A resistência e a rigidez de materiais compósitos variam consideravelmente devido a mudanças no tipo de material, espessura das camadas, ângulo de orientação das fibras e seqüência das lâminas. O projeto de uma estrutura ótima pode ser obtido dada uma determinada condição de carga. Vários métodos de otimização determinísticos foram desenvolvidos para tratar esse problema. Algumas vezes a orientação ótima das fibras muda quando as condições de carga variam e o desempenho da estrutura é altamente afetado pelas variáveis de projeto e condições de carregamento. Dessa forma, a otimização deste tipo de estrutura utilizando a confiabilidade como restrição é um importante problema a ser tratado. Este trabalho trata do problema da otimização de estruturas de materiais compósitos laminados com restrição de confiabilidade utilizando algoritmos genéticos e redes neurais. A análise da estrutura é feita via elementos finitos e as tensões na direção dos eixos principais de cada lâmina são utilizadas para o cálculo do índice de confiabilidade da estrutura, sendo a função de estado limite o critério de Tsai-Wu para falha de materiais compósitos laminados. A análise de confiabilidade é feita através de um dos seguintes métodos: FORM com um ponto de linearização, FORM para sistemas em série, Monte Carlo Direto e Monte Carlo com Amostragem por Importância. O processo de otimização via Algoritmos Genéticos (com suas fases de geração, seleção e cruzamento dos indivíduos da população), é usado em conjunto com os métodos de determinação do índice de confiabilidade e análises por elementos finitos. Isto gera um alto custo computacional, o qual é contornado utilizando-se Redes Neurais do tipo Perceptron e Base Radial, treinadas para substituir a análise via elementos finitos, diminuindo consideravelmente o tempo de processamento. É mostrado por meio de diversos exemplos que esta metodologia pode ser usada sem perda de precisão e com economia de tempo de processamento até mesmo em exemplos fortemente não lineares. / Strength and stiffness of composite materials vary considerable due to changes in the material to be used, the thickness of each layer, the fiber orientation angles and the stacking sequence. The optimum structural design may be obtained for a specific load condition. Several optimization criteria were been developed to treat that problem. Sometimes the optimal fiber orientation angles are highly dependent on the load conditions and the structural performance is also influenced by the design variables and acting loads. Thus, structural optimization using a reliability index as a constraint is an important problem to be analyzed. This work deals with the problem of reliability based optimization of laminated composite structures, using genetic algorithms and neural networks. The analysis of the structure is carried out by finite elements and the stress in the direction of the principal axes of each lamina are used to the calculation of the reliability index of the structure, where the limit state function is the Tsai-Wu criterion assuming first ply failure. The reliability analyses are accomplished through one of the following methods: FORM with one linearization point, FORM for in-series systems, Direct Monte Carlo and Monte Carlo with Importance Sampling. The optimization process through Genetic Algorithms (with its phases of generation, selection and crossover of the individuals of the population), is used jointly with the reliability evaluation methods and analysis by finite elements. This leads to high computational costs, which are overcome using trained Neural Networks of the type Perceptron and Radial Base to substitute the analysis with finite elements, reducing considerably the processing time. Several examples are used to show that this methodology can be used without loss of accuracy and with large computational timesaving even for strongly non-linear problems.

