[pt] Esta dissertação investiga a relação entre clientes e redes (postos de transformação) no sistema elétrico de distribuição, em todos os níveis de tensão. A partir de um estudo inicial da caracterização da carga, estima-se fatores de associação pela minimização da soma dos erros quadráticos de modelos lineares múltiplos multivariados com restrições. Três casos de alocação e estimação das perdas elétricas (técnicas e comerciais) São propostos. Faz-se comparações de diversas metodologias de classificação e agrupamento de curvas de carga, incluindo as abordagens estatísticas-métodos hierárquicos aglomerativo e não hierárquico K-vizinhos - e de redes Neurais, os Mapas Auto Organizáveis SOM e a técnica LVQ de Kohonen. Além disso, estima-se a variabilidade dos fatores de associação utilizando a técnica de Bootstrap. Os intervalos de confiança foram obtidos pelos percentis da distribuição aproximada dos parâmetros. Um estudo de caso foi feito considerando clientes da baixa e média tensão e redes da Ligth-Serviço de Eletricidade S.A. O objetivo é gerar informações para a tomada de decisões estratégicas de mercado, de planejamento, expansão do sistema elétrico e para o cálculo tarifário numa empresa de energia elétrica. / [en] This dissertation investigates the relationship between consumers and electricity distribuition system networks (transformation stations or substations) in every voltage level. After an initial study of load characterization, the well-Known association parameters, or factors, have been estimated by minimizing constraints the sum of squares of the multivariate multiple linear models error. Tehrer cases of alocation and estimation of electric losses (technical and not technical) have been proposed. Several methodologies for load classification have been studied and compared, namely: the statistical Methods Hierarchical Aglomerative Method and Non-Hierarchical K- Means Method, and Neural Network Models Kohonen´s

[pt] Os modelos plásticos de redes neurais são estudados e avaliados como uma interessante abordagem da neurocomputação ao processamento de sinais. Dentre estes, o modelo SONN, recentemente proposto por Tenório e Lee, é revisado e adotado como base para a implementação de um ambiente interativo de prototipagem e análise de redes, dada sua reduzida carga heurística. Como ilustração de seu emprego, um problema de detecção e classificação de sinais pulsados é solucionado, com resultados que preliminarmente indicam a adequação do modelo como ferramenta na filtragem não-linear de sinais e no reconhecimento de padrões. / [en] Plastic neural network models are evaluated as an attractive neurocomputing approach to signal processing. Among these, the SONN model, as recently introduced by Tenorio and Lee, is reviewed and adopted as the basis for the implementation of an interactive network prototyping and analysis system, due to its reduced heuristics. Its use is exemplified in the task of detection and classification of pulsed signals, showing up results that preliminarily qualify the model as a tool for non-linear filtering and pattern recognition applications.

[pt] Esta dissertação apresenta aplicações de Redes Neurais Artificiais ao processo de diagnóstico por imagem. São apresentados alguns conceitos de Redes Neurais com fundamentos, algoritmos de aprendizado e topologia de redes utilizados. Devido à necessidade de pré-processamento dos dados de entrada, são abordadas questões relativas à análise de imagens médicas do ponto de vista de um especialista. Dentre os aspectos analisados estão a densidade, a forma, o tamanho e a localização destes aspectos característicos da imagem. É dado ligeiro enfoque ao conceito de espaço amostral bem como ao processo de digitalização de imagens adotado. Foi também elaborada uma rotina que tem por objetivo facilitar o manuseio e a preparação das imagens para uso pela ferramenta de redes neurais. Dados sintéticos foram elaborados e experimentos numéricos são apresentados utilizando-se estes dados. Experimentos numéricos são apresentados com dados reais provindos de imagens neurológicas de Tomografia Computadorizada, de imagens da saturação de fluidos em um meio poroso geradas num Tomógrafo Computadorizado adaptado para estas análises de propriedade do CENPES - Petrobrás e também imagens odontológicas de raio-X simples que apresentavam abcessos dentoalveolares crônicos, granulomas e cistos periapicais. Tanto os testes com dados sintéticos como com dados apresentaram resultados satisfatórios e, por fim, algumas considerações são feitas sobre as perspectivas de evolução do método. / [en] This dissertation presents applications of Artificial Neural Networks to the image diagnosis process. Some concepts of Neural Networks are presented with foundations, learning algorithms and topologies used. Due to the need of pre-processing the input data, subjects related to the analysis of medical images from an expert point of view are considered. Among the analyzed aspects are the density, the form, the size and the location of these characteristic aspects of the image. Slight focus is given to the concept of space as well as to the process of digitalizing images adopted here. It was also prepared a routine that has the objective to facilitate handling and preparation of the images for the use with neural networks techniques. Synthetic data was elaborated and numeric experiments are presented using these data. Numeric experiments are presented with real data extracted from neurological images of Computerized Tomography, from images of the saturation of fluids in a porous environment generated in a CT Scanner, adapted for these analyses, property of CENPES - Petrobrás and also adontological images of simple x-rays showing abscesses, cists and granulated tissues. Both the tests with synthetic data and the tests with real data showed satisfactory results and, finally, some considerations are made on the perspectives of evolution of the method.

