Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2018. / Submitted by Robson Amaral (robsonamaral@bce.unb.br) on 2018-05-09T16:30:39Z No. of bitstreams: 1 2017_ArthurAmaralFerreira.pdf: 3415138 bytes, checksum: fa21fc4af8c1c0c11b8d1d071618e0a8 (MD5) / Approved for entry into archive by Patrícia Nunes da Silva (patricia@bce.unb.br) on 2018-06-04T14:14:01Z (GMT) No. of bitstreams: 1 2017_ArthurAmaralFerreira.pdf: 3415138 bytes, checksum: fa21fc4af8c1c0c11b8d1d071618e0a8 (MD5) / Made available in DSpace on 2018-06-04T14:14:01Z (GMT). No. of bitstreams: 1 2017_ArthurAmaralFerreira.pdf: 3415138 bytes, checksum: fa21fc4af8c1c0c11b8d1d071618e0a8 (MD5) Previous issue date: 2018-06-04 / Uma das principais fontes de erro no posicionamento baseado em Sistemas Globais de Navegação por Satélite (GNSS) para usuários de receptores de uma frequência é o atraso de propagação nos sinais GNSS ao atravessarem a ionosfera. Esse atraso, em uma aproximação de primeira ordem, é diretamente proporcional ao Conteúdo Total de Elétrons (TEC). Assim, estimar o TEC é uma tarefa bastante relevante para correção dos efeitos ionosféricos sobre a propagação dos sinais. Para corrigir os erros de distância devido à ionosfera, os usuários de receptores GNSS de uma única frequência necessitam de modelos que representem o TEC. Neste cenário, este trabalho propõe a utilização de Redes Neurais Artificiais (ANN) para estimar o TEC obtido a partir de medidas GNSS na região do Brasil. As investigações apresentadas neste trabalho iniciam o desenvolvimento de um modelo regional que possa ser usado para determinar o TEC vertical sobre as regiões Nordeste, Centro-Oeste e Sul do Brasil, visando futuras aplicações em estimação próxima a tempo real e em previsão de curto prazo. Neste trabalho são utilizados dados GNSS das redes GLONASS para pesquisa e desenvolvimento, e da Rede Brasileira de Monitoramento Contínuo dos Sistemas GNSS (RBMC). Os parâmetros de entrada da rede neural baseiam-se em fatores que influenciam os valores do TEC, incluindo localização geográfica do receptor GNSS, atividade geomagnética, variações sazonais e diurnas e atividade solar. O modelo de ANN proposto é utilizado para estimar os valores de GNSS TEC vertical em regiões desprovidas de receptores GNSS de duas bandas de frequência que possam ser utilizados para tal fim. Diferentes análises são realizadas, divididas em três estudos de caso. Estas análises incluem a avaliação de desempenho espacial, avaliação de diferentes estruturas ANN, habilidade de previsão em curto-prazo e comparação de desempenho em relação aos Mapas Ionosféricos Globais (Global Ionospheric Maps) fornecidos pelo Centro para Determinação de órbita na Europa (CODE) durante a tempestade geomagnética registrada nos dias 13 e 14 de Outubro de 2016. Os resultados obtidos a partir das análises conduzidas sugerem que os modelos de NN propostos fornecem bom desempenho espacial e apresentam-se como ferramentas promissoras para aplicações de previsão de TEC de curto-prazo. / One of the main error sources on Global Navigation Satellite Systems (GNSS) positioning solutions for users of single frequency receivers is the propagation refraction of the GNSS signals as they pass through the ionosphere. The estimation of the Total Electron Content (TEC) is very important for the correction of ionosphere propagation effects on GNSS signals. In order to correct the ionospheric range errors, GNSS single-frequency users need to rely on TEC models. In this framework, the present investigates the use of Artificial Neural Network models (ANN) to estimate TEC derived from GNSS measurements in Brazil. More specific, the investigations start the development of a regional model that can be used to determine the vertical TEC (vTEC) over Northeast, Central-West and South regions of Brazil, aiming future applications on a near real-time frame estimations and short-term forecasting. This work uses GNSS data from the GLONASS network for research and development, and from the Brazilian Network for Continuous Monitoring of the GNSS (RBMC). The input parameters of the ANN models are based on features known to influence TEC values, including the geographic location of the GNSS receiver, geomagnetic activity, seasonal and diurnal variations, and solar activity. The proposed ANN model is used to estimate the GNSS TEC values at void locations, where no dual-frequency GNSS receiver that may be used as a source of data for GNSS TEC estimation is available. Different analyses are carried out divided into three case studies. These analyses include spatial performance evaluation, evaluation of different ANN structures, short-term forecasting ability and performance comparison against CODE (Center for Orbit Determination in Europe) Global Ionospheric Maps during the geomagnetic storm registered on 13th and 14th October 2016. The results obtained from the described analysis suggest that the proposed ANN models provides good spatial performance and presents to be a promising tool for short-term forecasting applications.