[pt] Processo Estocástico é um ramo da teoria da probabilidade onde se define um conjunto de modelos que permitem o estudo de problemas com componentes aleatórias. Muitos problemas reais apresentam características complexas, tais como não-linearidade e comportamento caótico, que necessitam de modelos capazes de capturar as reais características do problema para obter um tratamento apropriado. Porém, os modelos existentes ou são lineares, cuja aplicabilidade a esses problemas pode ser inadequada, ou necessitam de uma formulação complexa, onde a aplicabilidade é limitada e específica ao problema, ou dependem de suposições a priori sobre o comportamento do problema para poderem ser aplicados. Isso motivou a elaboração de um novo modelo de processo estocástico genérico, intrinsecamente não-linear, que possa ser aplicado em uma gama de problemas de fenômenos não-lineares, de comportamento altamente estocástico, e até mesmo com características periódicas. Como as redes neurais artificiais são modelos paramétricos não-lineares, simples de entendimento e implementação, capazes de capturar comportamentos de variados tipos de problemas, decidiu-se então utilizá-las como base do novo modelo proposto nessa tese, que é denominado Processo Estocástico Neural. A não-linearidade, obtida através das redes neurais desse processo estocástico, permite que se capture adequadamente o comportamento da série histórica de problemas de fenômenos não-lineares, com características altamente estocásticas e até mesmo periódicas. O objetivo é usar esse modelo para gerar séries temporais sintéticas, igualmente prováveis à série histórica, na solução desses tipos de problemas, como por exemplo os problemas que envolvem fenômenos climatológicos, econômicos, entre outros. Escolheu-se, como estudo de caso dessa tese, aplicar o modelo proposto no tratamento de afluências mensais sob o contexto do planejamento da operação do sistema hidrotérmico brasileiro. Os resultados mostraram que o Processo Estocástico Neural consegue gerar séries sintéticas com características similares às séries históricas de afluências mensais. / [en] Stochastic Process is a branch of probability theory which defines a set of templates that allow the study of problems with random components. Many real problems exhibit complex characteristics such as nonlinearity and chaotic behavior, which require models capable of capture the real characteristics of the problem for a appropriate treatment. However, existing models have limited application to certain problems or because they are linear models (whose application gets results inconsistent or inadequate) or because they require a complex formulation or depend on a priori assumptions about the behavior of the problem, which requires a knowledge the problem at a level of detail that there is not always available. This motivated the development of a model stochastic process based on neural networks, so that is generic to be applied in a range of problems involving highly stochastic phenomena of behavior and also can be applied to phenomena that have periodic characteristics. As artificial neural networks are non-linear models, simple to understand and implementation, able to capture behaviors of varied types problems, then decided to use them as the basis of new model proposed in this thesis, which is an intrinsically non-linear model, called the Neural Stochastic Process. Through neural networks that stochastic process, can adequately capture the behavior problems of the series of phenomena with features highly stochastic and / or periodical. The goal is to use this model to generate synthetic time series, equally likely to historical series, in solution of various problems, eg problems phenomena involving climatology, economic, among others. It was chosen as a case study of this thesis, applying the model proposed in the treatment of monthly inflows in the context of operation planning of the Brazilian hydrothermal system. The Results showed that the process can Stochastic Neural generate synthetic series of similar characteristics to the historical monthly inflow series.

Este estudo propõe um modelo híbrido que reúne uma rede neural do tipo SOM (Self-Organizing Map) com uma rede neural do tipo Multicamadas com Retropropagação (BPN: Backpropagation Network). A utilização da rede SOM tem o intuito de segmentar a base de dados em diversos clusters, onde são ressaltadas suas diferenças. A rede BPN é usada para construir um modelo matemático de previsão que descreve a relação entre os indicadores e o valor de fechamento de cada cluster formado na rede SOM. A viabilidade e o percentual de efetividade do modelo proposto são demonstrados através de experimentos de predição de índices utilizados pelo NYSE (New York Stock Exchange). O modelo foi elaborado a partir de uma base de dados composta pelo índice NYSE Composite U.S. 100 no período entre 02 de abril de 2004 a 08 de novembro de 2012. Como variáveis de entrada para as redes neurais, foram utilizados 10 índices: MA_10, BIAS_20, WMS%R_9, K_9, D_9, MTM_10, ROC_10, CCI_24, AR_26, BR_26. Os resultados obtidos com o modelo híbrido proposto se mostraram superiores aos obtidos com modelos convencionais estatísticos. / This study proposes a hybrid model that combines a neural network SOM (Self-Organizing Map) with a neural network with Multilayer Backpropagation (BPN: Backpropagation Network). The SOM aims to segment the database into different clusters, where they highlight their differences. The BPN network is used to build a predictive mathematical model that describes the relationship between the indicators and the closing value of each cluster formed in the SOM. The percentage of viability and effectiveness of the proposed model are demonstrated through experiments predict index used by the NYSE (New York Stock Exchange). The model was developed from a database composed of 100 U.S. NYSE Composite Index in the period from April, 02, 2004 to November, 08, 2012. As input variables for neural networks, we used 10 indices: MA_10, BIAS_20, WMS%R_9, K_9, D_9, MTM_10, ROC_10, CCI_24, AR_26, BR_26. Results obtained with the proposed hybrid model were higher than those obtained with conventional statisticals techniques.

