Repositório RCAAP

No summary/description provided

No summary/description provided

No summary/description provided

No summary/description provided

While conventional 2D telepresence platforms like Zoom and Microsoft Teams have become commonplace, they lack key real-world interaction cues. To bridge this gap, Extended Reality (XR) telepresence has emerged, using immersive wearables for more natural collaboration. However, the intensive Graphics Processing Unit (GPU) processing required by XR often exceeds the limited compute power and battery life of client devices, leading to poor frame rates. Therefore, the common architectural solution is to offload these demanding workloads to the network edge to satisfy strict low-latency requirements. Kubernetes, the standard platform for orchestrating and deploying containerized applications, was originally designed for cloud-centric stateless architectures with load-based scaling. This model conflicts with the demands of XR telepresence systems, which require session-aware scaling for user-shared sessions and stable network identities for persistent, stateful workloads. This need for dynamic orchestration is further complicated by low-latency Quality of Experience (QoE) requirements that force computation to the network edge. While existing research addresses enabling Kubernetes at the edge, these studies are often generic, crucially lacking the session-awareness required for telepresence. This dissertation’s primary objective is to bridge the gap between Kubernetes and the demands of XR telepresence. The goal is to design a system that abstracts infrastructure complexity and automates session lifecycle management. This will allow an application’s runtime to dynamically schedule, scale, and place compute resources to optimize for user latency and session demands. This dissertation follows a design and creation research strategy, structured in key phases: design, implementation, and evaluation. The initial phase was informed by a state of the art review, which was conducted with a systematic methodology. This review was driven by two primary research questions: the first investigated the architectural design of XR telepresence systems, while the second explored how these applications could be deployed to Kubernetes. The contributions of this work are twofold. First, a state of the art review of 28 studies identified a significant gap in current research: while tools exist for generic multi-cluster management, they lack the specific session-awareness required for XR telepresence workloads. Second, to fill this gap, the main contribution is a framework that extends Kubernetes using the Operator Pattern, introducing custom controllers that make the platform session-aware. The evaluation of this framework demonstrated significant performance improvements when compared against baseline implementations. With the proposed solution, nearly 100% of clients connect to a session in under 15 seconds, whereas clients in baseline cases often take several minutes. Furthermore, the framework showcases inferior memory utilization under dynamic client loads, reducing consumption by up to 50% due to its garbage collection mechanisms.

A procedure for the determination of seven indicator PCBs in soils and sediments using microwave-assisted extraction (MAE) and headspace solid-phase microextraction (HS-SPME) prior to GC-MS/MS is described. Optimization of the HS-SPME was carried out for the most important parameters such as extraction time, sample volume and temperature. The adopted methodology has reduced consumption of organic solvents and analysis runtime. Under the optimized conditions, the method detection limit ranged from 0.6 to 1 ng/g when 5 g of sample was extracted, the precision on real samples ranged from 4 to 21% and the recovery from 69 to 104%. The proposed method, which included the analysis of a certified reference material in its validation procedure, can be extended to several other PCBs and used in the monitoring of soil or sediments for the presence of PCBs.

A ansiedade é uma das condições de saúde mental mais prevalentes da atualidade, afetando milhões de pessoas e comprometendo o seu bem-estar e funcionalidade no quotidiano. Este contexto tem motivado o crescimento de intervenções digitais baseadas em tecnologia, que se têm demonstrado eficazes na promoção da literacia emocional, prevenção de sintomas e estímulo à autorregulação emocional. Estas intervenções, embora não substituam acompanhamento clínico, têm revelado utilidade como suporte complementar, especialmente junto de públicos com acesso limitado a cuidados especializados. O objetivo principal desta dissertação foi desenvolver e avaliar um assistente pessoal contextual inteligente, capaz de apoiar a prevenção e redução da ansiedade, fornecendo recomendações e intervenções não clínicas, adaptadas ao estado emocional e ao contexto do utilizador. A aplicação propõe-se assim como uma ferramenta de autogestão emocional personalizada, acessível e contínua. A metodologia seguiu uma abordagem iterativa centrada no utilizador, iniciando-se com uma revisão de aplicações e literatura científica. Com base nessa análise, foi concebido um sistema digital com funcionalidades como registo de humor, gestão de tarefas e agenda, notificações inteligentes e um chatbot contextual, suportado por um modelo de linguagem natural (LLM) e uma base vetorial (ChromaDB) para recuperação semântica de conteúdos. A avaliação envolveu 10 participantes, com recolha de dados quantitativos e qualitativos. Para além da aceitação e usabilidade, foram analisados níveis de ansiedade através da escala GAD- 7, e consciência emocional percebida por via de questionários e feedback direto. Os resultados demonstram uma aceitação elevada da aplicação, com destaque para a sua utilidade na organização pessoal, registo emocional e incentivo a práticas de autocuidado. Os dados sugerem ainda que a ferramenta contribuiu para um maior reconhecimento dos estados emocionais e redução de sintomas de ansiedade, especialmente em momentos de maior vulnerabilidade. Conclui-se que a integração de inteligência artificial com personalização contextual representa um contributo relevante e promissor para a saúde mental digital, oferecendo uma solução empática, eficaz e tecnicamente robusta, com potencial de evolução e aplicação em contextos mais amplos.

