As pesquisas sobre comportamento animal possuem como objetivo identificar e quantificar sinais de sofrimento a fim de eliminar os problemas obedecendo às normas de bem-estar. As alterações destes comportamentos mostram as necessidades ambientais para sua sobrevivência. Em certos casos, apenas as mudanças comportamentais podem evidenciar uma situação de estresse. Quando há mudanças na temperatura do ambiente, os animais apresentam várias respostas para manter a temperatura do corpo, começando com a conservação máxima de energia como a inatividade. Duas das mais efetivas características do comportamento termorregulatório incluem seleção de ambiente e ajuste de postura. Técnicas de processamento e análise de imagens podem vir a colaborar com a busca de informações contidas em imagens de animais confinados. Métodos invasivos de quantificação de comportamento mostram que há interferência do experimentador nas reações dos animais, comprometendo os resultados da pesquisa. Este trabalho visou obter, através da Visão Computacional, informações quanto à distribuição espacial de aves poedeiras frente a situações de conforto e estresse térmicos. Foram analisadas seqüências de imagens em ambiente MATLAB 7.0 ® de dois grupos de 5 aves (Hy-line W36) com 21 semanas de idade em condições de conforto térmico (T= 26°C ± 2°C e UR= 60% ± 2%) e 5 aves em condições de estresse térmico (T= 35°C ± 2°C e UR= 70% ± 2%) controladas em câmara climática. As aves foram demarcadas com tintas não tóxicas na região dorsal. Através de técnicas de clusterização de cores e localização do centro geométrico das aves, foi possível analisar a freqüência destas nas regiões de ninho, comedouro, bebedouro, área livre e \"bebedouro + comedouro\", e através do uso de redes Neurais Artificiais, foi possível obter padrões de formas do corpo das aves e relacioná-los a alguns comportamentos. A distribuição espacial é um forte indício das necessidades do animal em diferentes condições evidenciando que a freqüência em algumas regiões pode ser um indicativo de desconforto. A técnica de processamento e análise de imagens mostra-se como um método confiável e livre de subjetividade ou influência da fadiga humana no auxilio da classificação da dinâmica dos animais confinados. Trata-se de uma forma eficiente de analisar imagens de forma rápida para se ter conhecimento da dinâmica dos animais confinados ao longo do tempo. A necessidade do animal é demonstrada através de freqüências em determinadas regiões de interesse para seu bem-estar. / The animal behavior researches have as objective identify and quantify suffering signals in order to eliminate the problems obeying the welfare norms. The alterations of these behaviors show the ambient necessities for the animals\' survivals. In certain cases, only the abnormal behaviors can evidence a situation of stress. When the environment temperature changes, the animals present some answers to keep the body\'s temperature constant, starting with the maximum conservation of energy as the inactivity. Two of the most effective characteristics of the thermoregulatory behavior includes environment selection and position adjustment. Image processing and analysis techniques can collaborate with the research of information contained in images of confined animals. Invasive methods of quantification of the behavior show that there is interference of the experimenter on the animal reactions compromising the research results. This work aimed to know, through the Computer Vision, information about the laying hens\' spatial distribution at the thermal comfort and stress situations. Image sequences of two groups of 5 birds (hy-line W36) aging 21 weeks in conditions of thermal comfort (T= 26°C ± 2°C and UR= 60% ± 2%) and 5 birds in conditions had been analyzed of stress thermal (T= 35°C ± 2°C and UR= 70% ± 2%) and controlled in climatic chamber. The birds had been demarcated with not toxic inks in the dorsal region. Through colors clusters techniques in MATLAB 7.0 ® and the localization of the geometric center of the birds, it was possible to analyze the frequency of these birds in the nest regions, feed through, water through, free area and \"water through + feed through\", and through of Artificial Neural Network was possible to have standards shapes of bodies birds and to refers to some behaviors. The spatial distribution is an important indicative fort of the animal necessities in different conditions evidencing that the frequency in some regions can be a discomfort indicative. The processing technique and analysis of the images reveals as a trustworthy method and free of subjectivity or of the fatigue human`s influence in support of the dynamics classification of the confined animals. It is about one of the efficient form to analyze the images to have a better understanding of the dynamics of the confined animals` dynamics throughout time. The necessity of the animal is demonstrated through frequencies in determined regions of interest for its welfare condition.

