Os sistemas de classificação maciços rochosos e as redes neurais artificiais possuem diversas similaridades. Existem características que estão presentes nos dois tipos de sistemas: bases de dados são usadas para o seu desenvolvimento; e pesos são parte da representação do conhecimento. Os principais sistemas de classificação geomecânicas (Sistema Q e RMR) podem ser escritos como representações neurais locais. Tais representações permitem uma melhor compreensão do processo de classificação e identificação de padrões realizado pelas classificações convencionais. Experimentos convencionais foram realizados com modelos de redes neurais não-supervisionados. Os modelos não supervisionados permitiriam uma melhor compreensão da distribuição dos dados no espaço de feições. Um modelo supervisionado para escavações subterrâneas em todo domínio do espaço de feições. Importantes relações entre características foram encontradas. / Rock mass classification systems and artificial neural networks have several similarities. There is some characteristics present in both systems: data bases are used in they development, and weights are part of the knowledge representation. The main rock mass classification systems (Q-system and RMR) can be written as local neural network representations. This representation helps a better understanding of the pattern classification and identification process made by the conventional classifications. Computational experiments were made with unsupervised and supervised neural networks models. Unsupervised models allow a better understanding of the data in the feature space. A supervised model allow to make a mapping of the support type used in underground excavation in all feature space domain. Important relations between domain regions characteristics and type of support used were found.

Neste trabalho está apresentada uma alternativa para o cálculo do fator de concentração de tensões (FCT) em juntas tubulares soldadas do tipo Y. Redes Neurais Artificiais (RNA) foram utilizadas para representar a distribuição de tensões ao longo da junta tubular para os casos de carregamento força axial no plano e momento fletor no plano. As RNA podem aprender a partir de um conjunto de dados sem a necessidade de uma expressão matemática entre as variáveis dependentes e independentes; representa uma vantagem sobre o procedimento normalmente utilizado, ou seja, as equações paramétricas. O modelo proposto representa um avanço no projeto de juntas tubulares, uma vez que evita a necessidade de se conhecer uma expressão matemática para representar a distribuição de tensões na junta e fornece um método mais preciso para avaliar a distribuição de tensões ao longo da junta soldada. O conjunto de dados utilizado foi formado a partir de simulações numéricas das juntas soldadas através do MEF, nas quais foi considerada a geometria do cordão de solda. / An alternative approach to calculate stress concentration factors (SCF) in Y-type welded tubular joints is presented. Artificial Neural Networks (ANN) were used to represent the stress distribution along the tubular joints in both in-plane axial force and in-plane bending moment load cases. ANN can learn from a database without establishing a mathematical expression between dependent and independent variables, which is an advantage over the usual parametric equations approach. The proposed model represents an improvement in the tubular joints design, since it avoids the previous knowing of a mathematical expression to represent the stress distribution in the joint and provides an accurate method to evaluate the stress distribution along the welded fillet joint. The database herein used was completed with FE simulations of tubular joints which consider the geometry of the weld fillet.

