Lista de Projetos

As PMEs enfrentam frequentemente dificuldades na adoção de práticas de economia circular e de tecnologias de manufatura avançada, devido à falta de conhecimento, recursos e apoio especializado adequado. Entre as principais barreiras incluem-se o acesso limitado a conhecimento técnico, os elevados custos de implementação e a complexidade associada à navegação no ecossistema de soluções de economia circular. O CIRC-2-ZERO propõe três soluções inovadoras para ultrapassar estas barreiras. Em primeiro lugar, o desenvolvimento de uma Plataforma de Demonstração de Digital Twin, que permitirá às PMEs simular e otimizar os seus processos no sentido da circularidade. Em segundo lugar, a disponibilização de soluções testadas para o design circular de produtos e otimização de cadeias de valor, capacitando as empresas para o desenvolvimento de produtos e processos sustentáveis. Em terceiro lugar, a criação de uma rede de Resilience Transformation Hubs, que proporcionará às PMEs acesso a formação, mentoria e apoio à inovação colaborativa. O projeto CIRC-2-ZERO irá dotar as PMEs das ferramentas, conhecimentos e apoio necessários para uma transição bem-sucedida para práticas de economia circular e manufatura avançada. Os resultados esperados contribuirão não apenas para o fortalecimento competitivo das PME, mas também para a redução de resíduos, a conservação de recursos e a mitigação das alterações climáticas.

As PMEs enfrentam, com frequência, dificuldades na adoção da economia circular e de tecnologias de manufatura avançada, sobretudo devido à falta de conhecimento especializado, recursos limitados e ausência de apoio técnico adequado. Entre os principais constrangimentos destacam-se o acesso reduzido a competências técnicas, os custos elevados de implementação e a complexidade do ecossistema de soluções circulares. O CIRC-2-ZERO responde a estes desafios através de três iniciativas-chave. Em primeiro lugar, uma plataforma baseada em Digital Twin para simulação e otimização de processos orientados para a circularidade. Em segundo lugar, a disponibilização de soluções validadas para o design circular de produtos e otimização de cadeias de valor. Em terceiro lugar, a criação de uma rede de Resilience Transformation Hubs para formação, mentoria e apoio à inovação colaborativa. Em conjunto, estas soluções visam capacitar as PME para uma transição eficaz para a economia circular e manufatura avançada, promovendo simultaneamente ganhos de competitividade, redução de resíduos e maior eficiência na utilização de recursos.

Criação de um Laboratório de Digitalização e Visualização Avançada de Dados (DAViD Lab), uma infraestrutura única no contexto nacional e regional, que se enquadra na prioridade de investimento 1A - Competitividade e Inovação do Aviso Lisboa2030-2024-36. o DAViD Lab permitirá a igitalização multidimensional de arquivos históricos, culturais e científicos de elevado valor patrimonial, promovendo a preservação e acessibilidade de documentos e objetos. Esta infraestrutura será equipada com tecnologias avançadas de digitalização e curadoria de dados, incluindo soluções interativas e colaborativas baseadas em ferramentas digitais e inteligência artificial.

A modelação Bayesiana de equações estruturais (BSEM) tem recebido um interesse crescente, principalmente devido à sua capacidade de resolver alguns dos problemas encontrados na abordagem frequencista dominante (por exemplo, não convergência, casos de Heywood, limitações do tamanho da amostra e soluções inadmissíveis). Além disso, a BSEM permite a estimação de modelos complexos que os métodos clássicos de máxima verosimilhança podem ter dificuldade em lidar. Um componente crítico de qualquer análise Bayesiana é a distribuição a priori dos parâmetros desconhecidos do modelo. Uma distinção chave entre a modelação Bayesiana de equações estruturais e a modelação frequencista de equações estruturais é o uso de priors. Os investigadores podem ser céticos quanto à subjetividade das distribuições a priori e ao seu impacto na modelação Bayesiana. No entanto, os priors são uma vantagem importante da utilização da estatística Bayesiana, pois permitem que conhecimento prévio seja incluído de forma transparente e direta na estimação do modelo. A eliciação adequada dos priors é essencial para traduzir o conhecimento e a decisão sobre um fenómeno numa distribuição de probabilidade. Os priors permitem a quantificação da incerteza e encapsulam o conhecimento disponível sobre os parâmetros antes de observar os dados. Existem várias maneiras de traduzir o conhecimento prévio em parâmetros de distribuição. Os resultados mostram que os investigadores tendem a confiar em priors fracamente informativos (ou seja, priors de reduzida variância). No entanto, a eliciação de priors na modelação Bayesiana de equações estruturais ainda tem um longo caminho a percorrer em termos de desenvolvimento e adoção generalizada.

As abordagens psicométricas tradicionais frequentemente dependem de modelos frequentistas, que podem ser limitados na forma como lidam com a incerteza e na incorporação de conhecimento prévios. Ao adotar um paradigma Bayesiano, este projeto visa aprimorar a análise psicométrica através de técnicas de modelagem probabilística mais flexíveis, que permitem atualizações dinâmicas à medida que novos dados se tornam disponíveis. O projeto centra-se na criação e adaptação de instrumentos psicométricos para populações diversas. Técnicas computacionais avançadas, incluindo Markov Chain Monte Carlo (MCMC) utilizando o No-U-Turn Sampler (NUTS), são empregadas para a estimativa de modelos latentes. A abordagem Bayesiana proporciona uma compreensão mais profunda da precisão da medição e contribui para o desenvolvimento de instrumentos psicométricos com fortes evidências de validade.