O oxicorte produz superfícies que variam entre um padrão semelhante à usinagem até outro em que o corte é praticamente sem qualidade. Além das condições de equipamentos e habilidade de operadores, estas possibilidades são conseqüências da correta seleção de parâmetros e variáveis de trabalho. O processo baseia-se numa reação química fortemente exotérmica, que gera parte de calor necessário para sua ocorrência juntamente com o restante do calor proveniente da chama do maçarico. A proporção entre estes valores é fortemente dependente, entre outros fatores, da espessura do material utilizado. Este trabalho mostra como calcular a quantidade de energia gerada no oxicorte, com duas metodologias de diferentes autores, estuda de que maneira fatores como a variação da concentração do oxigênio e a temperatura inicial das chapas cortadas podem variar o balanço térmico e simula, com a utilização de Redes Neurais Artificiais, alguns dos dados necessários para a realização destes cálculos. Para isto foram cortadas chapas de aço carbono ASTM A36 de 12,7 a 50,8 mm, com diferentes concentrações de O2 (99,5% e 99,95%) e diferentes temperaturas de pré-aquecimento das chapas (30 e 230±30ºC). As superfícies cortadas foram caracterizadas, os óxidos produzidos identificados e os resultados foram correlacionados com o uso de tratamento matemático e técnicas de inteligência artificial. Para a realização do trabalho alguns aspectos não existentes em literatura foram superados como o desenvolvimento de uma metodologia para a caracterização dos óxidos de Fe por meio de difração de raios X com o método de Rietveld, a utilização de redes neurais artificiais para estimativa de resultados no processo oxicorte e a comparação entre diferentes redes neurais artificiais, que são também aspectos inéditos apresentados nos sete artigos técnicos publicados no decorrer deste trabalho. Os resultados apresentam: uma metodologia para a análise da eficiência energética do processo, o desenvolvimento de técnicas que, com o emprego de inteligência artificial simulam o comportamento de aspectos do processo, o que por fim possibilita a simulação da análise de sua eficiência energética. / Oxygen cutting process produces surfaces that vary from a machine cut finishing to one of virtually no quality at all. Besides equipment conditions and operators\' skills, these possibilities result from the correct selection of work parameters and variables. The process is based on a highly exothermic chemical reaction that generates part of the heat needed for its occurrence, along with the rest of heat resultant from the flame of the blowpipe. The ratio between these values depends highly on the thickness of the material used. This work shows how to calculate the amount of energy generated in the cutting process. Based on two methodologies of different authors, this research studies how factors such as the change in the oxygen concentration and the pre heating temperature of plates can vary the heat balance and simulates, with the use of Artificial Neural Networks, some of the data needed to perform these calculations. ASTM A36 carbon steel plates, from 12.7 to 50.8 mm thick, with different oxygen concentration (99,5% e 99,95%) and preheating temperatures (30 and 230 ±30ºC) were cut. The cut surfaces and the produced oxides were characterized and the results were correlated with the use of mathematical treatment and artificial intelligence techniques. In order to carry out this work some previously inexistent aspects in literature have been developed, such as a Fe oxides characterization methodology with X-ray diffraction and Rietveld method; the use of artificial neural networks to simulate the results in the oxygen cutting process and the comparison between different artificial neural networks, which are unpublished aspects of this work that can be seen in seven technical papers published while this work was in progress. Results show: a methodology for the analysis of the energy efficiency of the process; the development of techniques that, together with artificial intelligence, simulate the results of aspects of the process; which finally allows the simulation analysis of the energy efficiency of the process.