A transição global para sistemas energéticos sustentáveis exige quadros metodológicos avançados capazes de gerir a complexa dinâmica estocástica inerente às Comunidades de Energia Renovável (CER). Os atuais paradigmas de simulação mostram-se insuficientes para capturar as interações multi-escalar entre recursos energéticos distribuídos, comportamento dos prossumidores e restrições da rede. Esta dissertação apresenta avanços significativos para a plataforma de simulação CityLearn, uma plataforma de código aberto para aprendizagem por reforço multiagente na gestão energética de edifícios, através de cinco inovações metodológicas fundamentais que, em conjunto, elevam a sua fidelidade em direção aos padrões de Digital Twin: (1) adaptação da granularidade temporal permitindo comutação dinâmica de resolução em intervalos infra horários, (2) integração de novos modelos físicos incluindo eletrodomésticos como máquinas de lavar, (3) otimização multiobjetivo que reconcilia metas de sustentabilidade e económicas concorrentes, (4) realismo estocástico através de modelação probabilística de incertezas na geração e procura, e (5) serialização padronizada de dados para interoperabilidade. Uma revisão sistemática baseada na metodologia PRISMA identifica primeiro as limitações críticas das abordagens de modelação de CER existentes, particularmente no que diz respeito à sua representação de incertezas do mundo real e fenómenos emergentes à escala comunitária. O desenvolvimento subsequente segue uma metodologia de engenharia formal compreendendo: (1) síntese de requisitos a partir de estudos de caso operacionais de CER, (2) melhoria arquitetónica da estrutura de simulação, e (3) validação abrangente contra conjuntos de dados sintéticos e empíricos. A validação experimental num caso de estudo com 17 edifícios demonstra as capacidades da estrutura através das novas funcionalidades desenvolvidas: redução de 73,5% nas emissões de carbono através de estratégias de controlo otimizadas para energia solar, redução de custos em 71% em edifícios com objetivos de otimização diferenciados, e manutenção dos parâmetros de conforto térmico dentro de limiares de ±0,5°C, tudo isto enquanto se alcança uma melhoria de 18,6% nas métricas de estabilidade da rede. Estes resultados fornecem evidência quantitativa para a otimização simultânea de objetivos de sustentabilidade, económicos e de fiabilidade em operações de CER. As contribuições metodológicas proporcionam valor imediato para operadores de comunidades energéticas, enquanto estabelecem bases essenciais para o desenvolvimento futuro de Digital Twins. Para os decisores políticos e económicos, os resultados empíricos oferecem benchmarks verificáveis para o desenho de CER, particularmente no equilíbrio entre metas ambientais e restrições operacionais. Ao avançar as capacidades de simulação em direção aos padrões de Digital Twin, este trabalho fornece um elo crucial em falta entre os modelos teóricos de transição energética e os requisitos de implementação no mundo real.

A adaptação do mercado de trabalho aos regimes híbridos e remotos é uma necessidade crescente, especialmente após a pandemia, que acelerou a transformação digital e remodelou o ambiente de trabalho global. No contexto atual, caracterizado também pela necessidade de adaptação constante a novos desafios tecnológicos, nomeadamente no setor automóvel, é exigida uma rápida adaptação das ferramentas utilizadas nestes projetos. Esta dissertação abordou o desenvolvimento de uma ferramenta de testes remotos direcionada ao setor automóvel. O principal objetivo passou por criar uma solução que permitisse a execução e gestão de testes em dispositivos de forma remota, promovendo a eficiência, a segurança e a flexibilidade dos processos de validação dos sistemas de infotainment dos veículos. O trabalho envolveu a análise de requisitos específicos do setor, a seleção e integração de tecnologias adequadas e a implementação de uma plataforma web que respondeu às necessidades atuais das equipas de desenvolvimento e testes. Os resultados obtidos demonstraram o potencial da ferramenta para otimizar operações, reduzir custos e reforçar a competitividade das organizações no contexto da transformação digital da indústria automóvel.