[pt] Esta Tese propõe uma metodologia para extração de conhecimento em bases de históricos criminais. A abrangência da metodologia proposta envolve todo o ciclo de tratamento dos históricos criminais, desde a extração de radicais temáticos, passando pela construção de dicionários especializados para apoio à extração de entidades até o desenvolvimento de cenários criminais em formato de uma matriz de relacionamentos. Os cenários são convertidos em Mapas de Inteligência destinados à análise de vínculos criminais e descoberta de conhecimento para investigação e elucidação de delitos. Os Mapas de Inteligência extraídos são representados por redes de vínculos, posteriormente tratados como um grafo capacitado. Análises de associações extraídas serão desenvolvidas, utilizando métodos de caminho mais curto em grafos, mapas neurais autoorganizáveis e indicadores de relacionamentos sociais. O método proposto nesta pesquisa permite a visão de indícios ocultos pela complexidade das informações textuais e a descoberta de conhecimento entre associações criminais aplicando-se algoritmos híbridos. A metodologia proposta foi testada utilizando bases de documentos criminais referentes à quadrilhas de narcotraficantes e casos de crimes de maior comoção social ocorridos no Rio de Janeiro entre 1999 e 2003. / [en] This Dissertation proposes a methodology to extract knowledge from databases of police criminal records. The scope of the proposed methodology comprises the full cycle for treatment of the criminal records, from the extraction of word radicals, including the construction of specialized dictionaries to support entity extraction, up to the development of criminal scenarios shaped into a relationship matrix. The scenarios are converted into intelligence maps for the analysis of criminal connections and the discovery of knowledge aimed at investigating and clarifying crimes. The intelligence maps extracted are represented by grids which are subsequently treated as capacitated graphs. Analyses of the connections extracted are carried out using the shortest path method in graphs, self-organizing neural maps, and indicators of social relationships. The method proposed in this study helps revealing evidence that was concealed by the complexity of textual information, and discovering knowledge based on criminal connections by applying hybrid algorithms. The proposed methodology was tested using databases of criminal police records related to drug traffic organizations and crimes that caused major social disturbances in Rio de Janeiro, Brazil, from 1999 to 2003.

[pt] Esta dissertação investiga as Redes Neurais Bayesianas, que é uma nova abordagem que conjuga o potencial das redes neurais artificiais com a solidez analítica da estatística Bayesiana. Tipicamente, redes neurais convencionais como backpropagation, têm bom desempenho mas apresentam problemas de convergência, na ausência de dados suficientes de treinamento, ou problemas de mínimos locais, que trazem como conseqüência longo tempo de treinamento (esforço computacional) e possibilidades de sobre-treinamento (generalização ruim). Por essas razões, tem-se buscado desenvolver novos algoritmos de aprendizado para redes neurais baseados em princípios que pertencem a outras áreas da ciência como a Estatística, Lógica Nebulosa, Algoritmos Genéticos, etc. Neste sentido, este trabalho estuda e avalia um novo algoritmo de aprendizado baseado na estatística bayesiana, que consiste na utilização do mecanismo de interferência bayesiana no cálculo dos parâmetros (pesos) da rede neural. As principais etapas deste trabalho foram: o estudo das diferenças dos enfoques da estatística clássica e bayesiana sobre o aprendizado das redes neurais; o estudo dos métodos utilizados na inferência bayesiana; a avaliação das redes neurais Bayesianas (RNB) com aplicações Benchmarks; e por último, a avaliação das RNBs com aplicações reais. A diferença entre a estatística clássica e Bayesiana sobre o aprendizado das redes neurais esá na forma em que os parâmetros da rede são calculados. Por exemplo, o princípio de máxima verossimilhança quepertence à estatística clássica, na qual está baseada o algoritmo de backpropagation, se