o tráfego de dados; e
a comunicação sem fio, utilizando tecnologia wireless que emprega ondas eletromagnéticas
para modular a transmissão. Cada um desses meios possui benefícios distintos e limitações,
sendo comparáveis entre si.
2.2.1 Comunicação via cabos

A transmissão por cabo predominantemente utiliza cabos de par trançado, sendo os ti-
pos mais comuns o UTP e o STP. A principal diferença entre eles reside na presença de
blindagem adicional contra interferências no STP (TORRES, 2010). Esses cabos alcançam
velocidades de transmissão de até 10 Gbps. No entanto, eles apresentam limitações, como a
suscetibilidade a interferências eletromagnéticas, que podem corromper os dados no destino,
e uma restrição de comprimento, com cada cabo atingindo até 100 metros.
2.2.2 Comunicação sem fio

A comunicação sem fio refere-se à transmissão de dados entre dispositivos sem a neces-
sidade de conexões físicas por meio de cabos. Essa forma de comunicação utiliza ondas
eletromagnéticas para transferir informações, proporcionando mobilidade e flexibilidade em
diversos contextos. As redes sem fio utilizam três tipos de emissores: laser, infravermelho
e micro-ondas, sendo este último capaz de alcançar até 70 km. No entanto, sua eficácia é
limitada devido a diversos obstáculos que podem reduzir a distância de comunicação, como
paredes, baixa taxa de transferência, interferências de rádio transmissão, conforme ilustrado
na Figura 3.1, e preocupações com a segurança.
Figura 2.1: Interpolação de canais

2.2 PRINCIPAIS MEIOS UTILIZADOS NA COMUNICAÇÃO DIGITAL 6
2.2.3 Comunicação óptica

A comunicação óptica é uma tecnologia que utiliza luz como meio para transmitir dados
entre dispositivos. Nesse contexto, a luz é modulada para representar informações digitais
e transmitida através de meios ópticos, como fibras ópticas. Esse método oferece várias
vantagens em comparação com outras formas de comunicação.
Atualmente, as comunicações digitais encontram na tecnologia óptica o meio mais ro-
busto, beneficiando-se de sua notável imunidade a interferências eletromagnéticas, capaci-
dade superior de transmissão de dados e comprimento vantajoso em comparação com outros
meios. No entanto, é importante reconhecer que, apesar dessas vantagens, a comunicação óp-
tica enfrenta desafios, especialmente relacionados a fenômenos ópticos que podem distorcer
as informações transmitidas pela fibra, caso não sejam adequadamente corrigidos.
2.2.4 Comunicação digital

A comunicação é algo fundamental para o desenvolvimento humano e a industria sempre
até os dias de hoje, tenta formular técnicas onde a sociedade possa se comunicar a longas dis-
tâncias e em tempo real, um exemplo desse desenvolvimento, é o telefone fonte (WU, 2011).
Com o advento das redes de computadores, surgiu uma oportunidade para a transferência
de dados por meio de um novo canal de comunicação que se estabeleceria ao longo dos anos
(MORAES, 2010). Essa solução envolve o transporte de dados por cabos de par trançado,
utilizando sinais elétricos e realizando conversão digital na entrada e saída do sistema de
comunicação (MARIN, 2014).
No entanto, foi observado que esse método apresentava limitações devido às característi-
cas físicas inerentes ao meio utilizado, como o alcance limitado devido à atenuação do sinal,
exigindo repetidores ao longo do canal, e uma baixa largura de banda (SOUSA, 2009). A
crescente demanda por uma transmissão de qualidade e a diversidade de dados transmitidos
atualmente exigem um sistema mais robusto.
O interesse por comunicações digitais remonta a períodos anteriores à Segunda Guerra
Mundial, com aplicações militares. Desde então, pesquisadores têm dedicado esforços para
implementar sistemas ópticos de comunicação devido à menor atenuação e à maior largura
de banda em comparação com sistemas cabeados tradicionais (CARVALHO, 2014). Com
avanços nos estudos de óptica, percebeu-se que a luz poderia ser guiada por meio de materiais
como vidro e plástico, pois a física clássica descrevia a luz como ondas eletromagnéticas,
apoiada nas equações de Maxwell (RIBEIRO, 2009). No entanto, com o advento da física
quântica (HEWITT, 2009), que descreve a dualidade da luz como onda e partícula (KEISER;
GODOY, 2014), a compreensão da física da luz foi revista. O estudo da partícula fóton
subsidiou a criação do que hoje conhecemos como comunicações ópticas ou enlace óptico via
fibras de sílica, popularmente conhecidas como fibras ópticas.
A comunicação óptica consiste em um emissor, meio e receptor, representando os três
elementos clássicos da comunicação. O emissor é um diodo semicondutor que transmite o
2.4 USO ATUAL DA FIBRA ÓPTICA 7
sinal luminoso, o meio é a fibra de sílica composta por dióxido de silício, e o receptor é um
fotodetector (RIBEIRO, 2009), que converte os fótons em sinal elétrico para os dispositivos
eletrônicos, como computadores.
Atualmente, existem dois tipos principais de fibras ópticas, monomodo e multimodo,
diferenciadas pelo diâmetro das fibras e pela geometria óptica do feixe de luz incidente. A
monomodo tem a vantagem de alcançar maiores distâncias em um enlace em comparação
com a multimodo.
2.3 Uso atual da fibra óptica

Atualmente a fibra óptica é usada em diversos setores sendo considerada uma das tecno-
logias mais importantes da era moderna devido à sua capacidade de transmitir dados em
altíssima velocidade e em grandes distâncias. Na área de telecomunicações a fibra óptica
é usada para a transmissão de dados em redes de telefonia fixa e móvel, internet de alta
velocidade, televisão por assinatura, videoconferências, entre outros. (TRONCO, 2007)
A medicina também se beneficia da fibra óptica, pois essa tecnologia é utilizada em
procedimentos endoscópicos para visualizar internamente o corpo humano. Já a indústria de
energia a utiliza para monitorar e controlar remotamente sistemas de produção e transmissão
de energia elétrica.
Em resumo, a fibra óptica é uma tecnologia amplamente utilizada e muito versátil nos dias
de hoje, desempenhando um papel fundamental em diversos setores da sociedade moderna.
2.4 Projeto de enlace

Um enlace óptico consiste de um transmissor que converte uma entrada elétrica para uma
saída óptica, além disso é composto por um LED ou por um lazer a depender do tipo de
projeto que será feito. A luz do transmissor é acoplada à fibra óptica através de um conector,
e assim o sinal luminoso percorre toda a fibra, como ilustra a figura abaixo:
Figura 2.2: Enlace óptico

2.6 INTELIGÊNCIA ARTIFICIAL 8
Quando a luz chega ao final do receptor há um detector PIN ou APD, onde o PIN é um
tipo de fotodetector, ou seja, um dispositivo que converte a luz em sinal elétrico, o APD
segue o mesmo princípio que o PIN convertendo a luz em corrente elétrica., porém sendo
mais sensível detectando sinais de luz mais fracos. O bom desempenho do enlace depende
do sinal obtido no receptor em relação ao sinal na entrada do receptor, ou seja, se o sinal
recebido é semelhante ou idêntico ao sinal de entrada, então a performance do enlace óptico
é considerada boa.
De forma geral, a capacidade de um sistema de transmissão óptica é determinada pela
potência óptica do sinal transmitido, a qualidade dos componentes utilizados no receptor
e a qualidade do meio de transmissão. O meio de transmissão é um elemento decisivo pois
a atenuação da luz ao longo da fibra óptica pode limitar a distância de transmissão e a
qualidade do sinal.
2.5 Inteligência artificial

Conforme afirmado por Fernandes (2003), a origem da expressão ’Inteligência Artificial’
remonta ao latim, em que ’intelligere’ é desmembrado em ’inter’ entre e ’legere’ escolher. Isso
sugere que inteligência se refere à capacidade humana de fazer escolhas entre alternativas,
sendo essencialmente a maneira pela qual os seres humanos resolvem problemas e executam
tarefas. Portanto, a inteligência artificial pode ser conceituada como uma forma de inte-
ligência criada pelo ser humano com o propósito de dotar máquinas de alguma forma de
habilidade que simule a inteligência natural humana. No entanto, é importante destacar que
há outros autores que oferecem definições distintas para o termo "Inteligência Artificial".
Segundo Feigenbaum (1981, citado por Fernandes, 2003), a inteligência artificial é um
campo da ciência da computação que se concentra no desenvolvimento de sistemas de com-
putadores dotados de inteligência, ou seja, sistemas capazes de exibir características que
se assemelham ao comportamento inteligente humano. Isso pode incluir habilidades como
compreensão da linguagem, aprendizado, raciocínio e resolução de problemas.
2.6 História do uso da inteligência artificial