Com a constante evolução tecnológica, as escolas portuguesas têm vindo a transitar progressivamente dos manuais escolares em papel para versões digitais. Esta transição exige uma crescente adaptação dos alunos ao uso de ferramentas tecnológicas no seu processo de aprendizagem. No entanto, esta transição nem sempre é acompanhada por soluções eficazes que respondam às necessidades específicas de cada estudante, tornando essencial o desenvolvimento de plataformas que promovam a personalização do ensino. Neste enquadramento, o presente projeto teve como objetivo principal investigar de que forma um sistema de recomendação personalizado pode apoiar e facilitar o processo de aprendizagem no contexto do ensino escolar. Para tal, procedeu-se à realização de uma revisão do estado da arte sobre sistemas de recomendação aplicados ao ensino. Adicionalmente, procurou-se explorar o potencial dos Large Language Models (LLMs) em contextos educativos e analisar criticamente as plataformas educacionais existentes. A metodologia adotada envolveu uma abordagem exploratória, sustentada por pesquisa bibliográfica em bases científicas. Na seleção dos artigos, consideraram-se como critérios critérios a atualidade, a relevância e o foco na aplicação de sistemas de recomendação em contextos educacionais. No âmbito do projeto, foi desenvolvida uma plataforma educacional que disponibiliza conteúdos educativos, integrando um sistema de recomendação personalizado, um assistente virtual de apoio ao estudo entre outras funcionalidades complementares. Os resultados obtidos demonstraram que a plataforma desenvolvida foi bem recebida pelos participantes. Estes utilizadores beneficiaram de recomendações personalizadas de conteúdo e de um assistente virtual capaz de apoiar o estudo através de comandos personalizados. A análise das métricas indicou um bom desempenho do sistema de recomendação, revelando a sua capacidade de adaptação aos interesses e dificuldades dos estudantes. Conclui-se que uma plataforma educacional gratuita, equipada com funcionalidades inteligentes e personalizadas, pode representar uma mais-valia significativa no apoio ao ensino digital. Com base nos dados recolhidos, foram ainda implementadas melhorias e adicionadas novas funcionalidades, contribuindo para o desenvolvimento de futuras soluções tecnológicas mais eficazes e centradas no aluno.

Plataformas como o Reddit concentram diariamente milhares de discussões públicas sobre temas políticos e sociais. No entanto, a informalidade da linguagem utilizada, a dimensão das conversas e a redundância argumentativa tornam difícil a identificação dos principais pontos de vista defendidos pelos participantes. Esta dissertação aborda o desafio de simplificar estes debates, propondo uma solução que recorre a Large Language Models (LLMs) e Grafos de Conhecimento para estruturar, analisar, classificar e sintetizar os argumentos utilizados, de forma automática e acessível. A abordagem desenvolvida assenta numa pipeline modular que extrai e processa todos os dados relevantes de uma discussão, utilizando modelos generativos nas diversas fases e tarefas que a compõem. A solução procura identificar os argumentos mais relevantes, classificando-os individualmente quanto à sua posição (a favor, contra ou neutro) em relação ao tópico do debate, e agrupando-os semântica e visualmente através de um grafo de conhecimento. O protótipo permite ainda a geração de sumários expositivos, análises detalhadas e avaliações quantitativas e qualitativas da performance do sistema. O projeto dá especial atenção a discussões de natureza política e social, tendo em conta a forma como os argumentos ideológicos são formulados, disseminados e contrapostos em espaços digitais neste contexto. Esta perspetiva, permite, simultaneamente, testar a robustez do sistema e explorar a dinâmica discursiva e polarização associada a tópicos politicamente sensíveis. O objetivo final também passa por tentar contribuir para a melhoria da qualidade do discurso público e político em ambiente digital, reduzindo a desinformação e promovendo decisões mais informadas. Este trabalho foi desenvolvido com base na metodologia Action Research e inclui uma fase experimental de avaliação do sistema utilizando os próprios LLMs para validação automática. Foram ainda respeitadas as diretrizes e normas éticas definidas pelo RGPD e pelo AI Act, com especial atenção à anonimização dos dados e à mitigação de possíveis vieses dos modelos. Os resultados demonstram o potencial interpretativo e generativo dos LLMs combinados com Grafos de Conhecimento para promover uma compreensão clara, estruturada e crítica dos debates públicos e políticos ocorridos em redes sociais.