Este trabalho apresenta o desenvolvimento de um instrumento de apoio à gestão territorial, denominado Banco de Dados Geográficos – BDG, constituído de uma base de dados georreferenciadas, de um sistema de gerenciamento de banco de dados, de um sistema de informação geográfica – SIG e de um simulador de redes neurais artificiais – SRNA. O roteiro metodológico adotado permitiu a transposição do Detalhamento da Metodologia para Execução do Zoneamento Ecológico-Econômico pelos Estados da Amazônia Legal para um modelo conceitual materializado no BDG, que serviu de suporte para a criação de uma base de dados geográficos, na qual utilizou-se os conceitos de geo-campos e geo-objetos para modelagem das entidades geográficas definidas. Através deste ambiente computacional foram realizados procedimentos de correção e refinamento dos dados do meio físico e sócio-econômicos, de interpretação de imagens de satélite e análises e combinações dos dados, que permitiram definir unidades básicas de informação do território, a partir das quais foram geradas as sínteses referentes à potencialidade social e econômica, à sustentabilidade do ambiente, aos subsídios para ordenação do território, incluindo orientações à gestão do território na área de estudo localizada no sudoeste do estado de Rondônia. Sobre os dados do meio físico, foram utilizadas duas técnicas de análise geográfica: álgebra de mapas e rede neural artificial, que produziram cenários relativos à vulnerabilidade natural à erosão. A análise das matrizes de erros obtidas da tabulação cruzada entre os cenários, revelou uma boa exatidão global (acima de 90%) entre os cenários obtidos através da modelagem via álgebra de mapas e via rede neural artificial e, uma exatidão global regular (em torno de 60%), quando foram comparados os cenários obtidos via álgebra de mapas e via rede neural artificial com o cenário obtido através de procedimentos manuais. / This work presents the development of a tool to support the land management called Geographical Data Base (GDB) formed by a georrefered data base, a data base management system (DBMS), a geographic information system (GIS) and an artificial neural net simulator (ANNS). The methodological approach allowed the conceptual modelling of the methodology of the ZEE (Ecological-Economic Zoning) institutional program within GDB, using both field and object concepts, in which the geographic entities were modelled. Using this computacional framework both natural and socio-economic data were corrected and improved, and also procedures of satellite image interpretation using image processing techniques, of analysis and data manipulation using GIS tools, were accomplished. These procedures allowed to define basic units of mapping and to get the following synthesis for the study area located in State of Rondonia: social potenciality, environmental vulnerability, environmental sustentability, land management maps, and guidelines about land management. With the abiotic and biotic data, two different geographical inference methods were used to produce the environmental vulnerability map: a) the common Map Algebra approach and b) an Artificial Neural Network approach – as a technique to deal with the non-linearities involved in inferencial processes. Error matrices were computed from cross tabulation among different scenaries obtained from those inference methods. A good global accuracy (over 90%) was obtained when ANN and Map Algebra scenaries were compared. Medium global accuracies (around 60%) were obtained when ANN and Map Algebra were compared with scenaries obtained by manual procedures.

Submitted by Almir Azevedo (barbio1313@gmail.com) on 2018-06-07T17:17:44Z No. of bitstreams: 1 dissertacao mestrado ien 2018 Kelcio Jose Gomes.pdf: 23521797 bytes, checksum: 9f86dd75bf1d595f5e579d31365eb4a4 (MD5) / Made available in DSpace on 2018-06-07T17:17:44Z (GMT). No. of bitstreams: 1 dissertacao mestrado ien 2018 Kelcio Jose Gomes.pdf: 23521797 bytes, checksum: 9f86dd75bf1d595f5e579d31365eb4a4 (MD5) Previous issue date: 2018-04 / Este trabalho apresenta um aplicativo móvel de previsão de doses para casos de emergências em Centrais Nucleares com liberação de material nuclear. O objetivo consiste em prover um suporte extra para a tomada de decisões de equipes de campo quando a os sistemas de informações da planta estiverem indisponíveis. Contudo, a previsão de doses devido a dispersão de radionuclídeos na atmosfera requer a execução de modelos físicos altamente complexos e computacionalmente intensos. Para que essas previsões sejam possíveis de serem feitas usando recursos computacionais limitados como, por exemplo, telefone celular é proposto