Nesta tese estudamos os efeitos de diluição simétrica gradual das conexões entre neurônios e de ruído sináptico sobre a habilidade de categorização de padrões no modelo de Hopfield de redes neurais, mediante a teoria de campo médio com simetria de réplicas e simulações numéricas. Utilizamos generalizações da regra de aprendizagem de Hebb, para uma estrutura hierárquica de padrões correlacionados em dois níveis, representando os ancestrais (conceitos) e descendentes (exemplos dos conceitos). A categorização consiste no reconhecimento dos conceitos por uma rede treinada unicamente com exemplos dos conceitos. Para a rede completamente conexa, obtivemos os diagramas de fases e as curvas de categorização para vários níveis de ruído sináptico. Observamos dois comportamentos distintos dependendo do parâmetro de armazenamento. A habilidade de categorização é favorecida pelo ruído sináptico para um número finito de conceitos, enquanto que para um número macroscópico de conceitos este favorecimento não é observado. Entretanto a performance da rede permanece robusta contra o ruído sináptico. No problema de diluição simétrica consideramos apenas um número macroscópico de conceitos, cada um com um número finito de exemplos. Os diagramas de fases obtidos exibem fases de categorização, de vidro de spin e paramagnética, bem como a dependência dos parâmetros de ordem com o número de exemplos, a correlação entre exemplos e conceitos, os ruídos sináptico e estocástico, e a conectividade. A diluição favorece consideravelmente a categorização, particularmente no limite de diluição extrema.

Algoritmos ótimos na extração de componentes principais com aprendizado não-supervisionado em redes neurais de múltiplos neurônios de saída são não-locais, ou seja, as modificações em uma dada sinapse entre dois neurônios dependem também da atividade de outros neurônios. Esta rede ótima extrairá as principais componentes dos dados e submetidos à sua primeira camada. As principais componentes são as projeções destes vetores nos autovalores máximos da matriz de correlação Gij = (eiej), onde a média (-) é sobre a distribuição de e. Existem fortes evidências indicando que sinapses biológicas só se modificam via regras locais, como por exemplo a regra de Hebb. Mas se aplicarmos regras locais numa rede com múltiplas saídas, todos os neurônios da saída serão equivalentes e darão respostas redundantes. A rede será bastante ineficiente. Um modo de contornar este problema é através da restrição dos campos receptivos dos neurônios de saída. Se cada neurônio acessar diferentes partes dos estímulos de entrada, a redundância diminui significativamente. Em contrapartida, ao mesmo tempo que a redundância diminui, também diminui a informação contida em cada neurônio; assim, devemos balancear os dois efeitos otimizando o campo receptivo. O valor ótimo, em geral, depende da natureza dos estímulos, sua estatística, e também do ruído intrínseco à rede. Objetivamos com este trabalho determinar a estrutura ótima de campos receptivos com aprendizado não-supervisionado para uma rede neural de uma camada em diversas condições medindo seu desempenho a partir de técnicas de reconstrução.