O presente documento surge no âmbito da dissertação de tese para a obtenção do grau de Mestre em Engenharia Biomédica pelo Instituto Superior de Engenharia do Porto, em colaboração com a equipa de software da ProzisX. O principal objetivo do projeto é o estudo de uma abordagem para a avaliação da composição corporal, com recurso à medição de bioimpedância. No levantamento do estado da arte, identificaram-se os principais métodos utilizados para a medição de impedância corporal, bem como modelos elétricos do corpo humano propostos ao longo das últimas décadas. O sistema desenvolvido neste trabalho baseou-se na utilização do microprocessador BH66F2663, em conjunto com uma arquitetura de 8 elétrodos, e envolveu medições com 700 indivíduos diferentes, seguindo duas configurações diferentes e três frequências de sinal, sendo validado através da comparação com métodos de referência e dados recolhidos da literatura. Ao longo do relatório são apresentados 59 modelos de regressão linear, como forma de estimar a massa isenta de gordura (MIG), o volume de água total (VAT), o perímetro da cintura (PC) e o perímetro da anca (PA). São, também, propostos dois algoritmos para a deteção da frequência cardíaca utilizando a variação de impedância corporal. Contudo, são apontadas algumas limitações do trabalho realizado e perspetivas futuras, englobando o alargamento da base de dados, a pesquisa de relações não-lineares e a integração do sistema com uma aplicação móvel.

The growing demand for secure, privacy-preserving AI solutions is particularly noticeable in domains such as renewable energy or healthcare, where sensitive data is involved. As society continues to transition to AI-driven systems, the need for decentralized machine learning systems has become increasingly evident. Traditional machine learning methods rely heavily on centralized datasets, often compromising privacy and security. Although federated learning addresses these concerns by enabling decentralized model training while maintaining data privacy, several challenges remain. These include the complexity of creating, configuring, and managing federated learning models, particularly when dealing with a large number of clients and different configurations. As federated learning grows in popularity, there is also a need for more automated solutions that can simplify this process for users with varying levels of expertise. This dissertation presents MASterFLow, a novel system that combines multi-agent systems with large language models to intelligently create machine learning models and federated learning federations. By integrating LLMs and Retrieval-Augmented Generation, MASterFLow provides an efficient way to configure, execute, and analyze FL training simulations. The system streamlines the process by allowing users to interact with intelligent agents that manage different tasks, such as configuring machine learning models, setting up federated learning simulations, and analyzing training logs. MASterFLow is designed with a user-friendly web-based interface that allows users to engage with the system’s agents and configure simulations according to their needs. Through extensive case studies, the dissertation benchmarks various multi-agent frameworks and demonstrates the effectiveness of combining multi-agent systems and large language models to automate the creation of machine learning and federated learning pipelines. The results indicate that MASterFLow provides a more accessible, secure, and adaptable alternative to traditional machine learning methods, offering improved efficiency and usability for AI development.

Este documento apresenta os principais resultados da investigação desenvolvida no âmbito da Dissertação do Mestrado em Engenharia Informática do Instituto Superior de Engenharia do Porto (ISEP), centrada na integração de práticas de desenvolvimento seguro de software (SSDLC) e na migração de aplicações on-premise para a plataforma Microsoft Azure, com foco no serviço Azure Container Apps. O principal objetivo foi identificar e implementar ferramentas de apoio ao ciclo de vida do desenvolvimento seguro, como análise estática de código, análise de dependências e deteção de vulnerabilidades, bem como avaliar a viabilidade técnica e organizacional da migração de aplicações existentes para a nuvem, num contexto empresarial com políticas de segurança baseadas em confiança zero. Através da integração prática de ferramentas como Teamscale, OWASP Dependency-Check e Snyk, bem como da automatização de pipelines no Azure DevOps, foi possível melhorar significativamente os processos de desenvolvimento e entrega contínua, assegurando a deteção precoce de problemas de qualidade e segurança. Adicionalmente, a migração bem-sucedida para Azure Container Apps permitiu modernizar a infraestrutura e simplificar operações como monitorização e as atualizações de versões em ambiente produtivo. Este estudo contribui não só para a melhoria da eficiência interna da equipa, como também para a literatura prática sobre DevSecOps e migração para a nuvem, podendo servir como referência para outras equipas dentro da organização ou até mesmo para outras empresas em contextos semelhantes.