Conforme apontado por Bittencourt (2001), a inteligência artificial tem uma longa história,
remontando séculos atrás, quando dispositivos eram empregados para medir o tempo e imitar
comportamentos animais simples. Com o passar do tempo, surgiram inovações como relógios
e técnicas de cálculo, como o ábaco, que eventualmente levaram ao desenvolvimento de
computadores, um progresso significativo que ocorreu principalmente após a Segunda Guerra
Mundial.
De acordo com Martino (2009), após essa fase, a inteligência artificial passou por três
gerações de lógica nos computadores modernos. Em 1943, os pesquisadores Warren McCul-
2.7 O QUE É APRENDIZAGEM DE MÁQUINA? 9
loch e Walter Pitts criaram uma rede de neurônios artificiais que simulava o funcionamento
de neurônios biológicos. Eles demonstraram que qualquer função computável poderia ser
calculada por meio de redes neurais apropriadas e que as portas lógicas poderiam ser repre-
sentadas por uma rede neural simples, indicando a possibilidade de aprendizado de máquina.
Em 1949, Donald Hebb demonstrou que isso era possível com seu modelo de "Aprendizado
de Hebb".
Russel e Norvig (2004) mencionam que o termo "Inteligência Artificial"foi cunhado pela
primeira vez em 1956 durante um seminário em Dartmouth. A primeira fase da inteligência
artificial, de 1952 a 1969, foi marcada por entusiasmo e otimismo, com avanços significativos
na área. No entanto, as expectativas exageradas levaram a metas cada vez mais ambiciosas,
que falharam de forma desastrosa.
A partir dos anos 80, os sistemas de inteligência artificial baseados em sistemas especi-
alistas começaram a ganhar destaque, proporcionando grandes economias para as empresas
e gerando uma alta demanda por esses sistemas. No entanto, novamente surgiram desafios
e problemas relacionados ao não cumprimento de metas, mais notavelmente por volta de
1988. Nos últimos anos, a inteligência artificial amadureceu significativamente, e em 1987
foi reconhecida como uma ciência, o que levou a uma melhor compreensão dos problemas e
de suas complexidades.
Hoje em dia, como destaca Pereira (2005), a inteligência artificial desempenha um papel
proeminente em áreas como planejamento autônomo, jogos, controle autônomo, diagnóstico,
planejamento logístico, reconhecimento de linguagem e resolução de problemas.
2.7 O que é aprendizagem de máquina?

Conforme Santos (2005, citado por Mitchell, 1997) explica, o aprendizado de máquina
é essencialmente um processo de aprendizado baseado na experiência, onde, à medida que
uma tarefa é executada, o sistema aprende qual é a melhor maneira de resolvê-la. Isso
implica na estruturação do conhecimento existente, permitindo um aprimoramento contínuo
do entendimento durante o processo de aprendizado.
Como indicado por (COPPIN, 2010), existem vários métodos de aprendizado de máquina
disponíveis. Um desses métodos é o aprendizado por hábito, no qual o programa aprende com
base em experiências passadas, armazenando apenas os dados que podem ser categorizados.
No entanto, se ele não conseguir classificar os dados informados, o método falhará. Outro
método é o aprendizado por conceito, que analisa todas as hipóteses e determina qual delas
é a correta. Dentro desse método, há uma subdivisão conhecida como "hipótese mais geral",
que significa que, se não houver uma hipótese correta clara, o programa escolherá aquela
que mais se aproxima do correto. No entanto, esses métodos têm suas limitações, uma vez
que nem sempre o usuário está interessado na hipótese correta, mas sim na mais comum.
Uma forma avançada de aprendizado de máquina, conforme descrito por Coppin (2010),
2.8 REDES NEURAIS ARTIFICIAIS 10
é o uso de redes neurais. Essas redes são semelhantes ao funcionamento do cérebro humano,
consistindo em uma vasta rede de neurônios. Geralmente, essas redes são organizadas em
duas camadas: a primeira camada recebe as informações a serem classificadas, utiliza um
processo de aprendizado supervisionado para ajustar as conexões com base nas informações
fornecidas e, por fim, ativa os neurônios de saída. Embora seja uma abordagem complexa, as
redes neurais são altamente precisas e tendem a evitar erros comuns encontrados em outros
métodos de aprendizado. Além disso, dentro das redes neurais, existe a forma de aprendizado
não supervisionado, que não requer classificação prévia, como ocorre, por exemplo, em uma
pesquisa na Internet que apresenta resultados interpretados sem uma classificação definida
pelo usuário.
2.8 Redes neurais artificiais

As Redes Neurais Artificiais (RNAs) são algoritmos computacionais que se baseiam em um
modelo matemático inspirado na estrutura de organismos inteligentes. Esses algoritmos per-
mitem a simulação simplificada do funcionamento do cérebro humano em computadores. Si-
milarmente ao cérebro humano, as RNAs têm a capacidade de aprender e tomar decisões com
base nesse aprendizado. Em essência, as RNAs constituem um esquema de processamento
que pode armazenar conhecimento adquirido por meio de aprendizagem e disponibilizá-lo
para aplicação em tarefas específicas (SPöRL; CASTRO; LUCHIARI, 2011).
O campo das redes neurais surgiu da colaboração entre um matemático e um neurofisi-
ologista, que combinaram suas habilidades para criar uma área da ciência da computação
capaz de realizar tarefas de maneira semelhante e possivelmente superior aos seres humanos.
Como mostra a Figura 4, a estrutura do córtex humano serviu como inspiração para a cons-
trução do arranjo matemático das redes neurais artificiais. A premissa subjacente foi a de
que imitar a estrutura do córtex humano em funções matemáticas resultaria em desempenho
de processamento semelhante ao do cérebro humano (HAYKIN, 2007). A Figura 5 oferece
uma representação visual de uma rede neural artificial.
Figura 2.3: Estrutura do córtex humano.

2.8 REDES NEURAIS ARTIFICIAIS 11
Figura 2.4: Rede neural artificial.

Capítulo 3
Metodologia
3.1 Metodologia
No presente trabalho foram utilizados dois métodos de pesquisa: a revisão sistemática
e a pesquisa bibliográfica. A revisão sistemática consiste basicamente em uma técnica de
pesquisa que permite reunir e analisar evidências de estudos relevantes para responder a
uma pergunta. Já a pesquisa bibliográfica é um método sistematizado baseado em materiais
de publicação científica como livros, artigos, jornais, revistas, entre outros.
3.2 Etapas da revisão sistemática

Uma revisão sistemática é uma abordagem metodológica e estruturada utilizada para
sintetizar, analisar e interpretar a evidência disponível em uma área específica de pesquisa.
Trata-se de um processo sistemático e transparente que visa reunir, avaliar e sintetizar os
resultados de estudos primários, proporcionando uma visão abrangente do estado atual do
conhecimento em um determinado tópico. (DONATO; DONATO, 2019)
O método envolve uma série de etapas cuidadosamente planejadas, desde a formulação
da pergunta de pesquisa até a análise e interpretação dos resultados, como segue abaixo:
1. Formular uma questão de investigação;
2. Produzir um protocolo de investigação (especifica a questão a ser investigada e os

métodos que serão usados para tal);
3. Definir os critérios de inclusão e de exclusão;
4. Seleção dos estudos;
5. Extração dos dados nos artigos selecionados;
6. Análise dos resultados.
12
3.2 ETAPAS DA REVISÃO SISTEMÁTICA 13
3.2.1 Formular uma questão de investigação