Este trabalho propõe a aplicação da técnica de redes neurais artificiais (RNAs) para a previsão de propriedades geotécnicas dos solos do município de São Carlos (SP), baseada em outras propriedades determinadas preliminarmente. Esse método tem a finalidade de simplificar o processo de obtenção das propriedades dos solos, eliminando a lentidão dos procedimentos de ensaios e os cálculos a serem realizados, além de reduzir a dificuldade de ter que fazê-los utilizando os métodos tradicionais. Foram simuladas cento e noventa e sete RNAs para a previsão das seguintes propriedades: unidade ótima, massa específica seca máxima, mini-CBR na umidade de moldagem obtido na umidade ótima, mini-CBR obtido após 24h de imersão na umidade ótima, expansão e contração obtidas na umidade ótima para as energias normal e intermediária. No treinamento das RNAs foi utilizada uma base de dados com um total de cento e uma amostras que, além de conter os valores das propriedades \"alvo\" para previsão, também contém: valor de azul (Va), coeficiente de atividade (CA), análise granulométrica por sedimentação (peneiras #0,42,#0,074 e #0,075), parâmetros da classificação MCT (c\', Pi, d\' e e\') e classificação por cores (croma, valor e matriz). O aplicativo utilizado para treinar as RNAs foi o EASYNN 7.5, que se baseia em redes Multiplayer Perceptron e no algoritmo de treinamento Backpropagation. Para a previsão de propriedades geotécnicas dos solos, os desempenhos das redes foram bastante bons para umidade ótima, massa específica seca máxima e contração nas energias normal e intermediária. Contudo, os desempenhos das RNAs para mini-CBR na umidade de moldagem, mini-CBR após 24h de imersão e expansão obtidas na umidade ótima de energias normal e intermediária foram menos satisfatórios. De maneira geral, os resultados obtidos nesse estudo sugerem que modelos que fazem uso das redes neurais artificiais para previsão de propriedades geotécnicas de solos para pavimentação apresentam-se como promissores e podem, no futuro, contribuir para a melhoria e redução de custos da fase de estudo geotécnico para implantação de vias em municípios de pequeno e médio portes. / The application of the technique of Artificial Neural Networks (ANNs) for the forecast of geotechnical properties of the soils in São Carlos, a municipal district in the of São Paulo State, based on other properties determined preliminary is the purpose of this work. This method has the goal of simplifying the process of obtaining the properties of the soils, eliminating the slowness of the tests procedures and the calculations to be accomplished, besides reducing the difficulty of having to do them using the traditional methods. One hundred and ninety seven ANNs were simulated for the forecast of the following properties: optimum moisture content, dry density, mini-CBR in the molding humidity obtained in the optimum moisture content, mini-CBR obtained after 24 h of soaking in the optimum moisture content, expansion and contraction obtained in the optimum moisture content for the normal and intermediate energies. In the training of ANNs a base of data was used with a total of one hundred and one samples that, besides containing the values of the properties \"objective\" for forecast, it also contains: methylene blue value (Va), activity coefficient (CA), granulometric analysis for sedimentation (sieves #0,42, #0,074 and #0,005), parameters of the MCT classification (c\', Pi, d\' and e\') and classification by colors (chroma, value and hue). The application used to train ANNs was EasyNN 7.5, that bases on nets Multilayer Perceptron and in the training algorithm Backpropagation. For the forecast of geotechnical properties of the soils, the performance of the nets were very good for optimum moisture content, dry density and contraction in the normal and intermediate energies. However, the performance of ANNs for mini-CBR in the molding humidity, mini-CBR after 24 h of immersion and expansion obtained in the optimun moisture content of the normal and intermediate energies were less satisfactory. In a general way, the results obtained in this study suggest that the models that use Artificial Neural Networks for forecast of geotechnical properties of soils come as promising and can, in the future, contribute for the improvement and costs reduction during the period of geothecnical study in the implantation of roads in small and medium sized municipal districts.

Este trabalho tem como objetivo principal apresentar uma metodologia para estimação da idade óssea baseada no método de Eklof & Ringertz utilizando redes neurais artificiais como classificador, com a finalidade de auxiliar o diagnóstico do radiologista e diminuir a dimensionalidade dos dados analisados pela rede neural, diminuindo a quantidade de centros de ossificação do método utilizado. A metodologia contém um processo automático de extração de características de imagens radiográficas da mão. Na etapa de classificação é utilizada a rede neural perceptron multicamadas, com o algoritmo de treinamento de Levenberg-Marquardt. As características extraídas da imagem são utilizadas como entrada para a rede neural, e os dados do Atlas de Eklof & Ringertz são utilizados como matriz de treinamento. Os resultados da etapa de classificação chegaram a uma taxa de 95% de acerto ao utilizar um centro de ossificação a menos que o método de Eklof & Ringertz simplificado / Grounded an Eklof & Ringertz’s method and using artificial neural networks as classifier, the main purpoise of this work is to present a methodology to reckon the bone age to the effect to help the radiologist’s diagnosis and to reduce the dimensionality of the data analyzed by neural network, reducing the quantity of the ossification’s centers of the used method. The methodology holds an automatic process to the hands radiographies image’s features. The multilayer perceptron neural network is used in the classification stage, with the Levemberg-Marquardt’s training algorithm. The taken image’s features are used as an input to the neural network, and Eklof & Ringertz’s Atlas data are used as training source. The results of the classification stage reached a rate of 95% of accuracy when applying the Eklof & Ringertz’s simplified method, excluding one of the ossification center