caracteriza por estimar um único vetor de parâmetros da rede neural. Por outro lado, a inferência Bayesiana se caracteriza por calcular uma função de densidade de probabilidade sobre todos os possíveis vetores de parâmetros que a rede neural pode possuir. Os métodos utilizados na inferência Bayesiana para calcular a função de densidade de probabilidade dos parâmetros. Neste trabalho se deu ênfase a dois métodos amplamente utilizados na estatística Bayesiana: o método de aproximação gaussiana e o método de MCMC (Markov Chain Monte Carlo), que mostraram sua efetividade com respeito ao problema da dimensão elevada do vetor de parâmetros. Para avaliar o desempenho destes algoritmos de aprendizado Bayesiano, foram feitos testes em aplicações benchmarks de previsão, classificação e aproximação de uma função. Também foram desenvolvidas aplicações reais de previsão de uma série temporal e carga elétrica e reconhecimento de face onde se avaliou o desempenho destes algoritmos. Além disso, foram feitas comparações entre estes algoritmos de aprendizado Bayesiano com o backpropagation, sistemas neuro fuzzy hierárquicos e outras técnicas estatísticas tais como Box&Jenkins e Holt-Winters. Com este trabalho, verificou-se que entre as vantagens dos algoritmos de aprendizado Bayesiano tem-se: a de minimizar o problema de sobre-treinamento (overfitting); controlar a complexidade do modelo (princípio de Occam’s razor) e ter boa generalização com poucos dados de treinamento. / [en] This dissertation investigates the Bayesianan Neural Networks, which is a new approach that merges the potencial of the artificial neural networks with the robust analytical analysis of the Bayesian Statistic. Typically, theconventional neural networks such as backpropagation, have good performance but presents problems of convergence, when enough data for training is not available, or due to problems of local minimum, which result in long training time and overfitting. For these reasons, researchers are investigating new learning algorithm for neural networks based on principle that belong to other area of science like Statistics, Fuzzy logic, Genetic Algorithms, etc. This dissertation studies and evaluates a new learning algorithm based on the Bayesian Statistics, that consists in the use of the Bayesian mechanical inference to calculate the value of the parameters of neural networks. The main steps of this research are: the study of the difference between the approach of the classical statistics and the approach of the Bayesian statistics regarding the process of learning in neural networks (RNB) with Benchmarks applications; and the evaluation of RNBs with real applications. The main differences between the classical and Bayesian statistics in regard to the learning on neural networks are in the form of calculation of the parameters. For example, the principle of maximum likelihood that belongs to classical statistics, in which the backpropagation algorithms, it is characterized for calculate only on vector of parameters of neural networks. However, the Bayesian inference, it is characterized for calculate a probabilistic density function of the parameters of neural networks are approximations or numerical methods, because the correct analytical treatment is difficult due to the high dimensions of the vector parameter. This dissertation gives especial emphasis to two methods: the Gaussian approximation and the Markov Chain Monte Carlo method (MCMC). To evaluate the performance of these Bayesian learning algorithms, a number of test has been done in application benchmarks of time series forecasting, classification and approximation of functions. Also, have been developed real applications on time serie forecasting of electrical and face recognition. Moreover, comparations have been made between the Bayesian learning algorithms with backpropagation, neuro fuzzy systems and other statistical techniques like a Box&Jenkins and Holt-Winters. This dissertation has shown that the advantages of the Bayesian learning algorithms are the minimization of the overfitting, control of the model complexity (principle of Occam’s razor)and good generalization with a few data for training.