O lançamento de artigos sem histórico de vendas aumenta o risco operacional no retalho. Esta investigação propõe uma estrutura preditiva que estima a procura inicial de novos produtos a partir de 3 278 907 transações reais (2022-2024) cobrindo 14 422 SKUs, 120 lojas e dois segmentos de cliente. Seguindo o ciclo CRISP-DM, procedeu-se à limpeza dos dados, análise exploratória e engenharia de variáveis, antes de comparar quatro algoritmos — XGBoost, LightGBM, LSTM e Transformer — em cenários global e por família de produtos, avaliados com MAE, RMSE, MAPE e R². Os resultados revelam dois patamares distintos: os modelos de árvores de gradiente (XGBoost ≈ LightGBM) registam erros médios substancialmente menores e R² positivos, ao passo que as redes neuronais sequenciais (LSTM, Transformer) apresentam elevada variabilidade e R² negativos em várias famílias. O XGBoost treinado globalmente demonstra o menor RMSE ponderado e o melhor equilíbrio viés-variância, sendo recomendado como motor de previsão único para toda a gama de artigos. Esta solução simplifica a operação, mantém precisão elevada e foi integrada num protótipo de dashboard web para validação em contexto real. Conclui-se que um modelo único, alimentado pela diversidade de SKUs e lojas, generaliza padrões de procura com eficácia, oferecendo uma ferramenta prática para apoiar decisões ao nível do portefólio e de planeamento comercial e operacional.

A utilização e integração de modelos inteligentes nos edifícios pode transformar as experiências dos utilizadores dentro do edifício, proporcionando a otimização dos espaços e formas eficientes de utilizar e interagir com os recursos do edifício. A utilização de soluções inteligentes traz alguns desafios que devem ser estudados, como a heterogeneidade entre os recursos e a necessidade de adaptar os edifícios já existentes ao conceito de edifícios inteligentes. Embora os edifícios inteligentes possam revolucionar a forma como as pessoas utilizam e interagem com os espaços, o grupo de edifícios, ao criar comunidades, traz novas oportunidades para permitir que os membros interligados atinjam objetivos comuns, modelando papéis cooperativos, colaborativos e, por vezes, competitivos. Esta nova dinâmica em que os sistemas orgânicos podem comunicar e interagir também levanta desafios quanto à modelação dos utilizadores, às suas preferências e à existência de infraestruturas comuns para permitir a implementação de modelos inteligentes ao nível da comunidade, edifício e utilizador. Esta dissertação tem como objetivo conceber, implementar, testar e validar uma infraestrutura baseada em containers, intitulada Caravels, que combina os conceitos de comunidades inteligentes e edifícios inteligentes para desenvolver uma solução sensível ao contexto que considera diferentes utilizadores e edifícios. A solução concebida emprega uma arquitetura distribuída para a gestão de comunidades inteligentes de cidadãos, onde cada membro opera como uma entidade autónoma, enquanto permanece interligado através de uma infraestrutura partilhada. A arquitetura permite serviços tanto a nível local como comunitário, sendo que um membro pode integrar serviços individuais, escolhidos especificamente para esse utilizador, ao mesmo tempo que contribui e beneficia de otimizações a nível comunitário. Central ao projeto está a modelação das preferências do utilizador em ambientes complexos, dinâmicos e multiutilizador. A dissertação explora os desafios psicológicos e cognitivos da representação de preferências, reconhecendo que os utilizadores têm dificuldades em articular ou priorizar as suas próprias preferências. Os modelos propostos podem adaptar-se ao longo do tempo, incorporando feedback e dados comportamentais para apoiar a tomada de decisões proativas e conscientes do contexto. As técnicas de inteligência artificial, incluindo a aprendizagem supervisionada, não supervisionada e por reforço, estão integradas em todo o sistema para permitir a análise preditiva, a otimização e o controlo autónomo. Para validar a arquitetura e as metodologias propostas, foram conduzidos vários estudos de caso em cenários realistas, refletindo as diferentes necessidades dos utilizadores, procura de energia e recursos distribuídos. Os resultados demonstram que o sistema pode modelar o comportamento do utilizador, apoiar a cooperação a nível comunitário e melhorar a eficiência e a inteligência geral do edifício inteligente. Os resultados desta dissertação contribuíram para seis publicações científicas, incluindo uma revista com um fator de impacto de 6,6.