Recentemente, várias tarefas tem sido delegadas a sistemas computacionais, principalmente quando sistemas computacionais são mais confiáveis ou quando as tarefas não são adequadas para seres humanos. O uso de extração de preferências ajuda a realizar a delegação, permitindo que mesmo pessoas leigas possam programar facilmente um sistema computacional com suas preferências. As preferências de uma pessoa são obtidas por meio de respostas para questões específicas, que são formuladas pelo próprio sistema computacional. A pessoa age como um usuário do sistema computacional, enquanto este é visto como um agente que age no lugar da pessoa. A estrutura e contexto das questões são apontadas como fonte de variações das respostas do usuário, e tais variações podem impossibilitar a factibilidade da extração de preferências. Uma forma de evitar tais variações é questionar um usuário sobre a sua preferência entre dois comportamentos observados por ele. A questão de avaliar relativamente comportamentos observados é mais simples e transparente ao usuário, diminuindo as possíveis variações, mas pode não ser fácil para o agente interpretar tais avaliações. Se existem divergências entre as percepções do agente e do usuário, o agente pode ficar impossibilitado de aprender as preferências do usuário. As avaliações são geradas com base nas percepções do usuário, mas tudo que um agente pode fazer é relacionar tais avaliações às suas próprias percepções. Um outro problema é que questões, que são expostas ao usuário por meio de comportamentos demonstrados, são agora restritas pela dinâmica do ambiente e um comportamento não pode ser escolhido arbitrariamente. O comportamento deve ser factível e uma política de ação deve ser executada no ambiente para que um comportamento seja demonstrado. Enquanto o primeiro problema influencia a inferência de como o usuário avalia comportamentos, o segundo problema influencia quão rápido e acurado o processo de aprendizado pode ser feito. Esta tese propõe o problema de Extração de Preferências com base em Comportamentos Observados utilizando o arcabouço de Processos Markovianos de Decisão, desenvolvendo propriedades teóricas em tal arcabouço que viabilizam computacionalmente tal problema. O problema de diferentes percepções é analisado e soluções restritas são desenvolvidas. O problema de demonstração de comportamentos é analisado utilizando formulação de questões com base em políticas estacionárias e replanejamento de políticas, sendo implementados algoritmos com ambas soluções para resolver a extração de preferências em um cenário sob condições restritas. / Recently, computer systems have been delegated to accomplish a variety of tasks, when the computer system can be more reliable or when the task is not suitable or not recommended for a human being. The use of preference elicitation in computational systems helps to improve such delegation, enabling lay people to program easily a computer system with their own preference. The preference of a person is elicited through his answers to specific questions, that the computer system formulates by itself. The person acts as an user of the computer system, whereas the computer system can be seen as an agent that acts in place of the person. The structure and context of the questions have been pointed as sources of variance regarding the users answers, and such variance can jeopardize the feasibility of preference elicitation. An attempt to avoid such variance is asking an user to choose between two behaviours that were observed by himself. Evaluating relatively observed behaviours turn questions more transparent and simpler for the user, decreasing the variance effect, but it might not be easier interpreting such evaluations. If divergences between agents and users perceptions occur, the agent may not be able to learn the users preference. Evaluations are generated regarding users perception, but all an agent can do is to relate such evaluation to his own perception. Another issue is that questions, which are exposed to the user through behaviours, are now constrained by the environment dynamics and a behaviour cannot be chosen arbitrarily, but the behaviour must be feasible and a policy must be executed in order to achieve a behaviour. Whereas the first issue influences the inference regarding users evaluation, the second problem influences how fast and accurate the learning process can be made. This thesis proposes the problem of Preference Elicitation under Evaluations over Observed Behaviours using the Markov Decision Process framework and theoretic properties in such framework are developed in order to turn such problem computationally feasible. The problem o different perceptions is analysed and constraint solutions are developed. The problem of demonstrating a behaviour is considered under the formulation of question based on stationary policies and non-stationary policies. Both type of questions was implemented and tested to solve the preference elicitation in a scenario with constraint conditions.