E. coli Patogênicas Aviárias (APEC) são uma das causas de doenças extra-intestinais em aves, as quais trazem grande prejuízo econômico para o setor avícola mundial. Os avanços nas pesquisas vêm aumentando o entendimento dos mecanismos de patogenicidade das APEC, demonstrando a grande importância da interação dos diversos fatores de virulência na determinação da sua patogenicidade. Redes Neurais Artificiais (RNAs) têm mostrado ser uma poderosa ferramenta para uma vasta gama de aplicações. Neste trabalho, o foco na aplicação da RNA é na predição (0 a 10) da patogenicidade de amostras APEC. Em 489 isolados APEC foram analisados a presença de 38 genes associados a virulência, o Índice de Patogenicidade (IP) in vivo e a motilidade das amostras. Duas RNAs foram construídas utilizando o software Neuroshell Classifier 2.1 (Ward Systems Group, Inc., Frederick, MD, USA) em duas fases distintas: treinamento e validação. Utilizou-se como camada de entrada, informações sobre a presença ou ausência dos 38 genes de virulência e a motilidade de cada uma das amostras, com uma camada de saída formada pelo IP in vivo previamente determinado. As RNAs construídas apresentaram uma classificação correta acima de 90%, sendo que a rede 1 apresentou uma classificação de 91,62 e a rede 2 de 99,03%. A rede 2 obteve uma especificidade superior a 99,64% em todas as categorias e uma sensibilidade superior a 92,86%. Isso demonstra que o método aqui proposto, revelou ser uma ótima ferramenta de suporte às decisões de médico veterinário, descartando no futuro a inoculação de animais. / Avian Pathogenic Escherichia coli (APEC) are one of the causes of extraintestinal diseases in birds, and cause considerable economic losses to the poultry industry worldwide. Advances in research have increased understanding of pathogenic mechanisms of APEC, and have demonstrated the importance of the interaction of several virulence factors in determining their pathogenicity. Artificial Neural Networks (ANN) have shown to be a powerful tool for a wide range of applications. In this paper, the focus on neural network applications in the prediction (index of 0-10) of the pathogenicity of isolates APEC. In 489 APEC isolates were analyzed: 38 virulenceassociated genes, the Pathogenicity Index (PI) in vivo and motility of the strains. Two ANNs were constructed using the software Neuroshell Classifier 2.1 (Ward Systems Group, Inc., Frederick, MD, USA) in two distinct phases: training and validation. We used as input layer, information about the presence or absence of the 38 virulenceassociated genes and the motility of each of the samples, with an output layer formed by a previously-determined PI in vivo. The ANNs showed a correct classification of the PI above of 90%, being that the network 1 had a rating of 91.62% and the network 2 of 99.03%. The network 2 obtained a specificity of over 99.64% and sensitivity greater than 92.86% in all categories. This demonstrates that the method proposed here has proven to be a great decision support tool for the veterinarian, thereby dispensing the inoculation of animals in the future.

