Este trabalho tem como objetivo apresentar um algoritmo de proteção diferencial de geradores baseado em Redes Neurais Artificiais (RNAs), que seja robusto e confiável em situações onde os algoritmos padrões podem apresentar dificuldades, como no caso, da saturação de TCs. O algoritmo desenvolvido é constituído por dois módulos principais: a) um módulo de detecção da saturação dos transformadores de corrente (TCs) empregados na proteção diferencial de geradores e; b) um módulo de correção das formas de onda distorcidas devido à saturação dos TCs. Os módulos utilizam RNAs para detectar e corrigir situações onde haja saturação dos TCs, a fim de evitar a má operação da proteção diferencial. O algoritmo foi desenvolvido em ambiente Matlab e validado com base nos dados da modelagem e simulações de um sistema elétrico utilizando o software Alternative Transients Program (ATP). / This work has as objective to present an algorithm for differential protection of generators based on Artificial Neural Networks (ANN), which is robust and reliable in situations where standard algorithms fail, as in the case of Current Transformer (CT) saturation. The algorithm developed consists of two main modules: a) a module to detect saturation of CTs used in differential protection of generators and; b) module to correct distorted waveforms due to CT saturation. The modules use ANNs to detect and correct situations where there is saturation of CTs in order to avoid misoperation of the differential protection. The algorithm was developed using Matlab software and validated based on data modeling and simulations of a power system using the Alternative Transients Program (ATP) software.

[pt] As Redes Neurais Artificiais têm sido utilizadas com bastante sucesso em problemas de previsão, inferência e classificação de padrões. Por essa razão, já se encontram disponíveis diversas bibliotecas que facilitam a modelagem e o treinamento de redes, tais como o NNtool do Matlab ou o WEKA. Embora essas bibliotecas sejam muito utilizadas, elas possuem limitações quanto à mobilidade, à flexibilidade e ao desempenho. Essa última limitação é devida, principalmente, ao treinamento que pode exigir muito tempo quando existe uma grande quantidade de dados com muitos atributos. O presente trabalho propõe o desenvolvimento de uma biblioteca (ANNCOM) de fácil utilização, flexível, multiplataforma e que utiliza a arquitetura CUDA (Compute Unified Device Architecture) para reduzir os tempos de treinamento das redes. Essa arquitetura é uma forma de GPGPU (General-Purpose computing on Graphics Processing Units) e tem sido utilizada como uma solução em computação paralela na área de alto desempenho, uma vez que a tecnologia utilizada nos processadores atuais está chegando ao limite de velocidade. Adicionalmente, foi criada uma ferramenta gráfica que auxilia o desenvolvimento de soluções aplicando as técnicas de redes neurais de forma fácil e clara usando a biblioteca desenvolvida. Para avaliação de desempenho da ANNCOM, foram realizados seis treinamentos para classificação de clientes de baixa tensão de uma distribuidora de energia elétrica. O treinamento das redes, utilizando a ANNCOM com a tecnologia CUDA, alcançou um desempenho quase 30 vezes maior do que a ANNCOM auxiliada pela MKL (Math Kernel Library) da Intel, também utilizada pelo Matlab. / [en] The Artificial Neural Networks have been used quite successfully in problems of prediction, inference and classification standards. For this reason, are already available several libraries that facilitate the modeling and training networks, such as NNtool Matlab or WEKA. While these libraries are widely used, they have limited mobility, flexibility and performance. This limitation is due mainly to the training that can take a long time when there is a large amount of data with many attributes. This paper proposes the development of a library (ANNCOM) easy to use, flexible platform and architecture that uses the CUDA (Compute Unified Device Architecture) to reduce the training times of the networks. This architecture is a form of GPGPU (GeneralPurpose computing on Graphics Processing Units) and has been used as a solution in parallel computing in the area of high performance, since the technology used in current processors are reaching the limit of speed. Additionally created a graphical tool that helps the development of solutions using the techniques of neural networks easily and clearly using the library developed. For performance evaluation ANNCOM were conducted six trainings for customer classification of a low voltage electricity distribution. The training of networks using ANNCOM with CUDA technology, achieved a performance nearly 30 times greater than the ANNCOM aided by MKL (Math Kernel Library) by Intel, also used by Matlab.