A formulação apropriada da pergunta é um elemento essencial para a condução eficaz de
uma revisão sistemática. A pergunta não apenas orienta o escopo da revisão, determinando
quais estudos serão incluídos, mas também influencia as estratégias de identificação desses
estudos e a coleta de dados relevantes de cada artigo selecionado. A definição da pergunta
representa uma parte fundamental na elaboração de uma revisão sistemática, pois serve
como bússola, direcionando todas as atividades subsequentes no processo. É por meio da
formulação clara e precisa da pergunta que se estabelece a base para uma revisão abrangente
e bem sucedida.
Antes de iniciar a busca por estudos relevantes em uma revisão sistemática, é funda-
mental desenvolver um protocolo que esteja alinhado com as questões da revisão e que seja
incorporado como um plano de projeto. Conforme Briner e Denyer (2012), a revisão siste-
mática é guiada por uma questão de pesquisa, uma pergunta, que orientará a seleção dos
estudos a serem incluídos. Isso garante que a revisão seja sistemática e confiável, fornecendo
evidências confiáveis para a tomada de decisões. Dessa forma foram elaboradas 3 perguntas.
No que se refere a primeira pergunta foi considerado importante delimitar e quantificar
os artigos para os futuros pesquisadores e até os projetistas de enlace sobre o tema, princi-
palmente para ter um norte e entender o quão esse assunto já foi pesquisado e discutido. No
caso a primeira pergunta foi:
Q1: Qual o total de artigos publicados tratam a inteligência artificial e aprendizagem de

máquina como uma ferramenta que pode auxiliar projetos de enlace com fibra óptica?
A segunda pergunta refere-se ao veículo de publicação que detém mais ou menos artigos
sobre o tema proposto. Se por algum motivo algum veículo em específico concentra mais
artigos referente ao tema proposto, será devidamente informado aos pesquisadores e proje-
tistas qual é esse veículo. Para esse ponto a segunda questão foi:
Q2: Em quais veículos e revistas de pesquisa científica encontram-se publicados esses ar-
tigos?
Para a terceira pergunta foi observado o ano de publicação dos artigos, para que o proje-
tista e pesquisador tenha uma referência de como este tema vem sendo atualizado ao longo
dos anos.
Q3: Quais os anos de publicação dos artigos encontrados?
A quarta questão refere-se à participação de um projetista de enlace em fibras ópticas

nas investigações relatadas no artigo. O interesse nessa questão vem do fato de que a parti-
cipação de um projetista de enlace na execução do artigo traria riqueza e um detalhamento

maior para o pesquisador.
Q4: Quantos e quais desses artigos envolvem a participação de um projetista de enlace?
Por fim, temos a questão 5 que foca em quais técnicas e algoritmos de IA e Aprendi-
zado de Máquina foram utilizados com sucesso em problemas relacionados ao tema proposto.
Q5: Quais algoritmos e técnicas foram utilizados?
3.2.2 Produzir um protocolo de investigação

Um protocolo de investigação, é essencial para orientar a revisão de forma sistemática.
Esse protocolo não apenas esclarece a questão central e os métodos a serem empregados,
mas também estabelece claramente os objetivos da revisão. No protocolo, são delineados os
termos de pesquisa, as bases de dados e outros recursos a serem consultados, tudo isso com
o propósito de minimizar qualquer viés antes do início da busca na literatura.
Além disso, o protocolo inclui critérios rigorosos para inclusão e exclusão de estudos,
descreve como a seleção dos estudos será conduzida e estabelece métodos para lidar com
discrepâncias, modelos para extração de dados e avaliação da qualidade dos estudos. Ele
também especifica a estratégia para a síntese dos dados, fornecendo uma estrutura sólida
que orienta cada fase da revisão de maneira consistente. Essa abordagem metodológica prévia
garante transparência e robustez ao processo de revisão.
Para realizar a pesquisa de publicações foram utilizados quatro motores de busca, são
eles: 1 Google Acadêmico, 2 Periódicos CAPES e 3 Ieee Xplore. A escolha dessas plataformas
se deu pelo fato de que todas têm escopos diferentes e dessa forma haveria mais diversidade
entre as publicações escolhidas. Porém é válido ressaltar a possibilidade de interseção entre
elas, ou seja, considerar o fenômeno de um mesmo artigo aparecer em mais de um motor de
busca ou em diversas bases de dados acadêmicas. Isso pode ocorrer por várias razões, sejam
elas o uso da mesma base de dados ou até mesmo o autor ter publicado em mais de uma
plataforma.
Em relação às palavras-chave inseridas nas plataformas foi optado tanto pela língua por-
tuguesa como também pela língua inglesa. Foram formuladas quatro strings de busca ou
palavras-chave com o intuito de tornar a pesquisa mais abrangente. Sendo assim, as expres-
sões da pesquisa foram alocadas nesses quatro grupos, conforme a Tabela 3.1
1
scholar.google.com.br
2
www.periodicos.capes.gov.br
3
ieeexplore.ieee.org
Ordem Assunto
1° Ordem Projeto de enlace
2° Ordem Fibra óptica
3° Ordem Inteligência artificial ou Aprendizagem de máquina
4° Ordem Atenuação
Tabela 3.1: Palavras para strings de busca
Após estabelecer a ordem das strings de busca foi estabelecido o uso dos operadores
lógicos, como AND, NOT e OR. Abaixo foi inserido uma tabela de como se deu o uso dos
operadores lógicos e a ordem das palavras-chave.
Termo de Busca Componentes

String de Busca Projeto de Enlace OR Link Project AND
Fibra Óptica OR Optical Fiber AND
Inteligência Artificial OR Artificial Intelligence OR AI
OR ML AND
Atenuação OR Mitigation
Tabela 3.2: String de Busca e Componentes
3.2.3 Definir critérios de inclusão e de exclusão

Os critérios de inclusão e exclusão são elementos fundamentais em uma revisão sistemática,
definindo quais estudos serão considerados e quais serão descartados durante o processo de
seleção. Os critérios de inclusão são direcionados para garantir que os estudos selecionados
estejam alinhados com os objetivos da revisão. Eles especificam características essenciais que
os estudos devem possuir para serem considerados. Por exemplo, podem incluir a relevância
temática, o tipo de desenho do estudo desejado, a população de interesse, a intervenção ou
exposição investigada, e os desfechos específicos que os estudos devem abordar.
Já os critérios de exclusão são estabelecidos para descartar estudos que não atendem
aos critérios de interesse da revisão. Esses critérios podem incluir a não relevância temática,
desenhos de estudo inadequados, populações não pertinentes, intervenções ou exposições não
adequadas, ou estudos que não relatem os resultados de interesse.
Nesta etapa definimos os critérios de inclusão e exclusão, eles nos orientaram para a
seleção dos estudos que serão incorporados ou excluídos neste trabalho. Dessa forma para os
critérios de inclusão temos estabelecido alguns pontos como o ano de publicação estar entre
2000 e 2023, por estarmos falando de temas que se tornaram notórios a cerca de duas décadas
é importante estabelecer uma faixa temporal interessante para ambos, tanto para IA e ML
como também para fibra óptica. Seguindo temos artigos que abordam a inteligência artificial
como forma de auxiliar em projetos de enlace, estamos se referindo a estudos que exploram a
aplicação de técnicas e algoritmos de inteligência artificial para melhorar e otimizar projetos
de comunicação por enlace.
Temos também como critério de inclusão possuir pelo menos três das palavras-chave em
seu título, ou seja, incluir o artigo que no título tenha pelo menos três palavras-chave que
sejam representativas e relevantes para o conteúdo deste estudo. Essa prática nos ajuda ob-
servar de forma eficaz o escopo e o conteúdo do artigo. Por fim temos, o idioma do artigo
ser especificamente em português ou inglês, como ilustra a Tabela 3.3:
Critério Descrição
Inclusão O ano de publicação está entre 2000 e 2023.
Inclusão Artigos que abordam a inteligência artificial como forma de
auxiliar em projetos de enlace.
Inclusão Possuir pelo menos três das palavras-chave em seu título.
Inclusão O idioma do artigo ser especificamente em português ou in-
glês.
Tabela 3.3: Critérios de inclusão
Para os critérios de exclusão temos quatro pontos, que são: o artigo não cita IA ou ML
para aplicação em projetos de enlace, ou seja, o artigo não faz nenhuma relação de IA ou ML
em projetos de enlace usando fibra óptica. Seguindo temos, o trabalho não ser científico, ou
seja, não seguir princípios, métodos e padrões típicos da pesquisa científica, como a ausência
de uma metodologia clara e sistemática, o uso de fontes não científicas, entre outros. Em
terceiro temos artigos duplicados ou semelhantes que refere-se à existência de documentos
que compartilham conteúdo substancialmente similares ou idênticos. E por fim temos arti-
gos que aparentemente não contribuem para a pesquisa vigente, ou seja, sugere que alguns
artigos podem não apresentar contribuições significativas ou relevantes para este trabalho.
Como ilustra a Tabela 3.4:
Critérios Descrição
Exclusão O artigo não cita a IA ou ML para aplicação em projetos de
enlace.
Exclusão O trabalho não é científico.
Exclusão Artigos duplicados ou semelhantes.
Exclusão Artigos que aparentemente não contribuem para a pesquisa
vigente.
Tabela 3.4: Critérios de Exclusão
3.2.4 Seleção dos estudos