Made available in DSpace on 2014-07-29T15:08:15Z (GMT). No. of bitstreams: 1 dissertacaoRaulWCalaca.pdf: 389248 bytes, checksum: cb60b52936f41e68078c960a1cf097e6 (MD5) Previous issue date: 2008-08-06 / The Elliott Wave analysis is a technique developed for the prediction of prices of financial assets (stocks, exchange rates etc.). This work introduces the basic concepts of the financial market, focusing mainly on the Elliott Wave principle, which differs from other techniques for providing direction and intensity of changes in shares / stocks prices in the financial market. The Elliott Wave detection usually employs manual methods, since automated systems present high costs and are apparently based on trial and error method associated with Statistics. Manual methods assess, following some rules, the waves prospected by trial and error, and requires specialized training and experience. To automatically detect the waves of Elliott, this work suggests, develops and tests a computational system based on Genetic Algorithms, an Artificial Intelligence technique inspired on Biology. Genetic Algorithms are used to evolve answers to problems by assessing candidates, which are coded as chromosomes. Tests of the system were performed based on BM&FBOVESPA stocks with high daily liquidity. Simulations have indicated that the detected waves are satisfactory, with error rate below 3% in each inflection point. / A análise das Ondas de Elliott é uma técnica desenvolvida para a previsão dos preços de ativos financeiros (ações, taxas de câmbios etc). O presente trabalho introduz conceitos básicos do mercado financeiro, focando principalmente nas Ondas de Elliott que diverge das outras técnicas por prever direção e intensidade da mudança do valor de ações/papéis no mercado financeiro. A detecção das Ondas de Elliott usa geralmente metodologia manual, visto que os sistemas automáticos possuem custos elevados e são aparentemente baseados em métodos de tentativa e erro associados à Estatística. O método manual avalia, seguindo algumas regras, as ondas prospectadas por tentativa e erro, exigindo treinamento especializado e experiência. Para detectar automaticamente as Ondas de Elliott no mercado financeiro, este trabalho propõe, desenvolve e testa um sistema computacional baseado em Algoritmos Genéticos, uma técnica de Inteligência Artificial baseada na seleção natural da Biologia. Algoritmos Genéticos são utilizados para evoluir respostas a problemas que permitem avaliar candidatos a soluções, codificados como cromossomos. Os testes do sistema foram realizados com base nos dados de ações pertencentes à Bolsa de Bolsa de Valores, Mercadorias e Futuros (BM&FBOVESPA) e possuidoras de alta liquidez diária. As simulações indicaram que as ondas detectadas pelo sistema foram satisfatórias, possuindo índice de erro abaixo de 3% por ponto de inflexão.

Este trabalho apresenta três sistemas de controle distintos para a atuação em sistemas de tração elétrica traseira em veículos de passeio convencionais convertidos em VEHs (Veículos Elétricos Híbridos) 4x4, enfocando o desenvolvimento de um sistema diferencial eletrônico (SDE). As principais arquiteturas de veículos híbridos são apresentadas. O SDE, que atua em tempo de execução nas velocidades angulares dos pneumáticos traseiros em manobras variadas, depende dos sinais de esterçamento e aceleração impostos pelo condutor, considerando as modelagens cinemática e dinâmica do veiculo no cálculo dos valores de referência para o controlador. Controladores PID modificado, neurofuzzy baseado em inteligência artificial e um H-Infinito ótimo são projetados e detalhados. Uma nova arquitetura para o SDE é proposta e apresentada, visando a utilização de sistemas de controle robustos no problema do SDE, traçando-se um paralelo entre o seu desempenho e das arquiteturas convencionais quando o controlador H-Infinito ótimo assume o controle do SDE. O projeto e o desenvolvimento de um mini-VEH, a plataforma HELVIS (Hybrid ELectric Vehicle In low Scale), são apresentados. A implementação de um simulador veicular denominado HELVIS-SIM, inspirado na plataforma HELVIS, é também apresentada. O SDE, que compreende a arquitetura proposta e os controladores, são embarcados e também implementados no HELVIS-SIM. Resultados simulados obtidos no HELVIS-SIM são analisados. Testes experimentais do SDE na plataforma HELVIS são apresentados, considerando apenas testes de bancada sem o contato dos pneumáticos com o solo. / This work presents the development of three distinct control systems to rear electric traction control on conventional touring