[pt] Dinâmica dos Fluidos Computacional (CFD) é frequentemente aplicada ao estudo da combustão, permitindo otimizar o processo e controlar a emissão de poluentes. Entretanto, reproduzir o comportamento observado nos sistemas de engenharia tem uma elevada carga computacional. Para superar este custo, técnicas de aprendizagem de máquinas, tais como modelos de ordem reduzida (ROM), têm sido aplicadas a várias aplicações de engenharia com o objetivo de criar modelos para sistemas complexos com custo computacional reduzido. Aqui, o ROM é criado usando dados de simulação de chama laminar não pré-misturada de CFD, decompondo-os, e depois aplicando um algoritmo de aprendizagem de máquinas, criando um ROM estático. Este trabalho analisa o efeito de cinco abordagens diferentes de pré-processamento de dados sobre o ROM, sendo estas: (1) as propriedades tratadas como um sistema desacoplado ou como um sistema acoplado, (2) sem normalização, (3) com temperatura e velocidade normalizadas, (4) todas as propriedades normalizadas, e (5) o logaritmo da espécie química. Para todos os ROM construídos são analisados a energia do processo de redução e a reconstrução dos campos das propriedades da chama. Em relação a análise da energia da redução, o ROM acoplado, exceto o ROM (4), e o ROM do logaritmo convergem rapidamente, semelhante ao ROM da temperatura desacoplado, enquanto o ROM da espécie química minoritária desacoplado exibe uma lenta convergência, tal como o ROM acoplado com todas as propriedades normalizadas. Assim, a aprendizagem é atingida com um número menor de modos para a ROM (2), (3) e (5). Quanto à reconstrução dos campos de propriedades, nota-se que existem regiões de fração mássica negativa, o que sugere que a metodologia do ROM não preserva a monotonicidade ou a delimitação das propriedades. A abordagem do logaritmo mostra que estes problemas são superados e reproduzem os dados originais. / [en] Computational fluid dynamics (CFD) is often applied to the study of combustion, enabling to optimize the process and control the emission of pollutants. However, reproducing the behavior observed in engineering systems has a high computational burden. To overcome this cost, machine learning techniques, such as reduced order models (ROM), have been applied to several engineering applications aiming to create models for complex systems with reduced computational cost. Here, the ROM is created using CFD laminar non premixed flame simulation data, decomposing it, and then applying a machine learning algorithm, creating a static ROM. This work analyzes the effect of five different data pre-processing approaches on the ROM, these being: (1) the properties treated as an uncoupled system or as a coupled system, (2) without normalization, (3) with temperature and velocity normalized, (4) all properties normalized, and (5) the logarithm of the chemical species. For all ROM constructed are analyzed the energy of the reduction process and the reconstruction of the flame properties fields. Regarding the reduction energy analysis, the coupled ROM, except the ROM (4), and the logarithm ROM converges faster, similarly to the uncoupled temperature ROM, whereas the uncoupled minor chemical species ROM exhibits a slower convergence, as does the coupled ROM with all properties normalized. So, the learning is achieved with a smaller number of modes for the ROM (2), (3) and (5). As for the reconstruction of the property fields, it is noted that there are regions of negative mass fraction, which suggest that the ROM methodology does not preserve the monocity or the boundedness of the properties. The logarithm approach shows that these problems are overcome and reproduce the original data.