A etapa de seleção dos estudos desempenha um papel crucial na identificação e inclusão
dos trabalhos mais relevantes para responder à pergunta de pesquisa. A escolha dos estudos
a serem incorporados na revisão é orientada pelos critérios estabelecidos antecipadamente no
3.3 ETAPAS DA PESQUISA BIBLIOGRÁFICA 17
protocolo. Esses critérios são definidos antes da busca na literatura, garantindo que não sejam
influenciados pelos resultados específicos encontrados durante a revisão. Essa abordagem
não apenas assegura a imparcialidade do processo, mas também protege os revisores contra
alegações de viés, uma vez que a seleção dos estudos pode ser inadvertidamente influenciada
pela experiência profissional do reviso.
3.2.5 Extração dos dados nos artigos selecionados

Esta etapa envolve uma avaliação descritiva de cada estudo, ou seja, os dados de cada
estudo, como autor, ano, título, palavras-chave, resumo e até a análise do artigo como um
todo será feita nesta etapa, utilizando tabelas para uma melhor organização.
3.2.6 Análise dos resultados

A análise dos resultados é uma fase crítica que demanda a interpretação cuidadosa e a
contextualização das informações extraídas dos estudos incluídos. Durante esse processo,
buscamos identificar padrões, tendências e discrepâncias nos dados para responder à per-
gunta de pesquisa.
A interpretação dos resultados é realizada à luz da pergunta de pesquisa original, bus-
cando responder diretamente ao objetivo da revisão. Considerando a relevância clínica ou
prática dos resultados, examinando como essas descobertas podem ser aplicadas no contexto
do campo de estudo ou na prática profissional.
Para esse trabalho de conclusão de curso será exposto uma tabela geral com os artigos
selecionados e suas informações gerais, bem como o escopo da pesquisa e os principais algo-
ritmos citados no mesmo. Como uma forma de exibir de forma geral onde e com o que cada
artigo esta trabalhando.
3.3 Etapas da pesquisa bibliográfica

A pesquisa bibliográfica é o levantamento ou revisão de obras publicadas sobre a teoria
que irá direcionar o trabalho científico o que necessita uma dedicação, estudo e análise pelo
pesquisador que irá executar o trabalho científico e tem como objetivo reunir e analisar
textos publicados, para apoiar o trabalho científico. (SOUSA; OLIVEIRA; ALVES, 2021)
A mesma baseia-se no estudo da teoria já publicada, assim é fundamental que o pes-
quisador se aproprie no domínio da leitura do conhecimento e sistematize todo o material
que está sendo analisado. Na realização da pesquisa bibliográfica o pesquisador tem que ler,
refletir e escrever o sobre o que estudou, se dedicar ao estudo para reconstruir a teoria e
aprimorar os fundamentos teóricos.
Para essa pesquisa, optamos por avançar algumas etapas da pesquisa bibliográfica visto
que a mesma se assemelha em alguns pontos com a revisão sistemática, principalmente
3.3 ETAPAS DA PESQUISA BIBLIOGRÁFICA 18
nos primeiros pontos, como: formular uma questão de investigação, critérios de inclusão e
exclusão, identificação de fontes de informação. Dessa forma para esse trabalho usaremos as
etapas de resultados que são:
1. Fichamento dos artigos selecionados;
2. Análise e interpretação.
3.3.1 Fichamento dos artigos selecionados

O objetivo desta etapa das é descrever todas as informações que possam colaborar para
o desenvolvimento da pesquisa, buscando as ideias principais, apresentando reflexões sobre
as ideias das obras e soluções ou comprovações das hipóteses do trabalho em estudo.
Segundo (SALVADOR, 1980) os fichamentos são utensílios importantes no processo da
ordenação das informações no desenvolvimento de uma pesquisa e tem como objetivo a
identificação das obras consultadas, do conteúdo e a ordem das informações.
Neste trabalho usaremos os seguintes seguimentos, o foco do artigo selecionado, a im-
portância dele para o tema em questão, as técnicas (algoritmos) utilizadas, as aplicações e
as contribuições do mesmo.
3.3.2 Análise e interpretação

Após a construção dos fichamentos é o momento de realizar a crítica de todo material
bibliográfico levantado e analisar o material.
Capítulo 4
Resultados
4.1 Artigos encontrados

Ao todo foram encontrados mais de 500 artigos utilizando as bases de dados Google Aca-
dêmico, Periódicos CAPES, e Ieee Xplorer como mostra a Tabela 4.1:
String de Busca Google Acadê- Periódico Ca- IEEE Xplore

mico pes
182 0 0
Projeto de Enlace OR Link Project 183 98 16
AND Fibra Óptica OR Optical Fiber
AND Inteligência Artificial OR AI OR
ML AND Atenuação OR Mitigation
57 25 3
Total 422 123 19
Tabela 4.1: Resultados da Busca
Esse resultado foi obtido realizando a pesquisa usando as strings de busca em cada
periódico citado. Vale ressaltar que a primeira busca foi feita com as palavras-chaves em
língua portuguesa, obtendo 182 resultados no Google Acadêmico, 0 resultados no Periódicos
CAPES e 0 resultados Ieee Xplorer. Já utilizando palavras-chaves língua inglesa foi coletado
193 artigos no Google Acadêmico, 98 no Periódicos CAPES e 16 no Ieee Xplorer e por fim
temos as pesquisas utilizando abreviações, IA e ML, obtivemos 57 no Google Acadêmico, 25
no Periódicos CAPES e 3 no Ieee Xplorer.
Ao todo foi obtido 564 resultados, no entanto nem todos foram analisados, devido primei-
ramente a quantidade de artigos, como também por duplicidades, podendo haver interseções
entre as plataformas onde foram obtidos esses resultados. Dessa forma aplicamos os critérios
de inclusão e exclusão e pensando no tempo que seria utilizado para analisar e estudar cada
artigo, selecionamos oito artigos para compor a análise sobre o uso da inteligência artificial
e aprendizagem de máquina como forma de aperfeiçoar projetos de enlace utilizando fibra
19
4.2 ARTIGOS SELECIONADOS 20
óptica.
4.2 Artigos selecionados

Seguindo os critérios de inclusão e exclusão e avaliando os resumos e a introdução foram
selecionados oito artigos para compor a revisão sistemática sobre o uso da inteligência ar-
tificial como forma de aperfeiçoar projetos de enlace. Foi feito uma tabela detalhando cada
artigo, e definindo, de forma geral, o que cada um estabelece, como autor(es), ano de pu-
blicação, periódico, título do artigo, as palavras-chaves que o compõem, além das principais
técnicas utilizadas para aperfeiçoar projetos de enlace. Segue a tabela abaixo:
Autor(es) Ano Periódico Título do Ar- Palavras- Técnicas (Algorit-

tigo Chave mos)
Bruno 2019 Google Análise de técni- Inteligência Redes neurais artifici-
Lima Acadêmico cas de inteligên- artificial, Ma- ais, algoritmos de oti-
cia artificial para
chine Learning, mização.
o projeto de en- Rede Neural
lace de fibra óp- Artificial, Co-
tica municações
Ópticas.
Faisal 2018 IEEE Optical Per- Coherent De- Análise em tempo real
Nadeem Xplorer formance Mo- tection, Fiber usando aprendizado
Khan, nitoring in Optic, Optical de máquina, desvio
Chao Lu e Fiber-Optic Networks dos padrões normais.
Alan Pak Networks Ena-
Tao Lau bled by Machine
Learning Tech-
niques
Khouloud 2022 IEEE Machine- Optical fibers, Algoritmos de apren-
Abdelli, Xplorer learning-based Optical network dizado de máquina,
Joo Yeon anomaly detec- units, Optical redes neurais, detec-
Cho, tion in optical fiber cables, ção de novidades.
Florian fiber monitoring Optical pulses,
Azendorf Eavesdropping,
Anomaly detec-
tion
Josh W. 2021 Google Machine lear- Artificial intelli- Redes neurais, árvores
Nevin, Acadêmico ning for optical gence, Artificial de decisão, algoritmos
Sam Nal- fiber communi- neural networks, de clusterização.
laperuma, cation systems: Machine lear-
Nikita An introduction ning, Optical
A. Shev- and overview communicati-
chenko ons, Optical
networks, Opti-
cal fibers
Tabela 4.2: Publicações selecionadas - parte I.

