Made available in DSpace on 2014-06-12T17:43:09Z (GMT). No. of bitstreams: 2 arquivo981_1.pdf: 1519617 bytes, checksum: 1476b8d5238437f951709f3c7a7be61b (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2009 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Confiabilidade é uma métrica crítica para as organizações, uma vez que ela influencia diretamente seus desempenhos face à concorrência e é essencial para a manutenção da disponibilidade de seus sistemas produtivos. A previsão dessa métrica quantitativa é então de grande interresse, pois ela pode antecipar o conhecimento de falhas do sistema e permitir que as organizações possam evitar ou superar essas situações indesejadas. A confiabilidade de sistemas depende tanto dos efeitos inerentes da idade assim como das condições operacionais a que o sistema é submetido. Isso pode tornar a modelagem da confiabilidade muito complexa de forma que processos estocásticos tradicionais falhem em prever de forma acurada o seu comportamento ao longo do tempo. Nesse contexto, métodos de aprendizado como Support Vector Machines surgem como alternativa para superar essa questão. Uma das principais vantagens de se utilizar SVMs é o fato de não ser necessário supor ou conhecer previamente a função ou o processo que mapeia as variáveis de entrada (input) em saída (output). No entanto, seu desempenho está associado a um conjunto de parâmetros que aparecem no problema de aprendizado. Isso dá origem ao problema de seleção de modelo para SVM, que consiste basicamente em escolher os valores apropriados para esses parâmetros. Nesse trabalho, tal problema é resolvido por meio de Otimização via Nuvens de Partículas (Particle Swarm Optimization - PSO), uma abordagem probabilística que é inspirada no comportamento de organismos biológicos que se movem em grupos. Além disso, é proposta uma metodologia PSO+SVM para resolver problemas de previsão de confiabilidade, que é validada por meio da resolução de exemplos da literatura baseados em dados de séries temporais. As soluções encontradas, comparadas às provenientes de outras ferramentas de previsão como Redes Neurais (Neural Networks - NNs), indicam que a metodologia proposta é capaz de fornecer previsões de confiabilidade competitivas ou até mesmo mais acuradas. Além disso, a metodologia proposta é utilizada para resolver um exemplo de aplicação envolvendo dados de poços de produção de petróleo