Estudamos os efeitos gerais que a 'correlação', definida como superposição entre os padrões exerce sobre as propriedades de equilíbrio de redes neurais atratoras. Inicialmente, estudamos analiticamente o modelo de Hopfield de memória associativa, com um número finito de padrões armazenados de acordo com a regra de Hebb. Determinamos as propriedades de recuperação dos estados que apresentam uma superposição assimétrica com mais de um padrão (estados mistos assimétricos). Os diagramas de fase demonstram que estes estados são relevantes se a quantidade de ruido na rede e a correlação entre os padrões não são ambas demasiado grandes. Estudamos a capacidade de armazenamento a = P/N em uma rede com a inclusão de P — p padrões não correlacionados, e obtivemos resultados para a, crítico, que corresponde ao valor de a acima do qual não há mais estados de recuperação. Efetuamos simulações numéricas para discutir a qualidade da recuperação e a dimensão das bacias de atração. Na segunda parte do trabalho, estudamos as propriedades de armazenamento de padrões correlacionados acima do limite de saturação, em redes neurais de Gardner—Derrida com sinapses contínuas ótimas. Utilizando o método de réplicas para calcular médias configuracionais na rede de neurônios, determinamos, na teoria de simetria de réplicas, a fração mínima de padrões erroneamente armazenados por neurônio e a capacidade de armazenamento crítica como função das correlações. Estudamos a estabilidade destas soluções, e verificamos que a quebra de simetria de réplicas é relevante. Finalmente, apresentamos um estudo preliminar dos efeitos de quebra de simetria de réplicas na ordem mais baixa do esquema iterativo de Parisi para vidros de spin. / We studied here the general effects that the 'correlation', defined as the overlap among the set of stored patterns causes to the equilibrium properties of atractor neural networks. Initially, the Hopfield model for associative memory was studied analitically with a finite number of patterns stored according to the Hebb learning rule. The retrieval properties of states that show an asymmetric overlap with more than one stored pattern (asymmetric mixed states) were determined. The phase diagrams for the overlaps demonstrate that these states are relevant if the amount of thermal noise is not too large and the correlations are not too strong. The storage capacity a = P/N is considered in a network with the adition of P — p uncorrelated patterns and results are given for the critical ac. This corresponds to the value of cx above wich the retrieval state is no longer present. Numerical simulations are carried out to discuss the retrieval quality and the size of the basins of attraction of the network. In the second part of the work, we studied the storage properties of correlated patterns, in the saturation regime, in Gardner—Derrida neural networks with optimal, continuous synapses. The average over quenched disorder were performed with the replica method, and the minimal fraction of storage errors 'per neuron' and the critical storage capacity in function of the corelations were calculated in the replica symmetry theory. We studied the stability in the space of replicas of these solutions, verifying that the symmetry breaking is relevant. Finally, we show a preliminar study of the replica symmetry breaking effects in the first order of the iterative Parisi's scheme for spin glasses.