vehicles converted on 4WD (four-wheel drive) hybrid electric vehicles (HEVs), focusing on the design of a EDS (Electronic Differential System). Main HEV architectures are presented. The EDS controls the rear wheels angular speeds as the driver inputs steering and acceleration commands, considering both dynamic and kinematic models of the vehicle and so the actuators on the calculus of the desired rear angular speeds. One modied PID controller, one AI (Articial Intelligence) based controller and one robust optimal H \'infinite\' controller are designed and outlined. A new EDS architecture is proposed and presented, aimming the use of robust controllers to the EDS problem, comparing the use of the H \'infinite\' optimal controller to conventional EDS architectures. The design of a mini-HEV, the HELVIS (Hybrid ELectric Vehicle In low Scale) platform is also presented. The implementation of a parametric vehicular simulator, the HELVIS-SIM, is discussed. The EDS, which represents the controllers and the proposed architecture, is evaluated on the HELVIS platform and on the HELVIS-SIM. Simulated results are rst run in the HELVIS-SIM. Experimental results of the EDS tests are presented exclusively considering the evaluation on a bench test, without any contact of the platform with the pavement.

Les systèmes de vision artificielle sont aujourd'hui limités à l'extraction de données issues de ce que les caméras « voient ». Cependant, la compréhension de ce qu'elles voient peut être enrichie en associant la connaissance du contexte et la connaissance d'interprétation d'un humain.Dans ces travaux de thèse, nous proposons une approche associant des algorithmes de vision atificielle à une modélisation sémantique du contexte d'acquisition.Cette approche permet de réaliser un raisonnement sur la connaissance extraite des images par les caméras en temps réel. Ce raisonnement offre une réponse aux problèmes d'occlusion et d'erreurs de détections inhérents aux algorithmes de vision artificielle. Le système complet permet d'offrir un ensemble de services intelligents (guidage, comptage...) tout en respectant la vie privée des personnes observées. Ces travaux forment la première étape du développement d'un bâtiment intelligent qui peut automatiquement réagir et évoluer en observant l'activité de ces usagers, i.e., un bâtiment intelligent qui prend en compte les informations contextuelles.Le résultat, nommé WiseNET, est une intelligence artificielle en charge des décisions au niveau du bâtiment (qui pourrait être étendu à un groupe de bâtiments ou même a l'échelle d'un ville intelligente). Elle est aussi capable de dialoguer avec l'utilisateur ou l'administrateur humain de manière explicite. / To date, computer vision systems are limited to extract digital data of what the cameras "see". However, the meaning of what they observe could be greatly enhanced by environment and human-skills knowledge.In this work, we propose a new approach to cross-fertilize computer vision with contextual information, based on semantic modelization defined by an expert.This approach extracts the knowledge from images and uses it to perform real-time reasoning according to the contextual information, events of interest and logic rules. The reasoning with image knowledge allows to overcome some problems of computer vision such as occlusion and missed detections and to offer services such as people guidance and people counting. The proposed approach is the first step to develop an "all-seeing" smart building that can automatically react according to its evolving information, i.e., a context-aware smart building.The proposed framework, named WiseNET, is an artificial intelligence (AI) that is in charge of taking decisions in a smart building (which can be extended to a group of buildings or even a smart city). This AI enables the communication between the building itself and its users to be achieved by using a language understandable by humans.

This thesis is concerned with the explanation of the word2vec models. Even though word2vec was introduced recently (2013), many researchers have already tried to extend, understand or at least use the model because it provides surprisingly rich semantic information. This information is encoded in N-dim vector representation and can be recall by performing some operations over the algebra. As an addition, I suggest a model modifications in order to obtain different word representation. To achieve that, I use public picture datasets. This thesis also includes parts dedicated to word2vec extension based on convolution neural network.