Made available in DSpace on 2015-03-05T13:56:59Z (GMT). No. of bitstreams: 0 Previous issue date: 25 / Hewlett-Packard Brasil Ltda / Neste trabalho é proposto um novo método de otimização do método Monte Carlo (MC) aplicado ao dobramento de proteínas. Este método baseia-se em informações oriundas de Redes Neurais Artificiais (RNAs) treinadas para prever a estrutura secundária de proteínas. Inicialmente, são introduzidos conceitos básicos sobre proteínas e sua estrutura, sobre o método MC, sobre RNAs e sobre os métodos PHD e PROF de treinamento de RNAs para a predição de estruturas secundárias. A seguir, é apresentada uma revisão bibliográfica sobre métodos de previsão de estrutura tridimensional de proteínas e o ganho de informação em sistemas híbridos. Com base nos resultados obtidos em outras abordagens, um novo método é proposto utilizando as predições dos método PROF, disponíveis on-line e com índices de acerto para estrutura secundária acima de 76%, para a redução do espaço de busca do método MC aplicado ao dobramento de proteínas. O método MC é apre- sentado com a previsão da estrutura secundária baseada em RNAs (MC-RNA), e é apl / This work proposes a new strategy to optimize the Monte Carlo method (MC) applied to the protein folding problem. This strategy is based on the information obtained from Artificial Neural Networks (ANNs), trained to predict the protein secondary structure. The work presents, initially, background knowledge about proteins and their structure. Follows an introduction to the MC method, Neural Networks and to the prediction of secondary structure using PHD/PROF programs. Then, a survey about tridimensional protein structure is presented. Other concepts,such as information gain in the context of hybrid systems, are also presented. Based on state-of-the art results, a new method is proposed using the predictions produced by the PROF program, available on-line and with a performance higher than 76% for secundary structure prediction, for the reduction of the MC search space. The MC method is presented with the secondary structure prediction based on ANNs (MC-RNA) and applied to four diferent proteins obtained fro

Submitted by Mariana Dornelles Vargas (marianadv) on 2015-03-23T13:17:43Z No. of bitstreams: 1 utilizacao_redes.pdf: 1424216 bytes, checksum: 9225089a71c7a86291b6f821bfe3dca1 (MD5) / Made available in DSpace on 2015-03-23T13:17:43Z (GMT). No. of bitstreams: 1 utilizacao_redes.pdf: 1424216 bytes, checksum: 9225089a71c7a86291b6f821bfe3dca1 (MD5) Previous issue date: 2008 / Nenhuma / A gestão dos recursos hídricos exige o uso de ferramentas que representem os processos hidrológicos de forma clara e objetiva para auxiliar na compreensão e utilização dos mesmos. Atendendo a essa necessidade, desenvolveram-se modelos computacionais que sistematizam problemas complexos de modo simples. Entre esses modelos cita-se a técnica de Redes Neurais Artificiais, metodologia inspirada no sistema nervoso humano e que possui a habilidade de aprender e generalizar possibilitando a resolução de problemas complexos. Neste trabalho é estudada a aplicação de Redes Neurais Artificiais do tipo Percepton Multicamadas baseadas no algoritmo de aprendizado backpropagation para estimar a espessura da Formação Serra Geral, o nível estático e a capacidade específica, baseado em informações contidas no cadastro de poços do Sistema de Informação de Águas Subterrâneas para a Bacia Hidrográfica do Rio Caí no estado do Rio Grande do Sul. Através do teste de Student (teste T), com um nível de significância de 5%, estatisticamente, os modelos propostos para as estimativas da espessura da Formação Serra Geral, do nível estático e da capacidade específica não diferiram dos tomados como verdadeiros. Também, por meio de regressão linear verificou-se através do coeficiente R2 uma forte correlação entre as variáveis simuladas e as verdadeiras. Os resultados indicaram que as RNAs podem ser utilizadas como um método alternativo em relação à modelagem convencional visando a elaboração de cartas temáticas bem como a otimização de processos para a exploração de água subterrânea. / The hydric resources management demands the use of tools that represent the hydrologic processes in a clear and objective way to assist the understanding and using of them. Considering this necessity, computer models that systemize complex problems in a simple way have been developed. Among these models is the Artificial Neural Network technique, a methodology inspired on human nervous system which has the ability to learn and generalize, making possible to solve complex problems. In this work is studied the application of Artificial Neural Networks of Perceptron Multilayer type, based on backpropagation learning algorithmic to estimate the thickness of Serra Geral formation, the static level and specific capacity, based on information extracted from well cadastre of Groundwater Information System for the Hydrographic Basin of Cai River in Rio Grande do Sul state. Through the Student test (test T), with a significance level of 5%, statistically, the models proposed for the estimates of the thickness of Serra Geral Formation, the level static and specific capacity did not differ from taken as true. Also, through linear regression there has been through the coefficient R2 a strong correlation between variables simulated and the real. The results demonstrate that the developed models through the Artificial Neural Networks present good results on prevision of hydrogeologic parameters, which could be used as a base to elaborate thematic maps. In the same way, they suggest the use of alternative data for conventional modeling aiming at processes optimization for groundwater exploration.

