Diesel plays an important role to the Brazil’s energy matrix, because it is one of the most consumed fuel at country. This study describes the hydrotreating process for petroleum refining using commercial software, PRO/II®. In addition, the artificial neural networks (ANN), using MATLAB®, were evaluated as tool for the development of virtual sensors and fault detection in chemical processes. The theoretical and practical assessment carried out in relation to the suitability of the software is justified by having acceptability in the oil and gas industry. For the oil hydrotreating associated with sulfur, the Diesel was represented by weight oil features; similar those used in refinery Abreu e Lima (RNEST). The goal of this study was to modeling in stationary condition for the reactor section the diesel hydrotreating process getting operating conditions to keep the sulfur concentration below of the ANP (Agência Nacional do Petróleo) specification, which is 10 ppm. The RNA applied to evaluate the virtual sensors was the MLP (Multi-Layer Perceptron), however, using the Levenberg-Marquardt Backpropagation (LMB) training algorithm. The coefficient of correlation was close to 1, so it means the network was satisfactory for this study. In the binary classification stage, the performance of RNA-LMB was efficient since a percentage of success above 93% was observed. In data clustering stage, used to define faults detection from parameters like flow of diesel, contaminants, pressure and temperature, the RNA-Kohonen was evaluated to check the sensitivity of the network to cluster the data with similarity. In a second stage, were inserted errors in the network, the temperature was the parameter with the greatest susceptibility to measurement errors in the industry. The lack of similarity for the input data in the RNA was well represented by self-organizing map (SOM). The simulations, as well as network training, adequately represent the analyzed processes. / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / O presente trabalho aborda o estudo do processo de hidrotratamento no refino de petróleo utilizando e avaliando software comercial, PRO/II®, e investiga a utilização da aplicação das redes neurais artificiais (RNA), em ambiente Matlab®, como ferramenta para o desenvolvimento de sensores virtuais e detecção de falhas em processos químicos. A avaliação teórica e prática realizada em relação à adequabilidade do software são justificadas pela sua aceitabilidade na área de petróleo e gás. Para a representação do diesel, combustível de maior interesse por ser o mais consumido dentro da matriz energética brasileira, foram utilizados dados associados ao petróleo pesado, obtidos da literatura, com características semelhantes ao que será utilizado na refinaria Abreu e Lima (RNEST). Petróleos com maiores índices de contaminantes como enxofre e nitrogênio estão cada vez mais presentes nas cargas das unidades de refino o que aumenta o interesse nos estudos referentes ao hidrotratamento (HDT). A principal variável estudada neste trabalho foi a avaliação da remoção do enxofre via HDT. O trabalho propôs uma modelagem estacionária da seção de reatores do processo de hidrotratamento de diesel obtendo condições operacionais que possibilite a manutenção do teor de enxofre abaixo da concentração de especificação da ANP, 10 ppm de enxofre no diesel. A RNA utilizada para a avaliação dos sensores virtuais foi a MLP (Multi-Layer Perceptron) com algoritmo de treinamento Levenberg-Marquardt backpropagation. A rede mostrou-se satisfatória, pois obteve um coeficiente de regressão próximo de um. Na etapa de classificação, a RNA, usando o algoritmo Levenberg-Marquardt backpropagation, através de uma classe binária, obteve um percentual de acertos acima de 93%, o que o classifica como bastante eficiente. Na análise da RNA, na etapa de agrupamento de dados utilizada para possíveis detecções de falhas, a rede utilizada foi a Kohonen onde foi avaliada a sensibilidade da rede em agrupar os dados com similaridade. Os parâmetros utilizados foram as vazões de diesel e contaminantes, pressão e temperatura. Numa segunda etapa foram inseridos erros na rede. A temperatura foi o parâmetro escolhido por ter maior susceptibilidade a erros de medição na indústria. O resultado obtido é representado por um mapa auto-organizável (SOM Self-Organizing Map) que identificou de forma satisfatória, através de cores, a falta de similaridade entre os dados inseridos na rede. As simulações desenvolvidas neste trabalho, bem como o treinamento da rede conseguiram representar adequadamente os processos estudados.