neste trabalho o uso de Redes Neurais Artificiais (RNA) previamente treinadas (modo off-line) com dados obtidos por simulações precisas utilizando-se do Sistema de Dispersão Atmosférica. Para isso, foram consideradas situações típicas para cada acidente postulado, bem como uma ampla gama de condições meteorológicas. Como passo inicial, foram investigadas diversas arquiteturas de RNA para avaliar a capacidade de previsão de dose em cenários hipotéticos nas vizinhanças da Central Nuclear Brasileira da CNAAA, em Angra dos Reis, Rio de Janeiro. Como resultado, obteve-se um ótima generalização e um coeficiente de correlação de 0,99 para um conjunto de dados de avaliação (padrões não usados em treinamento). Diante disso, as RNAs selecionadas foram codificadas na Linguagem de Programação Java para serem executadas em um aplicativo da plataforma Android destinado a traçar a distribuição da dose espacial no mapa da região em questão. Neste trabalho, descreve-se a arquitetura geral do sistema proposto, resultados numéricos e comparações entre as arquiteturas investidas de RNA são discutidas. Além disso, o desempenho e limitações da execução numa plataforma de celular móvel são avaliados e possíveis melhorias e trabalhos futuros são apontados. / This work presents the approach of a mobile dose prediction system for NPP emergencies with nuclear material release. The objective is to provide extra support to field teams decisions when plant information systems are not available. However, predicting doses due to atmospheric dispersion of radionuclide generally requires execution of complex and computationally intensive physical models. In order to allow such predictions to be made by using limited computational resources such as mobile phones, it is proposed the use of artificial neural networks (ANN) previously trained (offline) with data generated by precise simulations using the NPP atmospheric dispersion system. Typical situations for each postulated accident and respective source terms, as well as a wide range of meteorological conditions have been considered. As a first step, several ANN architectures have been investigated in order to evaluate their ability for dose prediction in hypothetical scenarios in the vicinity of CNAAA Brazilian NPP, in Angra dos Reis, Brazil. As a result, good generalization and a correlation coefficient of 0.99 was achieved for a validation data set (untrained patterns). Then, selected ANNs have been coded in Java programming language to run as an Android application aimed to plot the spatial dose distribution into a map. In this work, the general architecture of the proposed system is described; numerical results and comparisons between investigated ANN architectures are discussed; performance and limitations of running the Application into a commercial mobile phone are evaluated and possible improvements and future works are pointed.

Made available in DSpace on 2014-06-12T23:14:39Z (GMT). No. of bitstreams: 2 arquivo8666_1.pdf: 1181209 bytes, checksum: a7240ded231e53369931eabf0ffebcfe (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / A escassez de informações precisas sobre a irradiação solar, disponível em uma determinada localidade, é um dos fatores limitativos do desenvolvimento de áreas como agropecuária, meteorologia, engenharia florestal, recursos hídricos e particularmente para a área da energia solar. No Brasil, Tiba et al (2001), fizeram um levantamento das informações solarimétricas terrestres existentes, constatando a grande escassez dessas informações (principalmente na escala diária) para a maioria das localidades brasileiras, provavelmente explicada tanto pelos altos custos dos equipamentos utilizados na obtenção desses dados como também pela grande extensão territorial. Para superar este problema, dentre as principais propostas sugeridas pelo trabalho pode-se destacar a geração de séries temporais sintéticas da irradiação solar diária, que reproduzam as principais características estatísticas das séries históricas, viabilizando a simulação e a avaliação de desempenho dos sistemas solares submetidos a regime de longo prazo. Os trabalhos desenvolvidos recentemente por dezenas de pesquisadores, em nível mundial, sugerem a obtenção das séries sintéticas a partir da utilização de duas metodologias conceitualmente distintas: os modelos baseados nos conceitos da cadeia de Markov e os modelos fundamentados na metodologia das redes neurais artificiais. Neste estudo, foram avaliados os desempenhos de dois modelos para geração de séries sintéticas da irradiação solar global diária: o primeiro, proposto por Graham et al (1988), que é um modelo estocástico baseado nos conceitos