Autor(es) Ano Periódico Título do Ar- Palavras- Técnicas (Algorit-

tigo Chave mos)
Jiayuan 2020 Periódico Machine Lear- Radio-over- Descreve as metodo-
He, Je- CAPES ning Techniques fiber, Fiber- logias utilizadas para
onghun in Radio-over- wireless, Optical incorporar o apren-
Lee, Fiber Systems wireless inte- dizado de máquina
Sithampa- and Networks gration, Neural em sistemas RoF, in-
ranathan networks, Artifi- cluindo a coleta de da-
Kandee- cial intelligence, dos relevantes, seleção
pan e Ke Machine lear- de algoritmos apropri-
Wang ning ados e procedimentos
de treinamento do mo-
delo.
Javier 2018 Google Artificial in- Artificial intelli- Redes neurais, algo-
Mata, Acadêmico telligence (AI) gence, Machine ritmos de aprendizado
Ignacio de methods in opti- learning, Optical de máquina, lógica di-
Miguel, cal networks: A communicati- fusa, algoritmos de
Ramón comprehensive ons, Optical otimização.
J. Durán, survey networks, Op-
Noemí timization,
Merayo Survey
Elias Gia- 2018 Periódico Harnessing ma- Fiber optics Técnica OFDM para
coumidis, CAPES chine learning communicati- a modulação dos si-
Yi Lin, for fiber-induced ons, Machine nais ópticos, menci-
Jinlong nonlinearity learning, Ar- onando eficiência es-
Wei, Ivan mitigation in tificial neural pectral e capacidade
Aldaya long-haul cohe- network, Sup- de lidar com efeitos de
rent optical port vector dispersão.
OFDM machine, Cluste-
ring, Nonlinear
equalization,
Coherent optical
OFDM
Jianing 2021 IEEE Automated Optical atte- Coleta automatizada
Lu, Qirui Xplorer training data- nuators, Wave- de dados, aprendizado
Fan, Alan set collection length division de máquina para esti-
Pak Tao system design multiplexing, mativa de qualidade.
Lau, Chao for machine Training, Esti-
Lu learning applica- mation, Optical
tion in optical signal proces-
networks: an sing, Nonlinear
example of qua- optics, Optical
lity of transmis- transmitters
sion estimation
Tabela 4.3: Publicações selecionadas - parte II.
Na tabela acima os artigos foram divididos em sessões, ressaltando os dados dos artigos
como os autores das obras, o ano de publicação, o periódico onde foi encontrado, o tema
que abrange, as palavras-chave do mesmo e por fim as principais técnicas utilizadas para
aperfeiçoar projetos de enlace. Importante destacar que os anos de publicação dos artigos
selecionados estão entre os anos de 2018 a 2022, mostrando o quão esse tema é recente e
pouco explorado.
Entre os autores citados o nome de Chao Lu está entre os mais citados sobre o tema,
tornando-o uma espécie de referência. Além disso, abaixo temos tabelas juntamente com
o fichamento para cada artigo selecionado e também um breve resumo sobre os mesmos
enfatizando pontos como: foco; importância do artigo; técnicas utilizadas; aplicações e con-
tribuições. Esse ponto do trabalho visa fornecer para o leitor uma comparação geral dos
artigos selecionados, buscando uma noção geral dos artigos escolhidos.
O artigo Inteligência Artificial na Otimização de Projetos de Enlaces de Fibra Óptica

aborda a aplicação da inteligência artificial (IA) no aprimoramento de projetos de enla-
ces de fibra óptica. A IA oferece uma abordagem inovadora para otimizar a eficiência e o
desempenho desses sistemas, contribuindo para uma maior capacidade de transmissão, con-
fiabilidade e eficácia na comunicação óptica. Métodos específicos de IA, como algoritmos de
aprendizado de máquina e redes neurais artificiais, são explorados para otimizar variáveis
cruciais, como potência de sinal, largura de banda e qualidade de transmissão. O artigo
discute casos de uso práticos e demonstra como a implementação inteligente da IA pode
resultar em melhorias significativas no design e na operação de enlaces de fibra óptica, como
ilustra a tabela 4.4:
Tabela 4.4: Inteligência Artificial na Otimização de Projetos de Enlaces de Fibra Óptica
Foco Importância Técnicas Aplicações Contribuições

Aplicação de Otimização Algoritmos Encontrar con- Projetos de rede
inteligência do plane- genéticos, figurações de de fibra óptica
artificial na jamento e redes neurais enlace ideais mais eficientes e
otimização design de artificiais, para eficiência e otimizados.
do projeto redes de fibra algoritmos de minimização de
de enlaces de óptica otimização perda de sinal
fibra óptica
O artigo Machine-learning-based anomaly detection in optical fiber monitoring discute a

aplicação de técnicas de aprendizado de máquina para detecção de anomalias em sistemas de
monitoramento de fibra óptica. O objetivo do estudo é detectar comportamentos anormais
que possam indicar falhas ou problemas nas fibras ópticas, promovendo assim manutenções
preventivas e melhorando a confiabilidade desses sistemas. O artigo descreve a importância
das fibras ópticas em diversas aplicações, como telecomunicações e redes de dados, e enfatiza
a necessidade de controlar sua integridade para evitar interrupções e perda de dados. Os
métodos tradicionais de rastreamento podem não ser eficazes na detecção de anomalias sutis
ou padrões complexos que levam a abordagens de aprendizado de máquina. Os autores do
artigo recomendam o uso de algoritmos de aprendizado de máquina, como redes neurais e

métodos de detecção de novidades, para analisar dados coletados por fibras ópticas.
Eles explicam como os algoritmos são treinados para aprender padrões corretos de com-
portamento usando dados frequentes. Posteriormente, estes modelos treinados podem identi-
ficar desvios significativos dos padrões normais como anomalias potenciais. Resultados expe-
rimentais são apresentados para demonstrar a eficácia da abordagem proposta na detecção
de diversas anomalias, como quebras de fibra, flutuações repentinas de sinal e distúrbios
externos. Os resultados sugerem que uma abordagem de aprendizagem automática pode
melhorar significativamente a capacidade de identificar problemas ópticos numa fase inicial,
contribuindo para a fiabilidade e eficiência contínuas dos sistemas. Em resumo, o artigo dis-
cute a aplicação de métodos de aprendizado de máquina para detecção de anomalias em
sistemas de monitoramento de fibra óptica. Ele enfatiza a importância dessas técnicas na
melhoria da detecção precoce de problemas, o que promove a manutenção preventiva e a
confiabilidade desses sistemas essenciais em diversas aplicações.
Tabela 4.5: Machine-learning-based anomaly detection in optical fiber monitoring

Detecção de Identificar Algoritmos de Detecção de Melhoria na
Anomalias anomalias aprendizado anomalias como detecção precoce
em Sistemas para prevenir de máquina, quebras de fi- de problemas em
de Monito- falhas em redes neurais, bras, variações fibras ópticas
ramento de fibras ópticas detecção de de sinal, interfe- para aumentar a
Fibras Ópti- e melhorar novidades. rência externa. confiabilidade.
cas usando a confiabili-
Aprendizado dade.
de Máquina
O artigo Optical Performance Monitoring in Fiber-Optic Networks Enabled by Machine

Learning Techniques aborda a aplicação de técnicas de aprendizado de máquina para apri-
morar a monitorização do desempenho em redes de fibras ópticas. O estudo se concentra em
melhorar a capacidade de detecção de problemas e anomalias em sistemas de comunicação
baseados em fibras ópticas. Os autores propõem o uso de algoritmos de aprendizado de má-
quina para analisar dados ópticos em tempo real, identificando variações e degradações no
sinal que podem indicar falhas ou problemas na rede. Ao treinar modelos de aprendizado de
máquina com dados normais, esses modelos são capazes de identificar desvios significativos
do padrão normal, contribuindo para a manutenção preventiva e aprimorando a confiabili-
dade dessas redes vitais para telecomunicações e transmissão de dados em alta velocidade.
O artigo destaca como o uso de aprendizado de máquina pode proporcionar uma detecção
mais eficaz e precisa de problemas em redes de fibras ópticas, contribuindo para a eficiência
e confiabilidade contínuas desses sistemas críticos.
Tabela 4.6: Optical Performance Monitoring in Fiber-Optic Networks Enabled by Machine Lear-
ning Techniques

Melhorar o Melhorar a Análise Monitoramento Detecção mais
monitora- detecção de em tempo em tempo real, eficaz e precisa
mento de problemas e real usando manutenção de problemas em
desempenho anomalias em aprendizado preventiva em redes de fibra
em redes sistemas de de máquina, telecomunica- óptica.
de fibra óp- comunicação desvio dos ções
tica usando óptica padrões nor-
aprendizado mais
de máquina
O artigo Machine learning for optical fiber communication systems: An introduction and
overview oferece uma introdução abrangente e uma visão geral do uso de aprendizado de
máquina em sistemas de comunicação por fibras ópticas. O objetivo principal do artigo é
apresentar o campo emergente que combina o aprendizado de máquina com a comunicação
óptica. O artigo começa por contextualizar a importância das redes de comunicação por
fibras ópticas em diversas aplicações, como telecomunicações e transmissão de dados em
alta velocidade. Em seguida, ele explora como o aprendizado de máquina pode ser aplicado
a diferentes aspectos desses sistemas, incluindo otimização, monitoramento de desempenho
e detecção de falhas.
O texto discute várias técnicas de aprendizado de máquina, como redes neurais, árvores
de decisão e algoritmos de clusterização, e como essas técnicas podem ser empregadas para
melhorar a eficiência e a confiabilidade das redes de fibras ópticas. Além disso, o artigo apre-
senta exemplos práticos de aplicação do aprendizado de máquina em problemas específicos
relacionados a sistemas de comunicação por fibras ópticas. Em resumo, o artigo fornece uma
introdução abrangente ao uso do aprendizado de máquina em sistemas de comunicação por
fibras ópticas, destacando seu potencial para otimização e melhoria do desempenho dessas
redes críticas. Ele serve como um guia inicial para pesquisadores e profissionais interessados
nessa área em crescimento.
Tabela 4.7: Machine learning for optical fiber communication systems: An introduction and over-
view