This thesis is focused on the task of application of SAT problem and it's modifications in area of evolution logic circuit development. This task is supposed to increase speed of evaluating candidate circuits by fitness function in cases where simulation usage fails. Usage of SAT and #SAT problems make evolution of complex circuits with high input number significantly faster. Implemented solution is based on #SAT problem. Two applications were implemented. They differ by the approach to checking outputs of circuit for wrong values. Time complexity of implemented algorithm depends on logical complexity of circuit, because it uses logical formulas and it's satisfiability to evaluate logic circuits.

Diploma thesis deals with analyzing the possibility of using artificial intelligence, specifically artificial neural networks and fuzzy logic, on the capital markets as a tool to support decision making in business. The Matlab software is used for this purpose. The work is divided into three parts. The first part deals with theoretical knowledge, brief description of the current situationin is covered in a second part and the theoretical solutions are applied to the system in the third section.

This thesis deals with image object detection and its classification into classes. Classification is provided by models of framework for deep learning BVLC/Caffe. Object detection is provided by AlpacaDB/selectivesearch and belltailjp/selective_search_py algorithms. One of results of this thesis is modification and usage of deep convolutional neural network AlexNet in BVLC/Caffe framework. This model was trained with precision 51,75% for classification into 1 000 classes. Then it was modified and trained for classification into 20 classes with precision 75.50%. Contribution of this thesis is implementation of graphical interface for object detction and their classification into classes, which is implemented as aplication based on web server in Python language. Aplication integrates object detection algorithms mentioned abowe with classification with help of BVLC/Caffe. Resulting aplication can be used for both object detection (and classification) and for fast verification of any classification model of BVLC/Caffe. This aplication was published on server GitHub under license Apache 2.0 so it can be further implemented and used.

[ES] Esta investigación contribuye al avance de la modelación sustitutiva como una técnica poderosa en el campo de la simulación computacional que ofrece numerosas ventajas para resolver eficientemente problemas complejos. En particular, este estudio destaca el papel crucial de la modelación sustitutiva en la gestión de aguas subterráneas. El impacto del cambio climático es un enfoque central, y el primer estudio tiene como objetivo construir modelos de datos sustitutivos para evaluar los efectos del cambio climático en los recursos de aguas subterráneas, también en el futuro. El estudio implica la comparación entre métodos estadísticos y diferentes tipos de Redes Neuronales Artificiales (ANN). La eficacia de los modelos sustitutivos se demostró en el norte de la Toscana (Italia), pero puede extenderse fácilmente a cualquier área de interés. El método estadístico adoptado implica analizar datos históricos de precipitación y temperatura junto con niveles de agua registrados en pozos de monitoreo. Inicialmente, el estudio explora posibles correlaciones entre índices meteorológicos e índices de agua subterránea; si se identifica una correlación, se emplea un análisis de regresión lineal. Estas relaciones establecidas se utilizan luego para estimar los futuros niveles de agua subterránea en función de las proyecciones de precipitación y temperatura obtenidas de un conjunto de Modelos Climáticos Regionales, bajo dos Trayectorias de Concentración Representativa: RCP4.5 y RCP8.5. Posteriormente, se implementaron tres modelos distintos de Inteligencia Artificial (AI), AutoRegressive No Lineal con Entradas Exógenas (NARX), Memoria a Largo y Corto Plazo (LSTM) y Red Neuronal Convolucional (CNN) para evaluar el impacto del cambio climático en los recursos de aguas subterráneas para el mismo caso de estudio. Específicamente, estos modelos fueron entrenados utilizando directamente datos históricos de precipitación y temperatura como entrada para proporcionar niveles de agua subterránea como salida. Después de la fase de entrenamiento, los modelos de IA desarrollados se utilizaron para prever los futuros niveles de agua subterránea utilizando las mismas proyecciones de precipitación y temperatura y escenarios climáticos descritos anteriormente. Los resultados resal-taron diferentes salidas entre los modelos utilizados en este trabajo. Sin embargo, la mayoría de ellos predice una disminución en los niveles de agua