da cadeia de Markov e fundamentado na metodologia ARMA, e o segundo modelo fundamentado na metodologia das redes neurais artificiais (RNA). O modelo de Graham foi testado para seis localidades brasileiras situadas em regiões tropicais, com latitudes variando desde 1º 27 S até 30º 01 S e longitude variando numa faixa de 38º 31 W a 60º 39 W. Com relação ao modelo das redes neurais artificiais, foi feita a interpolação temporal para quatro localidades brasileiras de grandes diferenças meteorológicas e a interpolação espacial para sete localidades do Sertão de Pernambuco. Assim, além de comprovar a viabilidade do modelo de Graham para reproduzir as principais características estatísticas do processo estocástico gerador das séries experimentais da transmitância atmosférica ( Kt ) nas localidades brasileiras, o estudo demonstrou a eficiência do uso das redes neurais artificiais para geração de séries sintéticas diárias da irradiação solar

O presente trabalho apresenta a previsão de demanda de água em sistemas urbanos de abastecimento através de Rede Neural Artificial (RNA) utilizando dados de consumo de água e variáveis meteorológicas e socioambientais. A RNA utilizada foi uma de três camadas chamada de rede de múltiplas camadas alimentadas adiante com o algoritmo de treinamento LLSSIM (Hsu et al., 1996). Neste estudo, foram utilizados os dados de consumo de água (SABESP) e meteorológicos (IAG/USP) para o período de 2001 a 2005 para Região Metropolitana de São Paulo (RMSP). As variáveis socioambientais e meteorológicas que podem afetar o consumo de água foram analisadas. A ETA Cantareira e o setor Itaim Paulista foram utilizados para avaliar a relação entre o consumo e as variáveis antrópicas e meteorológicas para o ano de 2005. Esses conjuntos de dados foram utilizados para o treinamento, o teste e a previsão da RNA. Para a ETA Cantareira, foram criados 8 modelos e para o setor Itaim Paulista 57, sendo que os modelos 9 a 57 correspondem à previsão ideal. O desempenho dos modelos foi avaliado pelo o erro médio, erro médio absoluto, erro médio quadrático, o coeficiente de correlação, exatidão, viés, POD, FAR, CSI e POFD. Para a ETA Cantareira o melhor desempenho ocorreu para a média de 12 horas e para o Itaim Paulista a média de 6 horas. Na previsão ideal observou-se que a memória do sistema é um fator importante, principalmente quando se tem dois intervalos de tempo anterior. Os resultados mostraram a importância da memória, pois ela ajuda a melhorar o desempenho da previsão A previsão horária foi obtida com níveis de erros aceitáveis. Comparando os resultados de todas as configurações dos modelos, observou-se que há uma tendência para pequenos erros. Finalmente, conclui-se que o método proposto pode ser utilizado para previsão de consumo obtendo uma boa previsão. / This work is concerned with the prediction of water demand in urban water supply systems using water consumption, meteorological and socioenvironmental variables in an Artificial Neural Network (ANN) system. The ANN is a three layer feed-forward network with the LLSSIM training algorithm (Hsu et. al., 1996). In this study, water consumption (SABESP) and meteorological (IAG USP) data sets between 2001 and 2005 were used for studying the Metropolitan Area São Paulo (MASP). Possible socio-environmental and meteorological conditions affecting water consumption in the MASP were analyzed. Two water treatment stations (ETA), namely, Cantareira and the Itaim Paulista were used to evaluate the relationship between water consumption against anthropic and meteorological conditions for the year 2005. These data sets were also used for training, testing and forecasting of the water consumption model with the ANN. For the Cantareira ETA, 8 model configurations were tested and 57 for the Itaim Paulista ETA. In this late case, configurations 9 to 57 were for ideal forecasts. The various model configurations were evaluated by the mean error, mean absolute error and mean square root error, correlation coefficient, bias, POD, FAR, CSI e POFD. The best performance for the Cantareira ETA was obtained for a 12-hour average of the input variables, and for the Itaim Paulista ETA, for the 6-hour average. The ANN model configurations fed with variables of previous three times steps (memory) performed best, followed by two previous time steps. The results indicate the importance of these memory to improving the performance of the forecasting. The hourly forecasting was obtained with acceptable error levels. Comparing the results of all model configurations, there is an overall tendency for minor errors. The proposed method can be used to demand forecast a good prediction.