Introdução Destacar o Redes neu- Otimização, mo- Visão abran-
ao uso de potencial do rais, árvores nitoramento de gente da aplica-
aprendizado aprendizado de decisão, desempenho, de- ção de aprendi-
de máquina de máquina algoritmos de tecção de falhas zado de máquina
em sistemas para oti- clusterização em redes de fibra na comunicação
de comunica- mização e óptica óptica
ção por fibra melhoria de
óptica desempenho
O artigo Automated training dataset collection system design for machine learning appli-
cation in optical networks: an example of quality of transmission estimation aborda a criação
de um sistema automatizado para coleta de conjuntos de dados de treinamento em redes
ópticas, com o objetivo de aplicar técnicas de aprendizado de máquina na estimativa da
qualidade de transmissão. Os autores destacam a importância da qualidade de transmissão
em redes ópticas, que influencia diretamente o desempenho da comunicação. Eles propõem
um sistema que automatiza a coleta de dados necessários para treinar modelos de apren-
dizado de máquina, visando prever a qualidade de transmissão em diferentes cenários de
rede. O artigo descreve a arquitetura do sistema proposto, que inclui a coleta de dados de
desempenho da rede, a geração de conjuntos de dados rotulados e a preparação dos dados
para treinamento de modelos de aprendizado de máquina. Os autores também discutem os
desafios e as soluções encontradas ao criar o sistema, incluindo a seleção de recursos relevan-
tes e a criação de um processo automatizado para coleta e preparação de dados. A pesquisa
apresenta resultados promissores na aplicação da técnica de aprendizado de máquina para
estimar a qualidade de transmissão em redes ópticas, demonstrando a eficácia do sistema
proposto. O artigo contribui para a automação e aprimoramento da otimização de redes
ópticas por meio do uso de técnicas avançadas de aprendizado de máquina.
Tabela 4.8: Automated training dataset collection system design for machine learning application
in optical networks: an example of quality of transmission estimation

DesenvolvimentoEstimar a Coleta auto- Estimativa de Automação da
de um sis- qualidade de matizada de qualidade em coleta de dados
tema au- transmissão dados, apren- redes ópticas, para aplicações
tomatizado em diferentes dizado de preparação au- de aprendizado
para coleta cenários de máquina para tomatizada de de máquina em
de conjuntos rede estimativa de conjuntos de redes ópticas
de dados de qualidade dados
treinamento
em redes
ópticas
O artigo Artificial intelligence (AI) methods in optical networks: A comprehensive survey é

uma revisão abrangente que explora a aplicação de métodos de inteligência artificial (IA) em
redes ópticas. O artigo aborda uma variedade de tópicos relacionados à integração de IA em
redes ópticas, incluindo a otimização de recursos, gerenciamento de tráfego, planejamento de
redes, diagnóstico de falhas e garantia de qualidade de serviço. Ele fornece uma visão geral
das técnicas de IA mais utilizadas, como redes neurais artificiais, algoritmos de aprendizado
de máquina, lógica difusa e algoritmos de otimização. Os autores destacam os desafios e
oportunidades associados à adoção da IA em redes ópticas, considerando aspectos como
eficiência energética, escalabilidade e segurança. Além disso, o artigo examina estudos de
caso e exemplos de implementações bem-sucedidas de IA em redes ópticas. Em resumo, o
artigo oferece uma visão ampla e atualizada do estado da arte da aplicação de métodos de
IA em redes ópticas, destacando seu potencial para melhorar o desempenho, a eficiência
e a confiabilidade dessas redes. Ele serve como um guia abrangente para pesquisadores,
profissionais e empresas interessados em explorar a IA como uma ferramenta poderosa para
aprimorar as redes ópticas.
Tabela 4.9: Artificial intelligence (AI) methods in optical networks: A comprehensive survey

Pesquisa Destacar Redes neu- Otimização de Visão detalhada
abrangente várias apli- rais, algo- recursos, ge- das aplicações de
de métodos cações de ritmos de renciamento de IA na otimiza-
de IA aplica- IA, incluindo aprendizado tráfego, diagnós- ção e melhoria
dos em redes otimização de máquina, tico de falhas de redes ópticas
ópticas de recursos e lógica difusa, em redes ópticas
diagnóstico algoritmos de
de falhas otimização
O artigo Machine Learning Techniques in Radio-over-Fiber Systems and Networks ex-

plora a aplicação de técnicas de aprendizado de máquina (ML) em sistemas de rádio sobre
fibra (RoF) e redes associadas. O foco principal reside na utilização de algoritmos de ML
para aprimorar a eficiência, adaptabilidade e desempenho desses sistemas híbridos. O artigo
aborda casos de uso específicos nos quais o ML pode ser implementado, como otimização de
recursos espectral, mitigação de interferências e tomada de decisões dinâmicas. Ao integrar
técnicas de ML, busca-se melhorar a capacidade de adaptação desses sistemas em ambientes
complexos e dinâmicos de comunicação óptica sem fio.
Tabela 4.10: Machine Learning Techniques in Radio-over-Fiber Systems and Networks

Explora o uso O artigo ex- Metodologias Detalha as áreas Conclui re-
de técnicas de plora como as utilizadas específicas em sumindo os
aprendizado técnicas de para in- que o aprendi- benefícios e
de máquina aprendizado corporar o zado de máquina contribuições
em sistemas e de máquina aprendizado é aplicado, como das técnicas de
redes de rádio podem ser de máquina otimização aprendizado de
sobre fibra aplicadas em siste- de recursos, máquina em
(RoF) para superar mas RoF, mitigação de sistemas e redes
os desafios incluindo interferência, RoF, enfati-
mencionados a coleta de previsão de fa- zando seu papel
dados re- lhas e melhoria na melhoria do
levantes, da eficiência desempenho,
seleção de espectral eficiência e
algoritmos confiabilidade
apropriados desses sistemas
e procedi-
mentos de
treinamento
do modelo
O artigo Harnessing Machine Learning for Fiber-Induced Nonlinearity Mitigation in Long-

Haul Coherent Optical OFDM explora a aplicação do aprendizado de máquina (ML) para
mitigação de não linearidades induzidas por fibras em sistemas ópticos coerentes de modu-
lação por multiplexação por divisão de frequência ortogonal (OFDM) de longa distância. O
foco principal está em utilizar algoritmos de ML para entender e compensar os efeitos não
lineares que surgem durante a transmissão de sinais ópticos em fibras de longo alcance. O
artigo aborda a implementação prática de técnicas de ML, descreve os desafios associados
e destaca como essas abordagens podem melhorar a eficiência e a qualidade de transmissão
em sistemas OFDM ópticos coerentes de longa distância.
Tabela 4.11: Harnessing Machine Learning for Fiber-Induced Nonlinearity Mitigation in Long-
Haul Coherent Optical OFDM

Aborda a A imple- Explica-se Apresenta a O artigo conclui
aplicação de mentação a escolha proposta de resumindo as
aprendizado prática das da técnica utilizar técnicas descobertas,
de máquina conclusões do OFDM para de aprendizado destacando
para lidar artigo pode a modulação de máquina a eficácia da
com a não ter impactos dos sinais para mitigar abordagem de
linearidade notáveis na ópticos, menos efeitos da aprendizado
induzida por indústria cionando suas não linearidade, de máquina na
fibras ópticas de comu- vantagens explicando como mitigação de
em sistemas nicações. em termos os algoritmos não linearidade
de comuni- Ao mitigar de eficiência podem aprender em sistemas de
cação óptica de forma espectral e padrões comple- comunicação
coerente de eficiente os capacidade xos nos dados de óptica coerente
longo alcance efeitos da não de lidar com sinal de longo alcance
usando a linearidade, efeitos de e sugerindo
técnica de há poten- dispersão direções para
modulação cial para pesquisas futu-
por multi- fortalecer os ras
plexação de sistemas, di-
frequência minuir erros
ortogonal de transmis-
(OFDM) são e, por
conseguinte,
elevar a qua-
lidade dos
serviços de
comunicação
De forma geral, esses artigos enfatizam coletivamente a importância de tecnologias avan-