Estudamos os efeitos gerais que a 'correlação', definida como superposição entre os padrões exerce sobre as propriedades de equilíbrio de redes neurais atratoras. Inicialmente, estudamos analiticamente o modelo de Hopfield de memória associativa, com um número finito de padrões armazenados de acordo com a regra de Hebb. Determinamos as propriedades de recuperação dos estados que apresentam uma superposição assimétrica com mais de um padrão (estados mistos assimétricos). Os diagramas de fase demonstram que estes estados são relevantes se a quantidade de ruido na rede e a correlação entre os padrões não são ambas demasiado grandes. Estudamos a capacidade de armazenamento a = P/N em uma rede com a inclusão de P — p padrões não correlacionados, e obtivemos resultados para a, crítico, que corresponde ao valor de a acima do qual não há mais estados de recuperação. Efetuamos simulações numéricas para discutir a qualidade da recuperação e a dimensão das bacias de atração. Na segunda parte do trabalho, estudamos as propriedades de armazenamento de padrões correlacionados acima do limite de saturação, em redes neurais de Gardner—Derrida com sinapses contínuas ótimas. Utilizando o método de réplicas para calcular médias configuracionais na rede de neurônios, determinamos, na teoria de simetria de réplicas, a fração mínima de padrões erroneamente armazenados por neurônio e a capacidade de armazenamento crítica como função das correlações. Estudamos a estabilidade destas soluções, e verificamos que a quebra de simetria de réplicas é relevante. Finalmente, apresentamos um estudo preliminar dos efeitos de quebra de simetria de réplicas na ordem mais baixa do esquema iterativo de Parisi para vidros de spin. / We studied here the general effects that the 'correlation', defined as the overlap among the set of stored patterns causes to the equilibrium properties of atractor neural networks. Initially, the Hopfield model for associative memory was studied analitically with a finite number of patterns stored according to the Hebb learning rule. The retrieval properties of states that show an asymmetric overlap with more than one stored pattern (asymmetric mixed states) were determined. The phase diagrams for the overlaps demonstrate that these states are relevant if the amount of thermal noise is not too large and the correlations are not too strong. The storage capacity a = P/N is considered in a network with the adition of P — p uncorrelated patterns and results are given for the critical ac. This corresponds to the value of cx above wich the retrieval state is no longer present. Numerical simulations are carried out to discuss the retrieval quality and the size of the basins of attraction of the network. In the second part of the work, we studied the storage properties of correlated patterns, in the saturation regime, in Gardner—Derrida neural networks with optimal, continuous synapses. The average over quenched disorder were performed with the replica method, and the minimal fraction of storage errors 'per neuron' and the critical storage capacity in function of the corelations were calculated in the replica symmetry theory. We studied the stability in the space of replicas of these solutions, verifying that the symmetry breaking is relevant. Finally, we show a preliminar study of the replica symmetry breaking effects in the first order of the iterative Parisi's scheme for spin glasses.

Algoritmos ótimos na extração de componentes principais com aprendizado não-supervisionado em redes neurais de múltiplos neurônios de saída são não-locais, ou seja, as modificações em uma dada sinapse entre dois neurônios dependem também da atividade de outros neurônios. Esta rede ótima extrairá as principais componentes dos dados e submetidos à sua primeira camada. As principais componentes são as projeções destes vetores nos autovalores máximos da matriz de correlação Gij = (eiej), onde a média (-) é sobre a distribuição de e. Existem fortes evidências indicando que sinapses biológicas só se modificam via regras locais, como por exemplo a regra de Hebb. Mas se aplicarmos regras locais numa rede com múltiplas saídas, todos os neurônios da saída serão equivalentes e darão respostas redundantes. A rede será bastante ineficiente. Um modo de contornar este problema é através da restrição dos campos receptivos dos neurônios de saída. Se cada neurônio acessar diferentes partes dos estímulos de entrada, a redundância diminui significativamente. Em contrapartida, ao mesmo tempo que a redundância diminui, também diminui a informação contida em cada neurônio; assim, devemos balancear os dois efeitos otimizando o campo receptivo. O valor ótimo, em geral, depende da natureza dos estímulos, sua estatística, e também do ruído intrínseco à rede. Objetivamos com este trabalho determinar a estrutura ótima de campos receptivos com aprendizado não-supervisionado para uma rede neural de uma camada em diversas condições medindo seu desempenho a partir de técnicas de reconstrução.