Redes Neurais Artificiais (RNA's) vem sendo utilizada em diversas áreas do conhecimento inclusive para a previsão de séries temporais. O objetivo deste trabalho é utilizar uma RNA para o diagnóstico e prognóstico de vazão em bacias urbanas da Região Metropolitana de São Paulo (RMSP) com dados do radar meteorológio de São Paulo e os dados telemétricos da bacia do Alto Tietê. Uma RNA do tipo feedforward multicamadas, com aprendizado supervisionado e com o algoritmo de treinamento Linear Least Square SIMplex (LLSSIM, Hse et al. 1996) foram aplicados à bacia do Rio Tamanduateí. Dividiu-se os eventos disponíveis em três grupos; para o treinamento, verificação e previsão ideal com a RNA. Realizou o treinamento e verificação da rede com dados de vazão estimada e nível medido. Os erros de fase e amplitude foram utilizados para avaliar o desempenho da rede em cada uma das configurações empregadas. Estes indicam a importância da memória da bacia para o bom desempenho da RNA. Verifica-se também que nem sempre o aumento do número de camadas escondidas melhoram os resultados, bem como o aumento da quantidade de dados. Comparou-se ainda a performance da RNA contra um modelo auto regressivo sendo a primeira menos dependente da memória da bacia. Por último, realizou previsões do tipo ideal com resultados satisfatórios até 1 hora e 30 minutos de antecedência. Além deste período os erros crescem exponencialmente. / Artificial Neural Networks (ANN) have been widely used in several areas of science for many purposes, including time series forecasting. The objective of this work is to apply an ANN to simulate and to forecast streamflow at the outlet of the Tamanduateí basin. This urban basin is located within the Metropolitan Area of São Paulo (MASP). Radar and telemetric data are input to a multi-layer feedforward ANN. It is trained with the Linear Least Square SIMplex training algorithm (LLSSIM; Hse et al, 1996). Available flood events were divided up in three independent groups for training, verification and forecasting. The training and the verification of estimated streamflow and measured river stage were carried out. Phase and amplitude errors were used to evaluate the performance of the ANN for each configuration. The results indicate a better performance of the ANN when previous streamflow or river stage are input to the ANN. Furthermore, the increase of hidden layers not necessarily improve the results. The ANN was compared to an auto-regressive model. The former is less dependent on the basin memory. The ANN Forecasts yielded satisfactory results up to one and half-hour in advance. For longer time periods the errors tend to grow exponentially.

Made available in DSpace on 2015-03-05T13:57:00Z (GMT). No. of bitstreams: 0 Previous issue date: 11 / Nenhuma / A região promotora é uma seqüência de DNA que localiza-se anteriormente a uma determinada região gênica. Ela é responsável pelo início do processo de transcrição de um gene ou conjunto de genes. Assim, ela também atua como um elemento regulador da expressão gênica. O estudo da regulação da expressão gênica é relevante porque é essencial para a compreensão da maquinária vital dos seres vivos, já que a diferença entre duas espécies está mais relacionada em como e quando seus genes estão “ativos” ou “inativos” do que com a estrutura destes em si. Embora exista métodos computacionais para a predição de genes com boa acurácia, o mesmo não é conseguido para os promotores. Esta dificuldade deve-se ao pequeno e pouco conservado padrão das seqüências, gerando assim resultados com alto número de falsos positivos. Além dos motivos consensuais, os promotores possuem características físicas que os diferem de seqüências não-promotoras. No entanto, estas ainda não são amplamente utilizadas no problema de predição in silic / The promoter region is localized few base pairs before the gene region. It is responsible by initiate the gene expression process, thus, it plays a regulatory role. The study about the gene expression regulation is a great area, since it can assist in the comprehension of complex metabolic network presented by several organisms and, because the difference between two different species is how and when your genes are turn off and turn on than your structure. The computational methods to gene prediction have a good accuracy, but this is not achieved in the promoter prediction. This difficulty occurs because the length of promoter and the degenerate pattern presented, thus the results presented a great number of false positives. This work aims employed Neural Networks to promoter prediction and recognition of Escherichia coli by two approaches: whit the orthogonal codification and stability values of the promoter sequence. For characterization, realize the extraction rules of type if … then. The results in this