subterránea como resultado de futuras variaciones en la precipitación y temperatura. Notablemente, el modelo LSTM emerge como el enfoque más prometedor para predecir futuros niveles de agua subterránea. Dentro del mismo campo, se desarrolló una ANN con la capacidad de simular las condiciones de agua subterránea en la cuenca cerrada de Konya, Turquía, uno de los sitios piloto investigados como parte del proyecto InTheMED. Este modelo sirve como herramienta para examinar los impactos potenciales del cambio climático y las políticas agrícolas en los recursos de agua subterránea dentro de la región. El objetivo final de esta aplicación es proporcionar una herramienta fácil de usar, basada en la red neuronal entrenada. La simplicidad inherente del modelo sustitutivo, con una interfaz directa y resultados fáciles de entender, juega un papel crucial en los procesos de toma de decisiones. En cuanto al transporte de contaminantes, se implementó una ANN para resolver diferentes problemas directos e inversos. El problema directo trata sobre la evaluación de concentraciones en pozos de monitoreo, mientras que el probl-ma inverso implica la identificación de fuentes de contaminantes y su historial de liberación. Demostró eficiencia al abordar problemas de transporte tanto directos como inversos, ofreciendo resultados confiables con una carga computacional reducida. El estudio también aborda el desafío de la interpretabilidad de las ANNs y el llamado "problema de generalización" a través de las Redes Neuronales Informadas por la Física (PINNs) / [CA] Aquesta investigació contribueix a l'avanç de la modelació substitutiva com una tècnica potent en el camp de la simulació computacional que ofereix nombroses avantatges per a resoldre eficientment problemes complexos. En particular, aquest estudi destaca el paper crucial de la modelació substitutiva en la gestió d'aigües subterrànies. L'impacte del canvi climàtic és un enfocament central, i el primer estudi té com a objectiu construir models de dades substitutius per avaluar els efectes del canvi climàtic en els recursos d'aigües subterrànies, també en el futur. L'estudi implica la comparació entre mètodes estadístics i diferents tipus de Xarxes Neuronals Artificials (ANN). L'eficàcia dels models substitutius es va demostrar al nord de la Toscana (Itàlia), però pot estendre's fàcilment a qualsevol àrea d'interès. El mètode estadístic adoptat implica analitzar dades històriques de precipitació i temperatura juntament amb nivells d'aigua registrats en pous de monitorització. Inicialment, l'estudi explora possibles correlacions entre índexs meteorològics i índexs d'aigua subterrània; si s'identifica una correlació, s'emplea una anàlisi de regressió lineal. Aquestes relacions establertes s'utilitzen després per estimar els futurs nivells d'aigua subterrània en funció de les projeccions de precipitació i temperatura obtingudes d'un conjunt de Models Climàtics Regionals, sota dues Trajectòries de Concentració Representativa: RCP4.5 i RCP8.5. Posteriorment, es van implementar tres models diferents d'Intel·ligència Artificial (IA), AutoRegressive No Lineal amb Entrades Exògenes (NARX), Memòria a Llarg i Curt Terme (LSTM) i Xarxa Neuronal Convolucional (CNN) per avaluar l'impacte del canvi climàtic en els recursos d'aigües subterrànies per al mateix cas d'estudi. Específicament, aquests models van ser entrenats utilitzant directament dades històriques de precipitació i temperatura com a entrada per proporcionar nivells d'aigua subterrània com a sortida. Després de la fase d'entrenament, els models d'IA desenvolupats es van utilitzar per predir els futurs nivells d'aigua subterrània utilitzant les mateixes projeccions de precipitació i temperatura i escenaris climàtics descrits anteriorment. Els resultats van destacar diferents sortides entre els models utilitzats en aquest treball. No obstant això, la majoria d'ells preveu una disminució en els nivells d'aigua subterrània com a resultat de futures variacions en la precipitació i temperatura. Notablement, el model LSTM emergeix com l'enfocament més prometedor per predir futurs nivells d'aigua subterrània. Dins del mateix camp, es va desenvolupar una ANN amb la capacitat de simular les condicions d'aigua subterrània a la conca tancada de Konya, Turquia, un dels llocs pilot investigats com a part del projecte InTheMED. Aquest model serveix com a eina per examinar els impactes potencials del canvi climàtic i les polítiques agrícoles en els recursos d'aigua subterrània dins de la regió. L'objectiu final d'aquesta aplicació és proporcionar una eina fàcil d'usar, basada en la xarxa neuronal entrenada. La simplicitat inherent del model substitutiu, amb una interfície directa i resultats fàcils d'entendre, juga un paper crucial en els processos