Submitted by JOSIANE SANTOS DE OLIVEIRA (josianeso) on 2019-01-21T15:12:53Z No. of bitstreams: 1 Glauber Kiss de Souza_.pdf: 40241717 bytes, checksum: 3dc0ad681450d2649debe6ae4f8b1ef5 (MD5) / Made available in DSpace on 2019-01-21T15:12:53Z (GMT). No. of bitstreams: 1 Glauber Kiss de Souza_.pdf: 40241717 bytes, checksum: 3dc0ad681450d2649debe6ae4f8b1ef5 (MD5) Previous issue date: 2018-12-04 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / A energia solar está, mundialmente, em uma crescente expansão. Apesar de pequena, se comparada a outros meios tradicionais de geração de energia, nunca houve indicadores tão otimistas acerca de sua utilização e popularização. No entanto, mesmo uma energia auto-sustentável como essa acaba tendo impacto ambiental, grande investimento econômico, dificuldade de medição de todas as parcelas da radiação solar e problemas na manutenção adequada das estações solares. Sabendo que a medição ou a estimativa das parcelas da radiação são cruciais para o dimensionamento e estimativa de geração de energia, tanto em grandes plantas de potência por concentração solar como em sistemas de geração fotovoltaica residenciais, o presente trabalho foi idealizado para assegurar que, mesmo em proporções continentais, a obtenção da componente difusa da irradiância, a partir da irradiância global, pode ser realizada de maneira confiável. A utilização de RNAs com generalização geográfica demonstrou melhores resultados em relação a modelos de correlação empíricos, além de serem mais abrangentes do que modelos que utilizam RNAs especializadas a partir de dados locais. Os resultados apresentaram erros RMSEr variando entre 16,00% a 29,57%, contra erros RMSEr de 15,94% a 36,98% em modelos tradicionais empíricos. O presente modelo também apresentou um aumento simultâneo de precisão local e generalização geográfica, algo que modelos anteriores não atingiam, visto que, ao aumentar a especialização e precisão em uma área menor, há um comprometimento ao aplicar o modelo em áreas geográficas distantes e/ou maiores (e vice-versa). Dessa maneira, o presente estudo assegura que pesquisadores poderão utilizar RNAs com precisão e generalização suficientes para realizar pesquisas e estudos diversos que necessitem da parcela difusa e/ou direta da radiação solar, com maior eco-eficiência e custo benefício possíveis, em localidades que não as meçam ou não possuam dados meteorológicos confiáveis. / Worldwide, the solar energy is on a growing expansion. Although small, if compared to other traditional ways of generating useful energy, there have never been such optimistic indicators about its use and popularization. However, even a self-sustainable energy like this have environmental impact, great economic investment, difficulty in the measurement of all types of solar radiation and problems in the proper maintenance of solar monitoring stations. Knowing that the measurement or estimative of all solar radiation types are crucial for the design and estimative of energy generation in both large concentrating solar power plants or in residential photovoltaic power generation systems, the present work was developed to ensure that, even in continental proportions, the horizontal diffuse fraction can be obtained from the total irradiance with great reliability. The use of Artificial Neural Nertorks (ANNs) with geographical generalization showed better results in relation to empirical models, as well as being more comprehensive than models that use specialized ANNs based on local data. The results showed RMSEr errors ranging from 16,00% to 29,57%, against RMSEr errors from 15,94% to 36,98% in traditional empirical models. The present model also showed a improvement in both local precision and geographic generalization, something that previous models didn’t reach, since when increasing the specialization and precision in a smaller area, there’s a significant loss when using the model in distant and/or larger geographic areas (and vice versa). In this way, the present study ensures that researchers can use ANNs with enough precision and generalization to perform different researches and studies that require the diffuse and/or direct types of solar radiation with greater eco-efficiency and cost-effectiveness in locations that don't measure them or don't have reliable meteorological data.