Nesta tese estudamos os efeitos de diluição simétrica gradual das conexões entre neurônios e de ruído sináptico sobre a habilidade de categorização de padrões no modelo de Hopfield de redes neurais, mediante a teoria de campo médio com simetria de réplicas e simulações numéricas. Utilizamos generalizações da regra de aprendizagem de Hebb, para uma estrutura hierárquica de padrões correlacionados em dois níveis, representando os ancestrais (conceitos) e descendentes (exemplos dos conceitos). A categorização consiste no reconhecimento dos conceitos por uma rede treinada unicamente com exemplos dos conceitos. Para a rede completamente conexa, obtivemos os diagramas de fases e as curvas de categorização para vários níveis de ruído sináptico. Observamos dois comportamentos distintos dependendo do parâmetro de armazenamento. A habilidade de categorização é favorecida pelo ruído sináptico para um número finito de conceitos, enquanto que para um número macroscópico de conceitos este favorecimento não é observado. Entretanto a performance da rede permanece robusta contra o ruído sináptico. No problema de diluição simétrica consideramos apenas um número macroscópico de conceitos, cada um com um número finito de exemplos. Os diagramas de fases obtidos exibem fases de categorização, de vidro de spin e paramagnética, bem como a dependência dos parâmetros de ordem com o número de exemplos, a correlação entre exemplos e conceitos, os ruídos sináptico e estocástico, e a conectividade. A diluição favorece consideravelmente a categorização, particularmente no limite de diluição extrema.

Made available in DSpace on 2014-06-12T15:52:35Z (GMT). No. of bitstreams: 2 arquivo4481_1.pdf: 1105697 bytes, checksum: bcb1507df6f4936462ce960446e5b137 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2004 / Este trabalho propõe uma metodologia para a otimização global de redes neurais. O objetivo é a otimização simultânea de arquiteturas e pesos de redes Multi-Layer Perceptron (MLP), com o intuito de gerar topologias com poucas conexões e alto desempenho de classificação para qualquer conjunto de dados. A otimização simultânea de arquiteturas e pesos de redes neurais é uma abordagem interessante para a geração de redes eficientes com topologias pequenas. Tal aplicação já originou alguns trabalhos com algoritmos genéticos, entretanto existem outras técnicas, como simulated annealing e tabu search, que ainda não foram exploradas para esta finalidade até o presente momento. Métodos de otimização global podem ser combinados com uma técnica baseada em gradiente (por exemplo, o algoritmo backpropagation) em uma abordagem de treinamento híbrido, que procura unir, no mesmo sistema, a eficiência global dos métodos de otimização com o ajuste fino das técnicas baseadas em gradiente. Tal combinação não tem sido estudada para simulated annealing e tabu search, e isto gerou outra motivação para o presente trabalho. Os resultados mostram que a combinação cuidadosa de técnicas tradicionais de otimização global, como simulated annealing e tabu search, com redes neurais artificiais e métodos baseados em gradiente é capaz de produzir sistemas híbridos bastante eficientes. Por este motivo, uma metodologia foi desenvolvida, combinando as vantagens de simulated annealing, de tabu search e do treinamento híbrido, a fim de gerar um processo automático para obter redes MLP com topologias pequenas e alto desempenho de generalização. Esta metodologia representa um grande avanço na área de sistemas neurais híbridos e fornece resultados importantes para diversas aplicações práticas. Este trabalho apresenta resultados da aplicação da metodologia proposta em dois domínios práticos: reconhecimento de odores em um nariz artificial e diagnóstico de diabetes. Em ambos os casos, a metodologia obteve resultados satisfatórios e gerou redes com baixo erro de generalização e baixa complexidade. Tais resultados são extremamente importantes para mostrar que a combinação de técnicas de otimização é capaz de produzir sistemas híbridos superiores