de presa de decisions. Pel que fa al transport de contaminants, es va implementar una ANN per resoldre diferents problemes directes i inversos. El problema directe tracta sobre l'avaluació de concentracions en pous de monitorització, mentre que el problema invers implica la identificació de fonts de contaminants i el seu historial de lliberació. Va demostrar eficiència en abordar problemes de transport tant directes com inversos, oferint resultats fiables amb una càrrega computacional reduïda. L'estudi també aborda el repte de la interpretabilitat de les ANNs i el denominat "problema de generalització" a través de les Xarxes Neuronals Informades per la Física (PINNs). / [EN] This research contributes to the advancement of surrogate modelling as a powerful technique in the field of computational simulation that offers numerous advantages for solving complex problems efficiently. In particular, this study emphasizes the pivotal role of surrogate modeling in groundwater management. By integrating key factors like climate change and leveraging machine learning, particularly neural networks, the research facilitates more informed decision-making, significantly reducing the computational cost of complex numerical models. The impact of climate change is a central focus and the first study aims to construct surrogate data-driven models for evaluating climate change effects on groundwater resources, also in the future. The study involves a comparison between statistical methods and different types of artificial neural networks (ANNs). The effectiveness of surrogate models was demonstrated in Northern Tuscany (Italy) but can easily extend to any area of interest. The adopted statistical method involves analyzing historical precipitation and temperature data along with groundwater levels recorded in monitoring wells. Initially, the study explores potential correlations between meteorological and groundwater indices; if a correlation is identified, a linear regression analysis is employed to establish relationships between them. These established relationships are then used to estimate future groundwater levels based on projected precipitation and temperature obtained from an ensemble of Regional Climate Models, under two Representative Concentration Pathways, namely RCP4.5 and RCP8.5. Then, three distinct Artificial Intelligence (AI) models, Nonlinear AutoRegressive with eXogenous inputs (NARX), Long-Short Term Memory (LSTM) and Convolutional Neural Network (CNN) were implemented to evaluate the impact of cli-mate change on groundwater resources for the same case study. Specifically, these models were trained using directly historical precipitation and temperature data as input to provide groundwater levels as output. Following the training phase, the developed AI models were utilized to forecast future groundwater levels using the same precipitation and temperature projections and climate scenarios described above. The results highlighted different outputs among the models used in this work. However, most of them predict a decrease in groundwater levels as a result of future variations in precipitation and temperature. The study also presents the strengths and weaknesses of each model. Notably, the LSTM model emerges as the most promising approach to predict future groundwater levels. Within the same field, an ANN was developed with the capability to simulate groundwater conditions in the Konya closed basin, Turkey, one of the pilot sites investigated as part of the InTheMED project. This model serves as a tool for examining the potential impacts of climate change and agricultural policies on groundwater resources within the region. The final goal of this application, is to provide a user-friendly tool, based on the trained neural network. The inherent simplicity of the surrogate model, with a straightforward interface and results that are simple to understand, plays a crucial role in decision-making processes. Shifting to pollutant transport, an ANN was implemented to solve different direct and inverse problems. The direct problem deals with the evaluation of concentrations in monitoring wells, while the inverse problem involves the identification of contaminant sources and their release history. It demonstrated efficiency in addressing both direct and inverse transport problems, offering reliable results with reduced computational burden. The study also addresses the interpretability challenge of ANNs and the so called "generalization problem" through Physics-Informed Neural Networks (PINNs reducing the gap between data-driven modeling and physics-based interpretations. / Secci, D. (2024). Surrogate models, physics-informed neural networks and climate change [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/205793