Avaliamos as previsões fora da amostra da curva de juros geradas por modelos de redes neurais artificiais e as comparamos com os modelos tradicionalmente usados para este fim. A curva de juros foi segmentada em três regiões distintas e para cada uma dessas regiões e horizontes de previsão, foram estimados duas classes de modelos de redes neurais (modelos dinâmicos e modelos estáticos), totalizando 198 modelos estimados. Afim de verificar a significância estatística das previsões dos modelos de RNA em relação aos outros modelos, foi realizado o teste Diebold-Mariano. Os resultados mostram que em média, os modelos estimados através de RNA conseguiram superar as previsões realizadas pelo random walk em todos os horizontes de previsão, sendo essas previsões em torno de 2% e 5% melhores para os horizontes de 1 dia e 1 semana a frente, e de 12% e 7% melhores para os horizontes mais longos, de 1 mês e 3 meses. Além disso, apresentou previsões em torno de 15% e 10% melhores que o modelo de NS para os horizontes de 1 mês e 3 meses a frente. Concluimos que os modelos de redes neurais são capazes de realizar previsões superiores para todos os horizontes testados, principalmente para região de curto prazo da curva, com destaque especial para as previsões com horizontes de 1 dia e 1 semana a frente. / We evaluate the out of sample forecasts of the yield curve generated by artificial neural network models and compare them with the models traditionally used for this purpose. The yield curve was segmented into three distinct regions and for each region and forecast horizons, we estimated two classes of neural network models (dynamic models and static models), totaling 198 models estimated. In order to check the statistical significance of the model predictions of RNA compared to other models, was performed the Diebold-Mariano’s test. The results show that on average, the models estimated using RNA overcame the predictions made by the random walk at all forecast horizons, and these forecasts around 2% and 5% better for horizons of 1 day and 1 week forward and 12% and 7% better for longer horizons, 1 month and 3 months. Moreover, forecasts showed around 15% and 10% better than the NS model for horizons of 1 month and 3 months ahead. We conclude that the neural network models are capable of superior forecasts for all horizons tested, especially for short-term region of the curve, with particular attention to the forecasts with horizons of 1 day and 1 week ahead.

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.

Neste trabalho foi desenvolvido o projeto e fabricação de quatro componentes de uma pinça de biópsia (concha, garfo, oito e haste), através da micromoldagem de pós metálicos por injeção. A matéria prima utilizada neste trabalho é conhecida comercialmente como CATAMOLD® 316L A. Corpos de prova foram obtidos através da injeção em uma injetora de baixa pressão para determinação da quantidade de pó de aço inoxidável 316L e sistema aglutinante contida na matéria prima. Ensaios de injetabilidade foram realizados para análise do comportamento da matéria prima no processo de injeção. Foram avaliados os parâmetros de injeção (temperatura de injeção, temperatura do molde e velocidade de injeção) e as variáveis de saída (pressão de injeção, massa, segregação entre pó e sistema aglutinante e densidade). A influência dos parâmetros de injeção sobre as variáveis de injeção foi analisada através do delineamento estatístico via Redes Neurais Artificiais (RNA), com a utilização do programa Statgraphics® Centurion XV. Os corpos de prova obtidos na injetora de baixa pressão apresentaram alta quantidade de pó de aço inoxidável (92,2% em massa). Devido a esta alta concentração de pó, os ensaios de injetabilidade realizados na injetora de alta pressão apresentaram valores elevados para as pressões de injeção, variando de 1641 a 2115 bars para que houvesse o preenchimento total das cavidades. O molde microusinado para os componentes da pinça se mostrou eficiente na fabricação dos componentes, porém apresentou dificuldades na extração das peças. Mesmo com a obtenção de todos os componentes a montagem da pinça não foi realizada, visto que as furações de montagem foram retiradas no projeto, consequentemente não foram usinados. Depois de microinjetados, os componentes da pinça foram sinterizados e apresentaram variação dimensional de 0,01 a 0,29 mm em relação às dimensões de projeto e variação na contração de 7,05 a 13,33%, diferentes dos 14,30% citados no catálogo do CATAMOLD® 316L A. / In this work the design and manufacture of four components of the biopsy forceps (ladle, fork, eight and rod), by metal powder injection molding was developed. The feedstock used in this work is known commercially as CATAMOLD® 316L A. Specimens were obtained by injection into a low-pressure injection molding machine for determining the amount of 316L stainless steel powder and binder system contained in the feedstock. Mouldability tests were performed to analyze the behavior of the feedstock in the injection process. The injection parameters (injection temperature, mold temperature and injection speed) and output variables (injection pressure, mass segregation between