Epigallocatechin gallate (EGCG), an antioxidant with several pharmacological and biological activities, was encapsulated in carbohydrate particles to preserve its antioxidant properties and improve its bioavailability. Gum arabic–maltodextrin particles loaded with EGCG (EGCG/P) were successfully produced by homogenization and spray-drying, with an EGCG loading efficiency of 96 ± 3%. Spray-dried particles are spherical or corrugated and polydisperse with diameters less than 20 m. The particles in aqueous suspension revealed two main populations, with mean average diameters of 40 nm and 400 nm. Attenuated total reflection-infrared spectroscopy (ATR-IR) confirmed that EGCG was incorporated in the carbohydrate matrix by intermolecular interactions, maintaining its chemical integrity. Atomic force microscopy imaging proved the particle spherical shape and size. The present study demonstrates that the carbohydrate matrix is able to preserve EGCG antioxidant properties, as proof of concept to be used as polymeric drug carrier.

In the growing world of Internet of Things (IoT) and factory automation, managing devices in a centralized and efficient manner is crucial since factories have hundreds of thousands of devices per location. Many of these devices are not connected to the internet due to most factory’s restrictions and still need to be managed. As establishing an internet connection from these offline devices is not an option, a secure approach must be designed to manage these devices way. With this objective, this dissertation explores a way to implement this solution dividing it in 2 major components. An edge component that sits in a server inside the factory to manage these devices in a containerized manner, using Azure IoT Edge solution. And a cloud component that has the objective to securely integrate the new edge component into the current solution to ensure a secure hybrid environment that the clients can trust. This work results in a proposition of an edge component, as well as a refined architecture for the cloud resources. Both solutions are highly automated, enabling a reproducible environment on the cloud side and an easy configuration for the client on the edge server.

Currently, it is still a significant challenge for photodegradation of the emerging pollutants using g-C3N4 (CN) due to their interior visible light responsibility and rapid recombination of e-/h+. Herein, a novel Z-scheme g-C3N4/CQDs/FeVO4 (CCF) photocatalyst was synthesized by initially preparing hollow tubular g-C3N4/CQDs (CC) and then anchoring FeVO4 on CC. The morphology, structural composition and photoelectrochemical performance of the CCF were investigated by comprehensive characterization such as FT-IR, XPS, XRD, SEM and photoelectrochemical performance tests. The CCF shows superior photodegradation capability toward LFX via activation of peroxymonosulfate (PMS), resulting in a photodegradation efficiency ∼ 97.3 % in the optimal conditions. Apart from the strengthened light responsibility, improved BET specific surface area and porous texture of CCF, the improved photodegradation properties can be ascribed to the formed Z-scheme heterojunction between CC and FeVO4, which can ameliorate the separation efficiency of e-/h+ and accelerate their transfer rate. The addition of CQDs can also serve as a channel for promoting the rapid transfer of photogenerated e-/h+. The photodegradation processes of LFX including generation of reactive oxygen species (ROS) and removal pathways were systematically explored by using radical capturing assays, electron spin resonance (ESR) tests and liquid chromatography-mass spectrometry (LC-MS) techniques. To sum up, this study provides an innovative method for regulating the photocatalytic activity of g-C3N4 via constructing Z-scheme heterostructures and incorporating CQD to degrade emerging contaminants.

Esta dissertação centra-se na otimização de diagramas de perfuração e carregamento drift nas Minas de Aljustrel, mais especificamente no Jazigo de Feitais, visando a obtenção de uma maior eficiência dos ciclos de trabalho em mina subterrânea. O estudo focou-se nas variáveis orientação das galerias em relação ao jazigo bem como nas diferentes litologias presentes no depósito mineral. Numa fase inicial procedeu-se à recolha de dados recentes sobre avanço e sobreescavação com a utilização do diagrama em vigor na empresa. Selecionadas as frentes a serem estudadas procedeuse à recolha de dados geológico-geotécnicos através de sondagens de modo a avaliar-se o comportamento geomecânico dos maciços rochosos que envolviam as galerias em foco. Seguiu-se a execução de alterações aos diagramas onde num primeiro teste implementou-se uma nova caldeira com 5 furos largos e num segundo momento a adição de uma nova temporização. Conjuntamente com estes experimentos realizou-se o acompanhamento in situ da operação de perfuração de modo a garantir o rigor dos ensaios. Após uma análise estatística acompanhada de uma avaliação económica concluiu-se que a implementação do teste 2 garante uma maior eficiência quando comparada ao atual diagrama devido aos maiores avanços em frentes longitudinais e à drástica queda das médias de sobre-escavação.