A demanda e, consequentemente, a geração de energia elétrica são questões de suma importância para o desenvolvimento econômico e social dos países. Modelos para previsão destes parâmetros no longo e médio prazo são empregados com a finalidade de antever possíveis cenários e propor estratégias para a realização de um planejamento energético adequado. Neste contexto, o presente estudo tem como objetivo realizar a previsão da geração de energia elétrica no estado do Rio Grande do Sul (RS) em um horizonte de médio prazo (um ano), utilizando Redes Neurais Artificiais (RNA’s) do tipo feedforward com algoritmo de aprendizado supervisionado backpropagation. Para o desenvolvimento deste trabalho elaborou-se um script para executar as simulações necessárias, as quais foram realizadas através do software Matlab®. As variáveis de influência selecionadas como entradas do modelo de previsão referem-se à economia (estadual e nacional), ao balanço de energia elétrica e à meteorologia do estado, durante o período de janeiro de 2009 a março de 2016. Para realizar o treinamento da rede neural, adicionou-se a matriz de entrada este conjunto de dados, com frequência mensal, referentes a janeiro de 2009 a março de 2015 e para previsão foram inseridos dados de abril de 2015 a março de 2016. Por fim, depois de realizada a simulação completa da RNA, comparou-se o resultado observado da geração de energia elétrica do estado com o obtido através do modelo de previsão, indicando um erro percentual absoluto médio (MAPE) de 5,86% e um desvio absoluto médio (MAD) de 134,15 MW médio. Os resultados obtidos neste trabalho mostram-se promissores, além de semelhantes aos encontrados na literatura, demonstrando assim confiabilidade e eficácia do método empregado. / The demand and, consequently, the generation of electric power are very important issues for social and economic development of countries. Models to forecast these parameters in long and medium terms are used to anticipate possible sceneries and propose strategies for the energy planning of countries. In this context, the present study aims to forecast the generation of electric energy in Rio Grande do Sul State (RS) in a medium-term horizon (one year) using, Artificial Neural Networks (ANNs) of the feedforward type with algorithm of supervised learning backpropagation. For the development of this work, a script was elaborated in order to execute the necessary simulations, which were carried out through Matlab® software. The selected variables of influence as inputs of forecasting model refer to economy (State and National), to the electric energy balance and to the meteorology State, during the period from January, 2009 to March, 2016. In order to train the neural network, this data set was added to the entrance matrix, with monthly frequency, from January, 2009 to March, 2015 and for prediction, data were inserted from April, 2015 to March, 2016. Finally, after RNA complete simulation, the observed result of the electric power generation of the State was compared with the one obtained through the prediction model, indicating a mean absolute percent error (MAPE) of 5.86% and a mean absolute deviation (MAD) of 134.15 average MW. The obtained results in this work are promising, besides; they are similar to those found in literature, in this way demonstrating the reliability and efficacy of the using method.