Este trabalho apresenta um sistema que se utiliza de características extraídas de dados provenientes de um sensor Kinect v2 para monitorar o motorista, dados de sensores inerciais, da telemetria do veículo e dados sobre a estrada/faixa de rodagem para reconhecer o estilo de direção, permitindo ao sistema detectar o uso do celular no trânsito, um motorista embriagado e a direção sonolenta, evitando assim, riscos relacionados com a direção. De fato, quando veículos são conduzidos por pessoas em ligações telefônicas, o risco de acidente aumenta de 4 a 6 vezes. Motoristas embriagados causaram 10:497 mortes nas rodovias dos Estados Unidos da América em 2016, segundo o órgão local responsável pela segurança no trânsito (NHTSA). Um Conjunto de Dados Naturalista do Comportamento do Motorista (NDBD) foi criado especificamente para este trabalho e utilizado para o teste e validação do sistema proposto. A solução proposta emprega duas análises dos dados do motorista, os subsistemas de reconhecimento de padrões de Curto e Longo prazos. Assim, pode-se detectar situações de risco na direção. O sistema possui 3 níveis de alerta: sem alerta, alerta baixo e alerta alto. O subsistema de Curto Prazo detecta situações de sem alerta e de algum nível de alerta. Já o subsistema de Longo Prazo é responsável por determinar o nível de alerta: baixo ou alto. Classificadores baseados em Aprendizado de Máquina e Redes Neurais Artificiais (RNA) foram utilizados. Um Algoritmo Genético foi empregado para otimizar e selecionar um conjunto de valores que ajustam a entrada de características, função de ativação dos neurônios e topologia/treino da rede neural. O sistema proposto alcançou 79;5% de acurácia nos frames do NDBD (conjunto de treinamento e validação obtidos utilizando um simulador veicular próprio), para a detecção conjunta de risco em situações de uso de celular, embriaguez ou condução normal. Para o classificador de Curto Prazo, utilizou-se períodos de 5 frames e uma janela de 140 frames para o Longo Prazo. Considerando a detecção individualizada dos problemas de condução, no caso específico da embriaguez (usados dados de embriaguez e direção normal) o sistema obteve 98% de acurácia, e especificamente para o uso de celular obteve 95% de acurácia. Na classificação de sem alerta (situações sem risco), o sistema obteve apenas 1;5% de predições erradas (falsos positivos), contribuindo assim para o conforto do motorista ao utilizar o sistema. / In this work, a system has been developed using features from a frontal Kinect v2 sensor to monitor the driver, from inertial sensors, car telemetry, and road lane data to recognize the driving style, enabling to recognize the use of a cell phone while driving, a drunk driver, and drowsy driving, avoiding driving risks. In fact, cars driven by people on phone calls, increases the risk of crash between 4 and 6 times. Drunk drivers caused 10;497 deaths on USA roads in 2016 according to NHTSA. The Naturalistic Driver Behavior Dataset (NDBD) was created specifically for this work and it was used to test the proposed system. The proposed solution uses two analysis of the drivers data, the Short-Term and Long-Term pattern recognition subsystems, thus it could detect the risk situations while driving. The system has 3 levels of alarm: no alarm, lowest alarm, and highest alarm. Short-Term detects between no alarm or some level alarm. Long-Term is responsible for determining the risk alarm level, low or high. The classifiers are based on Machine Learning and Artificial Neural Networks (ANN), furthermore, the values set to adjust input features, neuron activation functions, and network topology/training parameters were optimized and selected using a Genetic Algorithm. The proposed system achieved 79:5% of accuracy in NDBD frames (training and validation sets obtained using a driving simulator), for joint detection of risk in situations of cellphone usage, drunkenness, or normal driving. For the Short-Term classifier, it was used length periods of 5 frames and a window of 140 frames for Long-Term. Considering the individualized detection of driving problems, in the specific case of drunkenness (using data of drunkenness and normal driving), the system achieved 98% of accuracy, and specifically for cell phone usage 95% of accuracy. The best results achieved obtained only 1:5% of no risk situation having a wrong prediction (false positives with alarm activation), contributing to the driver comfort when he/she is using the system.