powder and binder system and density) were evaluated. The influence of injection parameters on the variables of injection was analyzed using the statistical design via Artificial Neural Networks (ANN), using the software Statgraphics® Centurion XV. The specimens obtained at low pressure injection showed high amount of stainless steel powder (92.2 wt%). Due to this high concentration of power, mouldability tests were performed in high-pressure injection showed high values for injection pressures ranging from 1641 to 2115 bars so that there was the complete filling of cavities. The micromachined mold for the components of the forceps proved efficient in the manufacture of components, but presented difficulties in the extraction of parts. Even with the obtaining of the all the components the biopsy forceps was not assembled, since the mounting holes were taken in the project, and therefore were not machined. After injected , the components of the forceps were sintered and showed dimensional variation from 0.01 to 0.29 mm in relation to project dimensions and variation in contraction from 7.05 to 13.33% , different from those 14.30% cited in the catalog of CATAMOLD® 316L A

Fundação Carlos Chagas Filho de Amparo a Pesquisa do Estado do Rio de Janeiro / Neste trabalho é apresentado um estudo para a determinação do tamanho ótimo da malha de elementos, utilizando redes neurais artificiais, para o cálculo da intensidade útil. A ideia principal é treinar as redes de modo a possibilitar a aprendizagem e o reconhecimento do melhor tamanho para diversas áreas superficiais em fontes sonoras com geometria plana. A vantagem de se utilizar redes neurais artificiais deve-se ao fato de apresentarem um único tamanho para a obtenção da intensidade útil, consequentemente, uma redução significativa de tempo computacional quando comparado com o tempo de cálculo de uma malha bem refinada. Ensaios numéricos com placas planas - geometria separável que permite uma solução analítica - são utilizados para se realizar comparações. É apresentado um estudo comparativo entre o tempo computacional gasto para a obtenção da intensidade útil e o mesmo com a malha otimizada via redes neurais artificiais. Também é apresentada uma comparação do nível de potência sonora mediante solução numérica, a fim de validar os resultados apresentados pelas redes neurais. / In this paper, a study to determine the optimal size of the mesh elements, using artificial neural networks, to calculate useful intensity is presented. The main idea is training the neural networks, enabling them learning and recognizing the best size for the various superficial areas in sound sources with at geometry. The advantage of using artificial neural networks is due to the fact that they present a single size for obtaining the useful intensity, thereby significantly reducing computation time compared with the calculation time for a too fine mesh. Numerical tests with at plates - separable geometry that enables an analytical solution - are used to make comparisons. A comparative study of the computational time spent to obtain the useful intensity and the computational time spent to obtain the useful intensity using the mesh optimized via artificial neural networks is presented. A comparison of the sound power level obtained by the numerical solution in order to validate the results using neural networks is also presented.

Made available in DSpace on 2014-06-11T19:31:35Z (GMT). No. of bitstreams: 0 Previous issue date: 2005-06-11Bitstream added on 2014-06-13T20:42:03Z : No. of bitstreams: 1 nagaoka_mpt_dr_botfca.pdf: 822099 bytes, checksum: 888a950f539fe4016466561df2e320b2 (MD5) / Universidade Estadual Paulista (UNESP) / A co-geração de energia elétrica excedente por meio do aproveitamento do bagaço de cana-de-açúcar tem sido considerada uma alternativa importante na diversificação de fontes de geração de energia elétrica no Brasil, considerando-se as vantagens em relação à grande produção de matéria prima, menores custos de geração de energia e a possibilidade de reduzir o ônus dos investimentos em geração de energia do setor público. Apesar do grande potencial apresentado por esta fonte alternativa de energia, o mercado para a energia elétrica co-gerada está ainda hoje, sujeito a um ambiente de grande risco e incerteza, seja decorrente de condições do mercado de energia ou da produção. Este trabalho teve por objetivos analisar a viabilidade econômica de um projeto de investimento em co-geração de energia elétrica em uma usina sucroalcooleira na região Oeste do estado de São Paulo,com vistas à comercialização de excedentes, sob condições de risco, utilizando o algoritmo de Redes Neurais Artificiais. Procurou-se também testar a convergência dos resultados obtidos por este método com outro mais tradicionalmente utilizado em análise de risco para a determinação dos indicadores de viabilidade econômica do investimento. Os indicadores utilizados foram Valor Atual Líquido (VAL); Taxa Interna de Retorno (TIR); Relação Benefício - Custo (RBC); Payback Simples (PBS) e Payback Econômico (PBE). A análise foi realizada considerando seis cenários, considerando a possibilidade ou não de obtenção de financiamento