A química de produtos naturais sempre foi uma fonte importante de novas substâncias e de substâncias bioativas. No mundo moderno, o homem utiliza os produtos naturais para diversos fins: corantes, edulcorantes, essências, defensivos agrícolas e principalmente medicamentos. Com o desenvolvimento das técnicas de isolamento de substâncias, cresceu a necessidade de organizar as informações obtidas e também a criação de meios para a identificação mais rápida das substâncias isoladas. Esta foi uma das necessidades que fez surgir a Quimioinformática. Quimioinformática é uma disciplina que utiliza os métodos da informática para organizar dados químicos, analisar estes dados e gerar novas informações a partir destes dados. Esta ferramenta tem sido utilizada com sucesso em procura por novas drogas (QSAR/QSPR), elucidação estrutural automatizada de substâncias orgânicas e em cálculos e previsão de propriedades físico-químicas de diversas moléculas. Os objetivos do presente trabalho foram o estudo fitoquímico de espécies dos gêneros Dimerostemma e Ichthyothere com o intuito de isolar novas substâncias e o desenvolvimento de técnicas envolvendo quimioinformática com o intuito de auxiliar a elucidação estrutural de produtos naturais. Realizou-se a técnica de microamstragem de tricomas glandulares de diversas espécies pertencentes a gêneros da tribo Heliantheae (Viguiera, Tithonia, Dimerostemma). Através da microamostragem foi possível identificar diversas substâncias presentes nos tricomas glandulares das espécies analisadas. Das duas espécies de Dimerostemma investigadas (D. brasilianum e D. rotundifolium) foi possível identificar dois germacrolidos e dois eudesmanolidos, enquanto que de Ichthyothere terminalis foi possível a identificação de dois melampolidos, todos eles lactonas sesquiterpênicas. Foram treinadas redes neurais artificiais para a realização da identificação dos esqueletos carbônicos de determinadas substâncias a partir dos dados obtidos através dos espectros de RMN 13C, sendo que os resultados obtidos podem ser considerados satisfatórios. Foi desenvolvido um software para efetuar a identificação automática de substâncias através da comparação com uma biblioteca de padrões que possui dados cromatográficos de 51 lactonas sesquiterpênicas. Esse software, chamado de NAPROSYS, também é capaz de fazer comparação de dados de RMN de amostra com dados de RMN presentes em uma biblioteca de dados, tornando possível a identificação imediata de substâncias presentes na biblioteca e também auxiliar a elucidação estrutural de substâncias que não estão nela presentes. Para testar a eficiência do NAPROSYS, o programa foi utilizado com sucesso para identificar LSTs através da microamostragem de tricomas glandulares. A eficiência do NAPROSYS em identificar dados de RMN de substâncias presentes na biblioteca foi testada com substâncias isoladas do gênero Tithonia e Viguiera que possuem substâncias bem descritas na literatura e já isoladas no nosso laboratório, sendo que os resultados apresentados foram excelentes. Criou-se também dois modelos de redes neurais para prever tempos de retenção de lactonas sesquiterpênicas em cromatografia líquida (QSRR) com o objetivo de melhorar o desempenho do NAPROSYS em análises de dados cromatográficos. Os resultados para este caso, embora coerentes, precisam ser melhorados. Neste trabalho concluimos que o uso das técnicas clássicas juntamente com as novas técnicas de Quimoinformática pode se tornar uma ferramenta muito eficaz para a elucidação estrutural e busca de substâncias com determinadas propriedades químicas ou mesmo na bioprospecção de novas substâncias bioativas. / Natural products chemistry has always been an important source for new andbioactive compounds. In modern world, mankind uses natural products to do many tasks: colouring, as essences, as agricultural defensives and many as medicines. Within the development of compound isolation techniques, the need for information organisation has grown. The need for quickly identification of isolated compounds has also grown. This was one of the necessities that made Chemoinformatics emerge. Chemoinformatics is a discipline that uses informatics as a tool to organise, analise and to generate new knowledge from chemical data. This tool has been used with success in automate structure elucidation, drug development (QSAR/QSPR) and to predict chemical-physical data of many molecules. The aims of the present work were the phytochemical study of species of the genera Dimerostemma and Ichthyothere to isolate new compounds, and the development of chemoinformatics techniques to aid natural products structure elucidation. The glandular trichome microsampling was made for diverse species of genera from the tribe Heliantheae (Viguiera, Tithonia, Dimerostemma). Many compounds were identified through glandular trichome microsampling. Two germacrolides and two eudesmanolides were identified from Dimerostemma species (D. brasilianum and D. episcopale), while from Ichthyothere terminalis two melampolides were identified, all of them being sesquiterpene lactones. Artificial Neural Networks were trained to make skeleton identification from data obtained from 13C NMR and the obtained results can be considered satisfactory. A software was developed to make automatic compound identification through the comparation with a compound library that possesses data from 51 STLs. This software is called NAPROSYS is also able to compare the NMR data of the sample with the NMR data stored into a compound library, making the imediate identification of compounds present into library possible and also help the structure elucidation of unknown compounds. To test NAPROSYS\' efficience to identify NMR data of compunds sored into the library was made with compounds isolated from species of Tithonia and Viguiera genera, because these genera has well describe compounds in the literature and that has been isolated in our laboratory, and the obtained results are excellent. Two Artificial Neural Network models were created to predict the retention time of sesquiterpene lactones in liquid cromatography (QSRR) with the aim of improve NAPROSYS performance in cromatographic data analysis. The results for this case, although coherent, can be improved. The conclusion of this work is that the use of classical techniques with the new techniques of chemoinformatics can be a very efficient tool to make structure elucidation, search for compounds with certain chemical properties and even the search for new bioactive compounds.