çadas como aprendizado de máquina e inteligência artificial na melhoria da confiabilidade,
eficiência e desempenho de redes de fibra óptica em diversas aplicações, como telecomu-
nicações e transmissão de dados. Eles abordam diferentes aspectos, incluindo detecção de
anomalias, otimização de design de rede, monitoramento de desempenho e gerenciamento
geral de rede. Um dos algoritmos mais citados foi redes neurais artificiais como ferramenta
para o aprimoramento de enlaces de fibra óptica, o mesmo são modelos computacionais
inspirados na estrutura e funcionamento do cérebro humano. Essas redes são usadas em
aprendizado de máquina e inteligência artificial para realizar tarefas como reconhecimento
de padrões, classificação, regressão, processamento de linguagem natural, entre outras.
Além disso, as redes neurais desempenham um papel crucial na melhoria dos enlaces de
fibra óptica, abordando diversos desafios de forma eficaz. Na redução de não linearidades,
essas redes são treinadas para compensar distorções no sinal, promovendo uma considerável
elevação na qualidade da transmissão. Na otimização de parâmetros em sistemas de comuni-
cação óptica, ajustando elementos como modulação e distribuição de potência para atingir
transmissões mais eficientes e confiáveis. No contexto de predição de falhas e manutenção
preditiva, as redes neurais analisam dados em tempo real, antecipando possíveis problemas
nos componentes dos enlaces de fibra óptica.
Essa abordagem permite correções preventivas, assegurando uma comunicação contínua.
A capacidade das redes neurais em compensar a dispersão e atenuação do sinal, especi-
almente em enlaces de longa distância, é especialmente valiosa. A adaptação dinâmica às
condições da rede, considerando variações de temperatura e interferências externas, contri-
bui para a robustez e flexibilidade do sistema. Ao oferecer equalização adaptativa, as redes
neurais ajustam a equalização do sinal com base nas condições de transmissão, melhorando
o desempenho em ambientes variáveis e contribuindo para a redução de erros de transmis-
são, reforçando a confiabilidade da comunicação. Por fim, a aplicação de redes neurais na
otimização dinâmica de rotas em redes ópticas se destaca, adaptando trajetórias conforme
as condições de tráfego e características da fibra óptica, maximizando a eficiência global da
rede. Essas diversas aplicações consolidam as redes neurais como uma ferramenta versátil e
eficaz para elevar o desempenho e a confiabilidade dos enlaces de fibra óptica.
Capítulo 5
Considerações Finais e Sugestões para

Trabalhos Futuros
5.1 Considerações Finais

A revisão bibliográfica realizada sobre o uso da inteligência artificial e aprendizagem de
máquina como meio de aperfeiçoar a atenuação em cabos de fibra óptica revela que essa
abordagem tem um potencial significativo para melhorar a eficiência e o desempenho das
redes de comunicação óptica. Através da análise de estudos anteriores, foi possível identificar
várias contribuições e avanços alcançados nessa área.
Primeiramente, foi observado que a utilização de algoritmos de inteligência artificial,
como redes neurais artificiais pode ajudar na otimização do projeto e na configuração de
redes de fibra óptica. Essas técnicas permitem a identificação de parâmetros ótimos, como a
distribuição espacial e a potência de sinal adequada, resultando em uma atenuação reduzida
e melhorando a qualidade da transmissão de dados.
Além disso, a revisão bibliográfica evidenciou a importância da inteligência artificial
na detecção e prevenção de falhas em cabos de fibra óptica. Por meio do processamento de
dados em tempo real e do aprendizado de máquina, é possível identificar padrões anormais de
atenuação e interferências, facilitando a manutenção preventiva e minimizando interrupções
nas redes.
No entanto, apesar dos avanços promissores, é importante reconhecer que ainda existem
desafios a serem superados para uma implementação mais ampla da inteligência artificial no
contexto da atenuação em cabos de fibra óptica. Estes incluem questões relacionadas à com-
plexidade computacional, à interpretabilidade dos modelos e à disponibilidade de conjuntos
de dados adequados para treinamento dos algoritmos.
Por fim, a revisão bibliográfica destaca que o uso da inteligência artificial apresenta um
grande potencial para aprimorar a atenuação em cabos de fibra óptica. Os estudos revisados
demonstram que a aplicação de algoritmos inteligentes pode contribuir para a redução da
atenuação, a detecção de falhas e a compensação da dispersão cromática, resultando em
30
.0 SUGESTÕES PARA TRABALHOS FUTUROS 31
redes de comunicação óptica mais eficientes e confiáveis. Embora os desafios permaneçam, as

perspectivas futuras para a integração da inteligência artificial nesse campo são promissoras
e podem impulsionar ainda mais o avanço tecnológico das redes de fibra óptica.
5.2 Sugestões para Trabalhos Futuros

Para os trabalhos futuros é proposto comparar de forma prática o desempenho de dife-
rentes algoritmos de aprendizado de máquina e inteligência artificial na análise e otimização
de enlaces de fibra óptica, além de realizar estudos de caso em ambientes reais de produção
para validar a eficácia das abordagens propostas, considerando desafios específicos e carac-
terísticas de implementação prática. É interessante avaliar como a aplicação de arquiteturas
mais avançadas de redes neurais, pode impactar a capacidade de prever e compensar não
linearidades em enlaces de fibra óptica em comparação com abordagens mais tradicionais.
Outra possibilidade de trabalho é investigar como as condições ambientais, como varia-
ções climáticas e mudanças de temperatura, influenciam o desempenho de algoritmos de IA
e aprendizado de máquina em enlaces de fibra óptica.
Referências Bibliográficas
AGRAWAL, G. P. Sistemas de comunicação por fibra óptica. Elsevier, v. 4, n. 3, p. 1–2,

2014. 4
CARMONA, E.; FURTADO, L.; CORTES, O. Inteligência artifi-

cial na educação: Uma revisão rápida no sbie. 2023. Acesso em:
15 maio 2023. Disponível em: <https://www.researchgate.net/profile/
Omar-Carmona-Cortes/publication/357126933_Inteligencia_artificial_na_
educacao_uma_revisao_rapida_no_SBIE/links/61bc9c894b318a6970eac0ee/
Inteligencia-artificial-na-educacao-uma-revisao-rapida-no-SBIE.pdf>. 34
CARVALHO, L. P. de. Introdução a sistemas de telecomunicações: abordagem histórica. [S.l.]:

LTC, 2014. 1, 6
COPPIN, B. Inteligência artificial. [S.l.]: LTC, 2010. 9

Uma Proposta de Aula Expositiva sobre Fibra Óptica: Sua Ciência e Tecnolo-
gia no Ensino Médio e Tecnológico, 2023. Acesso em: 15 maio 2023. Disponí-
vel em: <https://memoria.ifrn.edu.br/bitstream/handle/1044/2301/JONATHA%
20RODRIGUES%20COSTA.pdf?sequence=3&isAllowed=y>.
DONATO, H.; DONATO, M. Etapas na condução de uma revisão sistemática. Acta Médica
Portuguesa, v. 32, n. 3, p. 227, mar 2019. 12
DOS, D.; GOMES, S. Inteligência artificial: Conceitos e aplicações. Revista Olhar Científico
- Faculdades Associadas de Ariquemes. N. 2, [s.d.]. 34
FERNANDES, A. M. da R. Inteligência Artificial: Noções Gerais. Florianópolis: Visual

Books, 2003. 34
GALVãO, M. C. B. O levantamento bibliográfico e a pesquisa científica introdução. funda-

mentos de epidemiologia. USP, 2010. 1
GIACOUMIDIS, E. et al. Harnessing machine learning for fiber-induced nonlinearity mitiga-

tion in long-haul coherent optical ofdm. Future Internet, v. 11, p. 2, 12 2018. ISSN 1999-5903.
34
GONCALVES, A. R. Estudo bibliogrÁfico: a fibra óptica condutora da luz. Universidade

Federal do Sul e Sudeste do Pará Instituto de ciências exatas Faculdade de Física, 2016. 4,
34
HAYKIN, S. Redes Neurais. 2. ed. Porto Alegre: Bookman, 2007. 10
HE, J. et al. Machine learning techniques in radio-over-fiber systems and networks. Photo-
nics, v. 7, p. 105, 11 2020. ISSN 2304-6732. 34
32
.0 REFERÊNCIAS BIBLIOGRÁFICAS 33
HEWITT, P. G. Fundamentos de Física Conceitual. [S.l.]: Bookman, 2009. 6
KEISER, A. P. J. M. G.; GODOY, P. F. de. Comunicações em fibras ópticas. [S.l.]: AMGH,