Orientador: Fernando Antonio Campos Gomide / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Agrícola / Made available in DSpace on 2018-08-17T06:20:58Z (GMT). No. of bitstreams: 1 Romero_RoseliAparecidaFrancelin_M.pdf: 7628829 bytes, checksum: 4e2b93116a7c60ea40a9e9c6763ff7dd (MD5) Previous issue date: 1993 / Resumo: Esta tese apresenta uma Rede Neural Multi-Camadas com realimentação, visando a solução de problemas de otimização estáticos irrestritos e restritos. Um novo esquema de atualização dos pesos é proposto. Este esquema é uma modificação do algoritmo back-propagation e foi desenvolvido com base em resultados da teoria de dualidade e esquemas do tipo subgradientes. Resultados computacionais e uma implementação paralela são apresentados, que mostram o desempenho e a consistência do modelo proposto. Detalhes de implementação e análise comparativa do comportamento da rede em relação a outras abordagens são também incluídos. Outra classe de Redes Neurais Artificiais constituída de redes de duas camadas com realimentação também é proposta, visando a solução de problemas de otimização dinâmica discreta não aditivamente separáveis. Esta abordagem propõe um modelo recorrente generalizado de neurônio e um método direto para designar os pesos da rede e incorporar conhecimento sobre o sistema dado. Este método fundamenta-se no Princípio de Otimalidade de Bellmann e na troca de mensagens que ocorrem entre os neurônios durante o processamento químico sináptico. Uma análise comparativa dos requisitos computacionais exigidos é realizada comprovando a vantagem da abordagem proposta com relação ao algoritmo convencional da Programação Dinâmica. Problemas conhecidos de otimização como o problema da mochila e o problema do caminho mínimo, problemas de reguladores lineares discretos e um problema de planejamento de sistemas de potência a longo prazo são resolvidos para mostrar o desempenho e utilização da abordagem proposta. / Abstract: This thesis presents an artificial neural network with a three-Iayer feedback topology to solve continuous con ex unconstrained and constrained optimization problems. A new scheme for updating the weights is introduced. This scheme is a modification of the back-propagation algorithm. It is based on the duality theory and subgradient methods. Computational results and a parallel implementation are presented which show the performance and validate the proposed approach. Further, details of implementation and comparative analysis with others optimization techniques are included. Another class of artificial neural networks, with a two-Iayer feedback topology to solve nonlinear discrete dynamic optimization problems has a.lso been developed. Generalized recurrent neurons are introduced. A direct method to assign the weights of neural networks is presented. The method is based on the Bellmann's Optimality PrincipIe and in the interchange of information which occur during the synaptic chemical processing among neurons. A comparative analysis of the computational requirements has been performed. This analysis has highlighted advantages of the new approach when compared to the standard algorithm from dynamie programming. The technique has been applied to several important optimization problems, such as the knapsaek and shortest pa.th problems. ln addition, two other applications: a power system long-range planning problem and discrete linear regulator problems have been tackled which demonstra te the applicability of the methodology. / Mestrado / Doutor em Engenharia Elétrica

Orientador: Rubens Maciel Filho / Dissertação (mestrado) - Universidade Estadual de Campinas. Faculdade de Engenharia Quimica / Made available in DSpace on 2018-07-26T21:05:08Z (GMT). No. of bitstreams: 1 Aguiar_HelenaCristinaI.L_M.pdf: 4620932 bytes, checksum: 599c90f6c71f6effafd2b6b0e96021e6 (MD5) Previous issue date: 2000 / Resumo: Estudos demonstram que a expectativa de crescimento do consumo de papel e baixo custo de produção no Brasil pode tornar a indústria de celulose e papel do país a maior geradora de negócios neste ramo internacionalmente. O processo de produção de celulose é complexo, e apesar de muito estudado ainda há muitas lacunas que precisam ser preenchidas. Por outro lado, as redes neurais são uma solução para a modelagem de processos cujo conhecimento é incompleto ou cuja complexidade dificulta a produção de bons resultados através da modelagem determinística. O objetivo principal desta tese foi a criação de um modelo para a predição do grau de polpação da madeira a partir de dados industriais, utilizando técnicas de modelagem diferentes. O trabalho explorou principalmente a modelagem através de redes neurais, mas também se dedicou à aplicação dos dados industriais a um modelo determinístico e a sua posterior combinação com uma rede neural para o desenvolvimento de um modelo híbrido. A discussão sobre os recursos necessários para a utilização de cada técnica, bem como a comparação entre as diferentes metodologias, suas vantagens e desvantagens, também são assuntos deste trabalho. A Aracruz Celulose SA, a maior fábrica do Brasil, cedeu os dados para o desenvolvimento do modelo. A avaliação de vários modelos encontrados na literatura selecionou o modelo determinístico a ser utilizado. O modelo neural apresenta uma rede "feedforward" treinada com o