[pt] A classificação de litologias e uma tarefa importante na caracterização de reservatorios de petróleo. Um de seus principais objetivos e dar suporte ao planejamento e as atividades de perfuracao de poços. Dessa forma, quanto mais rapidos e eficazes sejam os algoritmos de classificacao, mais confiavel ser a as decisoes tomadas pelos geologos e geofısicos. Esta dissertação analisa os metodos ensemble aplicados a classificacao automática de litologias. Para isso, foi realizada uma comparação entre classificadores individuais (Support Vector Machine e Multilayer Perceptron) e estes mesmos classificadores com métodos Ensemble (Bagging e Adaboost). Assim, concluımos com uma avaliação comparativa entre as técnicas, bem como apresentamos o trade-off em utilizar métodos Ensemble em substituição aos classificadores individuais. / [en] Lithology classification is an important task in oil reservoir characterization, one of its major purposes is to support well planning and drilling activities. Therefore, faster and more effective classification algorithms will increase the speed and reliability of decisions made by geologists and geophysicists. This work analises ensemble methods applied to automatic lithology classification. For this, we performed a comparison between single classifiers (Support Vector Machine and Multilayer Perceptron) and these classifiers with ensemble methods (Bagging and Boost). Thus, we conclude with a comparative evaluation of techniques and present the trade-off in using Ensemble methods to replace single classifiers.

[pt] Nos últimos anos, a aplicação da técnica de redes neurais tem sido difundida em diversas áreas do conhecimento, inclusive na engenharia civil. Em meados da década de 90, iniciaram-se no Brasil estudos no sentido de avaliar a eficiência desta técnica numérica na modelagem do comportamento de solos e na análise de problemas envolvendo engenharia geotécnica. Este trabalho é resultado de parte destes estudos, onde algumas das potencialidades do uso das redes neurais em geotecnia podem ser observadas. São apresentadas três aplicações diferentes de redes neurais feedforward em geotecnia, tendo sido treinadas com o algoritmo LM (Levenberg-Marquardt). A primeira aplicação diz respeito à simulação de resultados de provas de carga dinâmica, analisadas pelo método CAPWAP, através de redes neurais, sendo assim viabilizada a realização de uma pré- análise do comportamento da estaca ainda em campo, o que geralmente não acontece quando se trata da análise CAPWAP tradicional. A segunda aplicação relaciona-se com a análise do comportamento mecânico de dois tipos de solo bastante diferentes entre si: a areia de Ipanema e o solo residual gnáissico do Rio de Janeiro. Para tal, foram utilizados resultados de ensaios de cisalhamento direto, submersos e não submersos, e ensaios de compressão triaxial, drenados e não drenados. A terceira aplicação refere-se à simulação das características do subsolo do sítio da Usina Nuclear Angra 2, localizada no litoral do estado do Rio de Janeiro. As informações disponíveis eram advindas de boletins de sondagens do tipo SPT. Foram realizadas simulações envolvendo a disposição das camadas dos diferentes tipos de solo que poderiam existir no local, o nível de água subterrâneo, a resistência à penetração do solo e a topografia do terreno. Em todos os casos foram obtidos resultados bastante satisfatórios. Portanto, conclui-se que a técnica das redes neurais apresenta grande viabilidade na resolução de problemas geotécnicos de diferentes características, muitas vezes se mostrando tanto ou mais eficiente que as técnicas numéricas tradicionais. / [en] During the last years, neural networks applications have been disseminated in many knowledge areas, including civil engineering. In the middle 90`s, a research work had been started in Brazil, in order to investigate the efficiency of neural networks in the analysis of soil behavior and problems involving geotechnical engineering. This thesis is the result of part of these studies, where some potentialities of neural networks technique are presented. Three different feedforward NNs applications in geotechnical engineering are presented. Levenberg- Marquardt algorithm was used for training. The first application is the simulation of results of dynamic pile tests, obtained from CAPWAP analysis, showing that it is possible to do a field pre-analysis of the pile behavior, which is still unpracticable when the traditional CAPWAP method is used. The second application is related to the study of two different soils behavior:sand from Ipanema and residual gnaissic soil from Rio de Janeiro. Results of submerged and non submerged direct shear tests and drained and undrained triaxial compression tests were used. The third application involves the simulation of subsoil characteristics of Angra 2 Nuclear Power Plant site. The available information came from SPT bulletins. Simulations involving several types of soil layers spatial distribution, water level position, penetration strength of soils and local topography were performed. The obtained results were very satisfactory. It can be concluded that the neural networks technique presents great applicability in resolution of geotechnical problems with different characteristics, showing an efficiency as good or even