[pt] Uma preocupação significativa durante a produção de óleo e gás é a garantia de escoamento para evitar desperdício de tempo e dinheiro. Devido às mudanças nas condições durante a produção (como pressão e temperatura), principalmente na região do pré-sal brasileiro, a solubilidade dos componentes do petróleo bruto (óleo-gás-água) pode diminuir, resultando na formação de depósitos. A incrustação é geralmente causada por parafina, hidratos e sal inorgânico. Neste trabalho, foram desenvolvidos modelos utilizando estratégias de Aprendizado de Máquina para monitoramento da formação de incrustações inorgânicas e medição de parâmetros de processo associados com formas de remediação de obstruções de outras fontes. Primeiramente, foram criados modelos do processo de formação de incrustação de carbonato de cálcio na presença de monoetilenoglicol (inibidor de hidrato) usando a arquitetura de redes neurais feedfoward prever o pressão diferencial um e cinco instantes à frente, obtendo um R2 superior a 92,9 porcento para ambos os horizontes de predição. O segundo tópico explorado foi desenvolver modelos para determinação do pH em sistemas pressurizados (até 6,0 MPa) por meio de análise de imagens. Podendo ser aplicados no monitoramento de sistemas como Sistema Gerador de Nitrogênio, utilizado para remediar alguns problemas de incrustação, dado que sua cinética depende fortemente do pH do sistema. Foram criados modelos de classificação para o pH do sistema (2, 3, 4, 5, 6, 7, 8, 9, 10) usando Redes Neurais Convolucionais (CNN), Máquina de Vetor de Suporte e Árvores de Decisão. Além disso, modelos CNN foram construídos para predizer o pH na faixa de 2- 10. / [en] A significant concern during oil and gas production is flow assurance to avoid loss of time and money. Due to production conditions changes (such as pressure and temperature), especially in the Brazilian pre-salt region, the solubility of the components of the crude oil (oil-gas-water) can decrease, resulting in the formation of deposits. The fouling is usually caused by wax, gas hydrate, and inorganic salt (scale). In this work, models were developed using Machine Learning strategies for scale formation monitoring and measuring process parameters associated with remediation of obstruction from other sources. First, models for the calcium carbonate scaling formation process in the presence of monoethylene glycol (typical gas hydrate inhibitor) were created using feedforward neural network architecture to predict the differential pressure (deltaP) one and five steps ahead, obtaining an R2 higher than 92.9 percent for the training and test group for both the prediction horizon. The second approach explored was the development of models for determining the pH in atmospheric and pressurized systems (up to 6.0 MPa) using image analysis. These models could be applied to control and monitor the Nitrogen Generation System, which can be used for different flow assurance problems, and its kinetics strongly depend on the system s pH value. This step initially created classification models for the system pH (2, 3, 4, 5, 6, 7, 8, 9, 10) using the Convolution Neural Networks (CNN), Support Vector Machine, and decision tree architectures. Also, CNN models were built to predict the pH in the range of 2-10.