Este trabalho de pesquisa apresenta o desenvolvimento de uma metodologia de diagnóstico automático de falhas do tipo curto-circuito de baixa impedância em circuitos alimentadores de média tensão de sistemas reticulados de distribuição de energia elétrica tipo spot network. O diagnóstico compreende a identificação do tipo de curto-circuito ocorrido e a sua localização. A metodologia está baseada no treinamento e uso de Redes Neurais Artificiais (RNAs). Os parâmetros para treinamento das RNAs são obtidos a partir de padrões de comportamento elétrico de curtos circuitos monofásicos, bifásicos e trifásicos à terra, obtidos por simulação de um circuito de distribuição real localizado na cidade de Brasília. Para obtenção do comportamento elétrico do circuito de distribuição foi utilizado o aplicativo de simulação ATP (Alternative Transient Program); para estruturação, treinamento e testes das RNAs da metodologia de diagnóstico foi utilizado o software Matlab (aplicativo de RNA). Os principais resultados dos testes das RNAs da metodologia são apresentados. Tais resultados demonstram a viabilidade científica e tecnológica de se aplicar a metodologia desenvolvida como ferramenta de diagnóstico em tempo real de auxílio dos departamentos de engenharia de operação e manutenção de concessionárias elétricas. Este trabalho também apresenta as principais possibilidades de continuidade desta pesquisa científica e tecnológica baseada em redes neurais artificiais na área de diagnóstico automático de sistemas reticulados. / This work presents the development of an automatic failure diagnostic methodology for low impedance short circuit in mid voltage feeders of distribution spot networks systems. The developed methodology has the feature to identify the type of short circuit and its location. An Artificial Neural Network technique was employed. The parameters used to train the Artificial Neural Networks are obtained based upon patterns in simulations of real cases for short circuit behavior in mono-phase, bi-phase and tri-phase to ground configuration. The input data for the simulation was based on a real distribution circuit belonging to the Power Utility CEB located in Brasília-Brazil. The simulation program ATP (Alternative Transient Program) was used to obtain the electric behavior of the circuit in the distribution network. As for the Artificial Neural Network simulation, trainings and tests Matlab was employed. As a main contribution the results of this work shows the technical feasibility to apply such methodology as a important real time diagnostic tool to support the system operation and maintenance departments of power utilities that uses spot network topologies. Furthermore, it is presented the possibilities to continue this research related to automatic diagnostics for network distribution systems based on Artificial Neural Networks technique.

Graças aos avanços tecnológicos nas áreas da computação, eletrônica embarcada e mecatrônica a robótica está cada vez mais presente no cotidiano da pessoas. Nessas últimas décadas, uma infinidade de ferramentas e métodos foram desenvolvidos no campo da Robótica Móvel. Um exemplo disso são os sistemas inteligentes embarcados nos veículos de passeio. Tais sistemas auxiliam na condução através de sensores que recebem informações do ambiente e algoritmos que analisam os dados e tomam decisões para realizar uma determinada tarefa, como por exemplo estacionar um carro. Este trabalho tem por objetivo apresentar estudos realizados no desenvolvimento de um controlador inteligente capaz de estacionar um veículo simulado em vagas paralelas, na qual seja possível entrar com uma única manobra. Para isso, foi necessário realizar estudos envolvendo a modelagem de ambientes, cinemática veicular e sensores, os quais foram implementados em um ambiente de simulação desenvolvido em C# com o Visual Studio 2008. Em seguida é realizado um estudo sobre as três etapas do estacionamento, que consistem em procurar uma vaga, posicionar o veículo e manobrá-lo. Para realizar a manobra foi adotada a trajetória em S desenvolvida e muito utilizada em outros trabalhos encontrados na literatura da área. A manobra consiste em posicionar corretamente duas circunferências com um raio de esterçamento do veículo. Sendo assim, foi utilizado um controlador robusto baseado em aprendizado supervisionado utilizando Redes Neurais Artificiais (RNA), pois esta abordagem apresenta grande robustez com relação à presença de ruídos no sistema. Este controlador recebe dados de dois sensores laser (um fixado na frente do veículo e o outro na parte traseira), da odometria e de orientação de um sensor inercial. Os dados adquiridos