Submitted by JOSIANE SANTOS DE OLIVEIRA (josianeso) on 2018-08-01T13:18:07Z No. of bitstreams: 1 Márcio Moura Leal_.pdf: 1004771 bytes, checksum: 0e2cfd2ec35b3be3f90959425cc6ec81 (MD5) / Made available in DSpace on 2018-08-01T13:18:07Z (GMT). No. of bitstreams: 1 Márcio Moura Leal_.pdf: 1004771 bytes, checksum: 0e2cfd2ec35b3be3f90959425cc6ec81 (MD5) Previous issue date: 2018-04-06 / Nenhuma / O reconhecimento das línguas de sinais visa permitir uma maior inserção social e digital das pessoas surdas através da interpretação da sua língua pelo computador. Esta trabalho apresenta um modelo de reconhecimento de dois dos parâmetros globais das línguas de sinais, as configurações de mão e seus movimentos. Através da utilização de uma tecnologia de captura de infravermelho, a estrutura da mão foi reconstruída em um espaço tridimensional virtual e a Rede Neural Perceptron Multicamadas foi usada para fazer a classificação das configurações de mão e de seus movimentos. Além do método de reconhecimento de sinais, esta trabalho visa disponibilizar um conjunto de dados representativos das condições do cotidiano, constituído por uma base de dados de configurações de mão e de captura de movimento validadas por profissionais fluentes em línguas de sinais. Foi usada como estudo de caso a Língua Brasileira de Sinais, a Libras, e obteve-se como resultados uma precisão de 99.8% e 86.7% de acertos das redes neurais que classificavam as configurações de mão e seus movimentos, respectivamente. / The sign language recognition aims to allow a greater social and digital insertion of deaf people through interpretation of your language by the computer. This work presents a recognition model of two global parameters of the sign languages, hand configurations and their movements. Through the usage of infrared capture technology we built the hand structure on a virtual three-dimensional space and the Multilayer Perceptron Neural Network was used to do the hand configuration and movements classifying. Beyond of method to recognize signs, this work aims to provide a set of representative data of the daily conditions, consisting of a database of hand configurations and motion capture validated by fluent professionals in sign languages. To this work, was used, as study case, the Brazilian Sign Language, Libras, and was obtained accuracy rates of 99.8% and 86.7% from neural networks classifying hand configurations and hand motion respectively.

O presente trabalho apresenta a previsão de demanda de água em sistemas urbanos de abastecimento através de Rede Neural Artificial (RNA) utilizando dados de consumo de água e variáveis meteorológicas e socioambientais. A RNA utilizada foi uma de três camadas chamada de rede de múltiplas camadas alimentadas adiante com o algoritmo de treinamento LLSSIM (Hsu et al., 1996). Neste estudo, foram utilizados os dados de consumo de água (SABESP) e meteorológicos (IAG/USP) para o período de 2001 a 2005 para Região Metropolitana de São Paulo (RMSP). As variáveis socioambientais e meteorológicas que podem afetar o consumo de água foram analisadas. A ETA Cantareira e o setor Itaim Paulista foram utilizados para avaliar a relação entre o consumo e as variáveis antrópicas e meteorológicas para o ano de 2005. Esses conjuntos de dados foram utilizados para o treinamento, o teste e a previsão da RNA. Para a ETA Cantareira, foram criados 8 modelos e para o setor Itaim Paulista 57, sendo que os modelos 9 a 57 correspondem à previsão ideal. O desempenho dos modelos foi avaliado pelo o erro médio, erro médio absoluto, erro médio quadrático, o coeficiente de correlação, exatidão, viés, POD, FAR, CSI e POFD. Para a ETA Cantareira o melhor desempenho ocorreu para a média de 12 horas e para o Itaim Paulista a média de 6 horas. Na previsão ideal observou-se que a memória do sistema é um fator importante, principalmente quando se tem dois intervalos de tempo anterior. Os resultados mostraram a importância da memória, pois ela ajuda a melhorar o desempenho da previsão A previsão horária foi obtida com níveis de erros aceitáveis. Comparando os resultados de todas as configurações dos modelos, observou-se que há uma tendência para pequenos erros. Finalmente, conclui-se que o método proposto pode ser utilizado para previsão de consumo obtendo uma boa