2014. 1, 6
KHAN, F. N.; LU, C.; LAU, A. P. T. Optical performance monitoring in fiber-optic networks
enabled by machine learning techniques. In: . [S.l.]: OSA, 2018. p. M2F.3. ISBN 978-1-943580-
38-5. 34
LIMA, B. C. dos S. Análise de Técnicas de Inteligência Artificial para o Projeto de Enlaces

de Fibras Ópticas. 2019. <http://dspace.mackenzie.br>. 11 dezembro 2019. 34
LOBO, L. C. Inteligência artificial e medicina. Revista Brasileira de Educação Médica, v. 41,

n. 2, p. 185–193, jun 2017. 34
MAGNANI, E.; PISTOCCHI, F. The role of lighthouses in the construction of coastal iden-
tities. Almatourism - Journal of Tourism, Culture and Territorial Development, v. 8, n. 6,
p. 123–143, Jan. 2017. Disponível em: <https://almatourism.unibo.it/article/view/6360>.
4
MARIN, P. S. Cabeamento Estruturado. 1. ed. [S.l.]: Érica, 2014. 6
MARTINO, J. M. D. Elementos de Inteligência Artificial utilizados em Jogos Digitais –

Conceitos, Objetivos e Tendências. 2009. Acesso em: 08 de outubro de 2023. Disponível em:
<http://www.dca.fee.unicamp.br/~martino/disciplinas/ia369/trabalhos/t4g1.pdf>. 34
MATA, J. et al. Artificial intelligence (ai) methods in optical networks: A comprehensive

survey. Optical Switching and Networking, v. 28, p. 43–57, 4 2018. ISSN 15734277. 1
MONARD, M.; BARANAUSKAS, J. Capítulo 4 Conceitos sobre Aprendizado de Máquina.

[S.l.: s.n.]. Disponível em: https://dcm.ffclrp.usp.br/ augusto/publications/2003-sistemas-
inteligentes-cap4.pdf. 34
MORAES, A. F. Redes de Computadores: Fundamentos. 7. ed. [S.l.]: Érica, 2010. 6
NEVIN, J. W. et al. Machine learning for optical fiber communication systems: An intro-
duction and overview. APL Photonics, v. 6, p. 121101, 12 2021. ISSN 2378-0967. 34
PARK, K.; NGUYEN, M. C.; WON, H. Web-based collaborative big data analytics on
big data as a service platform. Disponível em: <https://ieeexplore.ieee.org/document/
7224859>. 34
RABINER, L.; JUANG, B.-H. Fundamentals of Speech Recognition. [S.l.]: Prentice-Hall,

1993. 34
RIBEIRO, J. A. J. Comunicações Ópticas. [S.l.]: Érica, 2009. 6, 7
RUSSEL, P. N. S. Inteligência artificial. Campos, 2004. 34
SALVADOR Ângelo D. Métodos e Técnicas de Pesquisa Bibliográfica: Elaboração de Traba-

lhos Científicos. Porto Alegre, RS: Sulina, 1980. 18
SOUSA, A. S. D.; OLIVEIRA, G. S. D.; ALVES, L. H. A pesquisa bibliogrÁfica: PrincÍpios

e fundamentos. Cadernos da FUCAMP, v. 20, n. 43, mar 2021. 17
.0 REFERÊNCIAS BIBLIOGRÁFICAS 34
SOUSA, L. B. Redes de Computadores: Guia Total. [S.l.]: Érica, 2009. 6
SPöRL, C.; CASTRO, E. G.; LUCHIARI, A. Aplicação de redes neurais artificiais na cons-
trução de modelos de fragilidade ambiental. Revista do Departamento de Geografia, v. 21,
n. 1, p. 113–135, 2011. 10
TORRES, G. Redes de Computadores: Versão Revisada e Atualizada. 1. ed. [S.l.]: Nova

Terra, 2010. 5
TRONCO, L. F. d. A. T. R. Fundamentos de comunicações Ópticas. 2007. 5, 7
VENKETESWARAN, A. et al. Recent advances in machine learning for fiber optic sensor
applications. Advanced Intelligent Systems, v. 4, p. 2100067, 1 2022. ISSN 2640-4567. 34
WU, T. Impérios da Comunicação: Do telefone à internet, da ATT ao Google. [S.l.]: Zahar,

2011. 6
(GIACOUMIDIS et al., 2018) (KHAN; LU; LAU, 2018) (NEVIN et al., 2021) (VEN-
KETESWARAN et al., 2022) (RABINER; JUANG, 1993) (HE et al., 2020) (CARMONA;
FURTADO; CORTES, 2023) (??) (DOS; GOMES, ) (FERNANDES, 2003) (LOBO, 2017)
(MARTINO, 2009) (MONARD; BARANAUSKAS, ) (RUSSEL, 2004) (PARK; NGUYEN;
WON, ) (GONCALVES, 2016) (LIMA, 2019)

Análise Da Utilização Da Ia E Aprendizado de Máquina No Melhoramento de Enlaces de Fibra Óptica

Enviado por

Direitos autorais:

Formatos disponíveis

Análise Da Utilização Da Ia E Aprendizado de Máquina No Melhoramento de Enlaces de Fibra Óptica

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Análise Da Utilização Da Ia E Aprendizado de Máquina No Melhoramento de Enlaces de Fibra Óptica

Enviado por

Direitos autorais:

Formatos disponíveis

Instituto Federal de Educação, Ciência e Tecnologia da Paraíba

Campus Campina Grande

LAYANNE KELLY GOMES SANTOS

Orientador: Ewerton Romulo Silva Castro

Campina Grande, Setembro de 2023

LAYANNE KELLY GOMES SANTOS

Monografia apresentada à Coordenação do

Orientador: Ewerton Romulo Silva Castro

Campina Grande, Dezembro de 2023

LAYANNE KELLY GOMES SANTOS

Ewerton Romulo Silva Castro

David Candeia Medeiros Maia

Katyusco de Farias Santos

Campina Grande, Paraíba, Brasil

A comunicação por meio de enlaces ópticos desempenha um papel fundamental em várias

Palavras-chave: Projetos de Enlace, Fibra Óptica, Inteligência Artificial, Aprendizagem

Keywords: Link Projects, Fiber Optics, Artificial Intelligence, Machine Learning.

Lista de Figuras xii

Lista de Tabelas xiii

3.2.5 Extração dos dados nos artigos selecionados . . . . . . . . . . . . . . 17

5 Considerações Finais e Sugestões para Trabalhos Futuros 30

2.1 Interpolação de canais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

3.1 Palavras para strings de busca . . . . . . . . . . . . . . . . . . . . . . . . . . 15

4.1 Resultados da Busca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

1.1 Justificativa e Relevância do Trabalho

1.2.2 Objetivos Específicos

• Contribuir para o avanço do conhecimento na área de telecomunicações, fornecendo

• Indicar fontes atuais acerca do tema proposto;

• Identificar fontes de dados e referências relevantes;

• Identificar lacunas no conhecimento.

1.3 Organização do Documento

2.1 Introdução histórica: comunicação usando a luz

2.2 Principais meios utilizados na comunicação digital

2.2.1 Comunicação via cabos

2.2.2 Comunicação sem fio

Figura 2.1: Interpolação de canais

2.2.3 Comunicação óptica

2.2.4 Comunicação digital

2.3 Uso atual da fibra óptica

2.4 Projeto de enlace

Figura 2.2: Enlace óptico

2.5 Inteligência artificial

2.6 História do uso da inteligência artificial

2.7 O que é aprendizagem de máquina?

2.8 Redes neurais artificiais

Figura 2.3: Estrutura do córtex humano.

Figura 2.4: Rede neural artificial.

3.2 Etapas da revisão sistemática

1. Formular uma questão de investigação;

2. Produzir um protocolo de investigação (especifica a questão a ser investigada e os

3. Definir os critérios de inclusão e de exclusão;

4. Seleção dos estudos;

5. Extração dos dados nos artigos selecionados;

6. Análise dos resultados.

3.2.1 Formular uma questão de investigação

Q1: Qual o total de artigos publicados tratam a inteligência artificial e aprendizagem de

Q3: Quais os anos de publicação dos artigos encontrados?

A quarta questão refere-se à participação de um projetista de enlace em fibras ópticas

cipação de um projetista de enlace na execução do artigo traria riqueza e um detalhamento