better than other traditional numerical techniques. / [es] En los últimos anos, la aplicación de técnicas de redes neurales se ha difundido en diversas áreas del conocimento, incluso en la ingeniería civil. A mediados de la década de 90, se iniciaran en Brasil estudios para evaluar la eficiencia de esta técnica numérica em modelos de comportamiento de suelos y en el análisis de problemas de ingeniería geotécnica. Este trabajo es el resultado de parte de estos estudios, donde pueden ser obseravdas algunas de las potencialidades del uso de las redes neurales en geotecnia. Se presentan tres aplicaciones diferentes de redes neurales fedforward en geotecnia, entrenadas con el algoritmo LM (Levenberg Marquardt). La primera aplicación se refiere a la simulación de resultados de pruebas de carga dinámica, analizadas por el método CAPWAP, a través de redes neurales, realizando un pré análisis del comportamiento de la estaca en campo, lo que generalmente no sucede cuando se trata del análisis CAPWAP tradicional. La segunda aplicación se relaciona con el análisis del comportamiento mecánico de dos tipos de suelo bastante diferentes entre sí: la arena de Ipanema y el suelo residual gnáisico de Rio de Janeiro. Para esto, se uilizaron resultados de ensayos de cisallamiento directo, submersos y no submersos, y ensayos de compresión triaxial, drenados y no drenados. La tercera aplicación se refiere a la simulación de las características del subsuelo del sitio de la Planta Nuclear Angra 2, localizada en el litoral del estado del Rio de Janeiro. Las informaciones disponibles provenian de boletines del tipo SPT. Se realizaron simulaciones que involucraban la disposición de los diferentes tipos de suelo que podrían existir en el local, el nível de agua subterránea, la resistencia a la penetración del suelo y la topografia del terreno. En todos los casos fueron obtenidos resultados bastante satisfactorios. Por lo tanto, se concluye que la técnica de redes neurales presenta gran viabilidad en la resolución de problemas geotécnicos de diferentes características, muchas veces mostrándose tanto o más eficiente que las técnicas numéricas tradicionales.

[pt] Breakouts são zonas colapsadas nas paredes de poços causadas por falhas de compressão. A identificação desses artefatos é fundamental para estimar a estabilidade das perfurações e para obter a orientação e magnitude da tensão horizontal máxima presente na formação rochosa. Tradicionalmente, os intérpretes caracterizam os breakouts manualmente em perfis de imagem, o que pode ser considerado uma tarefa muito demorada e trabalhosa por conta do tamanho massivo dos dados. Outros aspectos que dificultam a interpretação estão associados à complexidade das estruturas e a presença de diversos artefatos ruidosos nos dados de perfil. Sendo assim, métodos tradicionais de processamento de imagem tornam-se ineficientes para solucionar essa tarefa de detecção. Nos últimos anos, soluções baseadas em aprendizado profundo tem se tornado cada vez mais promissoras para problemas de visão computacional, tais como, detecção e segmentação de objetos em imagens. O presente trabalho tem como objetivo a classificação pixel a pixel das regiões de breakouts em dados de perfil de imagem. Para isso foi empregado a rede neural convolucional DC-UNet de forma supervisionada. Essa arquitetura é uma variação do modelo clássico U-Net, a qual é uma rede consagrada na segmentação de dados médicos. A metodologia proposta atingiu uma média de 72.3por cento de F1-Score e, em alguns casos, os resultados qualitativos mostraram-se melhores que a interpretação de referência. Após avaliação dos resultados junto a especialistas da área, o método pode ser considerado promissor na caracterização e segmentação automática de estruturas em perfis de imagem de poços. / [en] Breakouts are collapsed zones on wellbore walls caused by compressive failure. Their identification is fundamental for estimating the borehole s stability and obtaining the direction and magnitude of the maximum horizontal stress in the rock formation. Traditionally, professional interpreters identify and characterize breakouts manually in image logs, which can be considered a very laborious and time-consuming task due to the massive size of the wellbore data. Other aspects that make the interpretation difficult are the complexity of the structures of interest and several noisy artifacts in the image log data. Therefore, more than traditional image processing methods are required to solve this detection task. In recent years, solutions based on deep learning have become increasingly promising for computer vision problems, such as object detection and image segmentation. This work explores using a convolutional neural network to create a pixel-by-pixel classification of the breakout regions in the image log data. The architecture model used in this work for the supervised training was the DC-UNet. This architecture is a variation of the classical U-Net, an acknowledged network for medical image segmentation. The proposed method reached an average F-Score of 72.3 percent and qualitative results with some prediction cases even better than ground truth. After evaluating the results, the work can be considered promising for automatically characterizing and segmenting borehole structures in well image logs.