previsão. / This work is concerned with the prediction of water demand in urban water supply systems using water consumption, meteorological and socioenvironmental variables in an Artificial Neural Network (ANN) system. The ANN is a three layer feed-forward network with the LLSSIM training algorithm (Hsu et. al., 1996). In this study, water consumption (SABESP) and meteorological (IAG USP) data sets between 2001 and 2005 were used for studying the Metropolitan Area São Paulo (MASP). Possible socio-environmental and meteorological conditions affecting water consumption in the MASP were analyzed. Two water treatment stations (ETA), namely, Cantareira and the Itaim Paulista were used to evaluate the relationship between water consumption against anthropic and meteorological conditions for the year 2005. These data sets were also used for training, testing and forecasting of the water consumption model with the ANN. For the Cantareira ETA, 8 model configurations were tested and 57 for the Itaim Paulista ETA. In this late case, configurations 9 to 57 were for ideal forecasts. The various model configurations were evaluated by the mean error, mean absolute error and mean square root error, correlation coefficient, bias, POD, FAR, CSI e POFD. The best performance for the Cantareira ETA was obtained for a 12-hour average of the input variables, and for the Itaim Paulista ETA, for the 6-hour average. The ANN model configurations fed with variables of previous three times steps (memory) performed best, followed by two previous time steps. The results indicate the importance of these memory to improving the performance of the forecasting. The hourly forecasting was obtained with acceptable error levels. Comparing the results of all model configurations, there is an overall tendency for minor errors. The proposed method can be used to demand forecast a good prediction.

Ministério da Educação, Universidade Federal Rural da Amazônia e Programa de Pós-Graduação em Ciências Florestais. / The objective of this study was to compare the methodologies used to measure the volume of standing bark in natural forests, using regression analysis, mean shape factor, 0.7 form factor proposed by Heinsdijk & Bastos (1963) and artificial neural networks training in a dense ombrophilous forest in the municipality of Breu Branco-PA. A total of 576 trees were sown by the Smalian methodology and the information from 476 trees was used to estimate the coefficients of the volumetric equations and average form factor. 100 trees were also used, different from the 476 trees for data validation and normality. Three models of single entry and three of double entry were adjusted. The criteria used to select the best models were R²aj, Syx%, Syxr%, RQME, AIC, VP and waste distribution. Three thousand RNAs were trained for each analysis of tree volume estimation, using quantitative variables (DBH and commercial height) and qualitative (species). RQME parameters, Correlation Coefficient, Bias and graph analysis were used for the best RNA estimation. All volume estimates were compared to the volume cubed by the Smalian methodology and it was found that in this study there was no significant difference at a 95% probability between them. / Este estudo teve como objetivo comparar as metodologias utilizadas para mensurar o volume com casca de madeira em pé em florestas naturais, por meio da análise de regressão, fator de forma médio, fator de forma 0,7 proposto por Heinsdijk & Bastos (1963) e treinamento de Redes Neurais Artificiais em uma floresta ombrófila densa no município de Breu Branco-PA. Foram cubadas 576 árvores pela metodologia de Smalian e utilizadas as informações de 476 árvores, para estimativa dos coeficientes das equações volumétricas e fator de forma médio, também foram utilizadas 100 árvores diferentes das 476 arvores para validação e normalidade dos dados. Foram ajustados três modelos de simples entrada e três de dupla entrada. Os critérios utilizados para seleção dos melhores modelos foram R²aj, Syx%, Syxr%, RQME, AIC, VP e distribuição dos resíduos. Foram treinadas 3000 RNA para cada análise de estimativa de volume da árvore, utilizando variáveis quantitativas (DAP e Altura comercial) e qualitativa (espécie). Para a melhor estimativa da RNA foram utilizados os parâmetros RQME, Coeficiente de Correlação, Viés e análise de gráfico. Todas as estimativas de volumes foram comparado com o Volume cubado pela metodologia Smalian e verificou-se que neste estudo não obtiveram diferença significativa a uma probabilidade de 95% entre elas.