algoritmo de retropropagação. Inicialmente, os dados industriais foram avaliados e apenas aqueles que mostraram trazer informação relevante foram utilizados. A estrutura e parâmetros da rede foram otirnizados de modo a melhorar a performance do modelo. A combinação do resultado do modelo determinístico com o modelo neural formaram o modelo híbrido. A fábrica não pode ceder o esperado número de conjuntos de dados para o treinamento da rede neural. No entanto, a qualidade dos dados e o rigor com que foram obtidos, conjuntamente com um cuidadoso trabalho de seleção desses dados possibilitaram a busca de soluções para o sucesso do modelo. A alternativa encontrada foi a criação de um novo conjunto de dados, obtidos através de uma curva de correlação dos dados industriais. Apesar do pequeno conjunto de treinamento, a rede neural produziu resultados satisfatórios, onde o erro entre os valores esperados e preditos foram menores que o erro experimental para a determinação de lignina remanescente. O modelo determinístico foi capaz de reproduzir a taxa de deslignificação da celulose no tempo, o que determina o grau de polpação, e portanto foi considerado adequado para a utilização no modelo híbrido. A rede híbrida gerou resultados um pouco melhores que a rede pura, e seu treinamento foi significativamente mais rápido. Um modelo de computação rápida e que reproduza os resultados esperados pode ser implementado em um sistema supervisor ou de controle para funcionar "on-line". Os resultados apresentados mostram que tanto as redes neurais puras quanto os modelos luoridos, quando bem treinados e otimizados, atendem a esses requisitos. Mostram também que é possfvel utilizar variáveis normais de processo, tomando mais viável o desenvolvimento de modelos específicos / Abstract: Studies show that the expected growth of paper consumption and low production cost in Brazil may turn its pulp and paper industry into the greatest business generator in this field worldwide. The process to produce pulp is complex, and although it has been extensively researched, there are still many questions to be answered. On the other hand, neural networks may be the solution for processes whose knowledge is incomplete or whose complexity makes it harder to obtain good results with first principIe models. The main goal of this thesis was the development of a model to predict pulping degree using industrial data, with different modeling techniques. It explored mainly neural networks technique, but also did it apply the data into a first principIe model, which was later used for the development of a hybrid mode!. The discussion about the resources required for each technique, as well as the different methods, their advantages and limitations, is part of this work. Aracruz Celulose SA, the largest mill in Brazil, provided the data for the model development. The evaluation of published models set the criteria for the selection of the deterministic model to be used. The neural model presents a feedforward network trained with backpropagation algorithm. After an evaluation of the industrial data, only the variables that showed to carry relevant information were used. The network structure and its parameters were optimized in order to improve model performance. The combination of the result obtained from the deterministic model with a neural network composed the hybrid model. The mill could not provide the expected amount of training data. However, the quality of the data and the rigorous data collection procedure, as well as the careful data evaluation made it possible to search for solutions for a successful model. The alternative was the production of a new data set formed with points of the correlation curve obtained from industrial data. The difference between the expected and predicted values was lower than the experimental error inherent to the lab test for determination of remaining lignin. The fIrst principIe model was able to reproduce delignification rate, which determines the pulping degree, and therefore was considered adequate to be used in the hybrid model. The hybrid network results were slightly better than the ones obtained with the pure net and its training was appreciably faster. A model which is able to reproduce expected results in a timely fashion can be implemented in a control or supervisory system that works on-line. The results showed that when well trained and optimized, both, the pure nets and the hybrid models, fulfill these requirements. They also show that it is possible to use normal process variables, making it more feasible to develop customized models / Mestrado / Desenvolvimento de Processos Químicos / Mestre em Engenharia Química