[pt] Atualmente, um dos maiores problemas das empresas brasileiras distribuidoras de energia elétrica é o de perdas comerciais, responsáveis pela maior parte das perdas do setor. A Light, por exemplo, é a terceira distribuidora com maiores perdas comerciais no Brasil, com 3,79 milhões de clientes de baixa tensão em 31 municí­pios do Estado do Rio de Janeiro. Estas perdas são causadas por fraudes nos medidores de energia, por equipamentos defeituosos e, principalmente, pelas ligações clandestinas, conhecidas por gatos, gambiarras ou macacos. Uma forma tradicional de combate às Perdas Comerciais é a realização de inspeções nos consumidores. Entretanto, a seleção de quais consumidores devem ser inspecionados é uma tarefa árdua para os especialistas no assunto. As distribuidoras geralmente empregam um conjunto de metodologias heurí­sticas para identificar os clientes de baixa tensão suspeitos de estarem cometendo algum tipo de irregularidade. Todavia, a média de acertos dessas metodologias ainda é bastante inferior ao desejado, acarretando prejuízos elevados para as distribuidoras brasileiras. No caso especí­fico da Light, a média de acerto na comprovação de clientes fraudadores é de apenas 25%. Verifica-se, portanto, que o processo adotado não é eficiente. Portanto, este trabalho tem como objetivo desenvolver uma metodologia que identifique, com maior precisão, o perfil do cliente irregular (comprovada fraude no medidor, furto por ligação clandestina ou irregularidade técnica). O sistema inteligente resultante, denominado SIIPERCOM, baseia-se em Redes Neurais, para a filtragem agrupando clientes com comportamentos semelhantes e classificação dos clientes de cada grupo em normais ou irregulares. / [en] Currently, one of the biggest problems of Brazilian companies distributing electrical power is the loss commercial, responsible for most of the losses in the sector. The Light, for example, is the third largest distributor with commercial losses in Brazil, with 3.79 million clients of low voltage in 31 municipalities in the State of Rio de Janeiro. These losses are caused by fraud in the energy meters, for defective equipment, and principally by illegal connections, known as cats, stage lights or monkeys. The traditional form to combat to the commercial losses is the realization of inspections on consumers. However, the selection of which consumers should be inspected is an arduous task to specialists in the subject. The distributors usually employ a range of methodologies heuristics to identify customers with low voltage suspected to be committing some type of irregularity. However, the average of correct these methodologies is still much lower than desired, causing heavy losses to Brazilian distributors. In the specific case of Light, the average hit the evidence of customers fraudsters is only 25%. It appears therefore that the process adopted is not efficient. Therefore, this study aims to develop a methodology to identify, with greater precision, the irregular profile of the customer (meter was proven fraud, theft by illegal connection or technical irregularity). The resulting intelligent system, called SIIPERCOM, based on Neural Networks, for the 'filtering' grouping customers with similar behaviors and classification of the customers of each group in normal or irregular.

[pt] O presente trabalho apresenta o desenvolvimento de um modelo neural para a inferência da qualidade do polietileno de baixa densidade (PEBD) a partir dos valores das variáveis de processo do sistema reacional. Para tal, fez- se uso de dados operacionais de uma empresa petroquímica, cujo pré-processamento incluiu a seleção de variáveis, limpeza e normalização dos dados selecionados e preparação dos padrões. A capacidade de inferência do modelo neural desenvolvido neste estudo foi comparada com a de dois modelos fenomenológicos existentes. Para tal, utilizou-se como medida de desempenho o valor do erro médio absoluto percentual dos modelos, tendo como referência valores experimentais do índice de fluidez. Neste contexto, o modelo neural apresentou-se como uma eficiente ferramenta de modelagem da qualidade do sistema reacional de produção do PEBD. / [en] This work comprises the development of a neural network- based model for quality inference of low density polyethylene (LDPE). Plant data corresponding to the process variables of a petrochemical company`s LDPE reactor were used for model development. The data were preprocessed in the following manner: first, the most relevant process variables were selected, then data were conditioned and normalized. The neural network- based model was able to accurately predict the value of the polymer melt index as a function of the process variables. This model`s performance was compared with that of two mechanistic models developed from first principles. The comparison was made through the models` mean absolute percentage error, which was calculated with respect to experimental values of the melt index. The results obtained confirm the neural network model`s ability to infer values of quality-related measurements of the LDPE reactor.