e diferentes níveis de eficiência de queima do bagaço. No método de Redes Neurais Artificiais, as redes foram alimentadas com as seguintes variáveis de entrada: valor do investimento; despesas com juros e amortização; despesa com aquisição e transporte do bagaço e receita operacional, tendo como variável de saída o fluxo líquido de caixa. / The co-generation of surplus electrical energy by means of the use of sugar-cane bagasse has been considered as an important alternative in the diversification of sources of electrical energy in Brazil. Its advantages in relation to the production of raw material are: smaller costs of generation of energy and the possibility to reduce the costs of the investments in the generation of energy in the public sector. In spite of the great potential presented by this alternative source of energy, the market for the co-generation of electrical is still today subject to an atmosphere of great risk and uncertainty, be it due to conditions of the energy or of the production market. The objective of this research study was to analyze the economic viability of an investment project of cogeneration of electrical energy in an alcohol and sugar mill based on the Western area of the state of São Paulo having in view the commercialization of surpluses, under risk conditions, using the algorithm of Artificial Neural Networks. It was also tried to test the convergence of the results obtained by this method with a more traditionally method used in analysis of risk for the determination of the indicators of economic viability of the investment. The indicators used were Liquid Current Value (LCV); Internal Rate of Return (IRR); Benefit - Cost Relationship (BCR); Simple Payback (SPB) and Economic Payback (EPB). The analysis was performed into six different scenarios, having into consideration the possibility or not availabity of financing, and the different levels of efficiency in the burning of bagasse. In the method of Artificial Neural Networks the nets were supplied with entrance variables, such as, the value of the investment; expenses with interests and amortization; expense with acquisition and transport of the bagasse; operational revenue, and the exit variable included the liquid cash flow.

Made available in DSpace on 2014-06-11T19:33:21Z (GMT). No. of bitstreams: 0 Previous issue date: 2008-11-24Bitstream added on 2014-06-13T18:44:56Z : No. of bitstreams: 1 pereira_cja_dr_rcla.pdf: 3102935 bytes, checksum: f63c54be769615a9e581a9b476b27ed5 (MD5) / As técnicas de análise de dados e de busca de soluções fornecidas pela Computação Inteligente tiveram, nos últimos tempos, um grande avanço em seu desenvolvimento. Essas técnicas têm sido utilizadas com eficácia e eficiência no tratamento de problemas complexos e/ou que possuam uma grande quantidade de dados a serem processados. A integração destas técnicas com as ferramentas computacionais de produção e análise de informações geográficas (Geoprocessamento) é, portanto, muito vantajosa, especialmente com relação à grande quantidade de dados geralmente envolvida nas questões de natureza espacial. Este trabalho apresenta dois exemplos de uso de técnicas de Computação Inteligente em procedimentos de produção e análise de informações geográficas: um Sistema de Raciocínio Nebuloso (baseado na Lógica Nebulosa) para a construção de um mapa de fertilidade de solos, e uma Rede Neural Artificial para a identificação de agrupamentos espaciais em dados sócio-econômicos. Os dois exemplos foram conduzidos utilizando-se um software especialmente construído para esta finalidade, denominado GAIA – Geoprocessamento Apoiado por Inteligência Artificial –, e que doravante está disponível como Software Livre para qualquer pesquisador interessado em utilizar estas ferramentas. O estudo conclui que o uso das técnicas provenientes da computação inteligente, em comparação com técnicas tradicionais de análise de dados, contribuiu para um aumento da qualidade dos resultados obtidos. / Data analysis and problem solving techniques supplied by Soft Computing have had, lately, a great advance in their development. These techniques have been used with effectiveness and efficiency to deal with complex problems and/or problems that have too much data to be processed. The integration of such techniques with the tools for computational geographic information analysis (Geocomputation) is therefore very advantageous, especially in relation to the great quantity of data normally involved in spatial matters. This study presents two examples on how to use Soft Computing techniques in conjunction with geographic information analysis procedures: a Fuzzy Reasoning System (based on Fuzzy Logic) to build a soil fertility map, and an Artificial Neural Network to identify spatial clusters in socioeconomic data. Both examples were conducted using a software specifically developed towards this objective, called GAIA - Artificial Intelligence Supported Geocomputation, from now on available as a Free Software to any interested researcher. The study arrives at the conclusion that the use of soft computing techniques, as compared to classical procedures, leads to an increased quality on the final results.