Nesse trabalho é apresentado o estudo de redes neurais artificiais (RNAs) como sistemas de aprendizado, simulação e otimização de processos de deposição de filmes finos poliméricos. Duas técnicas de deposição comumente utilizadas para a fabricação de dispositivos eletrônicos e sensores poliméricos foram escolhidas: i) spin coating ou centrifugação e ii) automontagem. Na primeira técnica, a espessura final dos filmes finos obtidos foi a característica avaliada em função da velocidade de rotação, do tempo de rotação e da concentração da solução polimérica. Como material de deposição, utilizou-se a poli(o-metoxianilina) (POMA). Com a segunda técnica analisou-se a influência sobre a espessura, sobre a condutância elétrica e sobre o espectro de absorção, do número de bicamadas, do tempo de exposição dos filmes a uma solução dopante de ácido clorídrico (HCl) e do pH das mesmas. Os poliíons utilizados nessa técnica foram a polianilina (PAni) e o poli(vinil sulfato de sódio) (PVS). Os filmes obtidos pela segunda técnica de deposição constituem uma classe de sensores capazes de detectar e quantificar concentrações baixas de HCl diluído em água. Os treinamentos e simulações com redes neurais artificiais foram realizados apenas para a espessura dos filmes de POMA e a absorção dos filmes de PAni/PVS. Foram construídas redes neurais artificiais do tipo multilayer perceptron (MLP) utilizando o software MATLAB e o componente Neural Networks Toolbox. A reprodutibilidade e o número de neurônios contidos na camada intermediária foram avaliados. Os resultados mostram que as redes neurais artificiais treinadas fornecem boas respostas simuladas interpolando e extrapolando os valores experimentais utilizados. Como conclusão mostra-se que é possível a utilização dessa ferramenta para auxiliar a engenharia de processos, as técnicas e análises de deposições de filmes finos poliméricos. / In this work it is shown a study of artificial neural networks used as learning and simulating systems to optimize polymeric thin films deposition processes. Two common layer deposition techniques to fabricate polymeric electronic devices and polymeric sensors were chosen: i) spin coating and ii) self-assembly. In the first technique the final thickness of obtained thin films was the analyzed characteristic as a function of spin speed, spin time and solution concentration. For the deposited layers we used poly(o-methoxyaniline) (POMA). In the second technique we analyzed the influence of the number of bilayers, the pH of deposition solutions and the dipping time in the final thickness, electrical resistance and UV-Vis absorption spectra. As polyions, we used polyaniline (PAni) and poly(vinyl sodium sulfate) (PVS). These films could be used as a sensor to detect low concentrations of HCl diluted in water. After obtaining the experimental data we constructed artificial neural networks using multilayer perceptrons (MLP) architecture with MATLAB and its component called Neural Networks Toolbox. The number of neurons in the hidden layer and the reproducibility were analyzed. The results show that the trained artificial neural networks used in this work provide good simulation responses interpolating and extrapolating the experimental data. As a conclusion we show that it is possible to utilize this tool to aid the process engineering and the polymeric thin film deposition techniques and analysis