desses sensores e a etapa da manobra em que o veículo está, servem de entrada para o controlador. Este é capaz de interpretar tais dados e responder a esses estímulos de forma correta em aproximadamente 99% dos casos. Os resultados de treinamento e de simulação se mostraram muito satisfatórios, permitindo que o carro controlador pela RNA pudesse estacionar corretamente em uma vaga paralela. / Thanks to technological advances in the fields of computer science, embedded electronics and mechatronics, robotics is increasingly more present in people\'s lives. On the past few decades a great variety of tools and methods were developed in the Mobile Robotics field, e.g. the passenger vehicles with smart embedded systems. Such systems help drivers through sensors that acquire information from the surrounding environment and algorithms which process this data and make decisions to perform a task, like parking a car. This work aims to present the studies performed on the development of a smart controller able to park a simulated vehicle in parallel parking spaces, where a single maneuver is enough to enter. To accomplish this, studies involving the modeling of environments, vehicle kinematics and sensors were conducted, which were implemented in a simulated environment developed in C# with Visual Studio 2008. Next, a study about the three stages of parking was carried out, which consists in looking for a slot, positioning the vehicle and maneuvering it. The \"S\" trajectory was adopted and developed to maneuver the vehicle, since it is well known and highly used in related works found in the literature of this field. The maneuver consists in the correct positioning of two circumferences with the possible steering radius of the vehicle. For this task, a robust controller based on supervised learning using Artificial Neural Networks (ANN) was employed, since this approach has great robustness regarding the presence of noise in the system. This controller receives data from two laser sensors (one attached on the front of the vehicle and the other on the rear), from the odometry and from the inertial orientation sensor. The data acquired from these sensors and the current maneuver stage of the vehicle are the inputs of the controller, which interprets these data and responds to these stimuli in a correct way in approximately 99% of the cases. The results of the training and simulation were satisfactory, allowing the car controlled by the ANN to correctly park in a parallel slot.

Made available in DSpace on 2016-08-10T10:40:42Z (GMT). No. of bitstreams: 1 RAFAEL GOMES LOIOLA.pdf: 2193685 bytes, checksum: 77fe8f4c3a881108732f58c6013d52b5 (MD5) Previous issue date: 2016-03-09 / The demand forecasting is of essential importance for business environments, in a way to serve as a decision making supporting tool during the development of companies strategic planning. This work strived to compare statistics with artificial intelligence methods applied to provisioning on demand issues using temporal series through Box-Jenkins and Artificial Neural Networks Multilayer Perceptron (MLP) methods. Studies were performed to identify and define the main demand forecasting methods. Subsequently, the selected prediction methods for the analysis of the three most relevant products of a metalworking industry were applied in the period 2012 to 2014. The four last periods were used only for performance validation of both methods, through the analysis of forecast errors. Softwares R, Matlab and SPSS supported the data deployment, modeling and analysis. From those models, a step ahead provisioning of sales of a metal mechanic industry was performed, followed by the comparison of the errors of each method based on root mean squared error, RMSE, and mean absolute percentage error, MAPE, to identify the most satisfactory and adequate provisioning method. The results indicated that the performance of the forecasts using the statistical method of Box-Jenkins in Products 1 and 3 were higher than the application of the MLP neural network models. While, for Product 2 the method of neural networks achieved better results. In the statistics analysis, one could verify that the series present some behavior patterns associated to seasonality and oscillations, being possible to observe that both methods show satisfactory results for each data characteristics of the temporal series. / A previsão de demanda é de essencial importância em ambientes organizacionais, de forma a servir como ferramenta de apoio a tomada de decisão durante o desenvolvimento do planejamento estratégico das empresas. Este trabalho teve como principal objetivo comparar modelos estatísticos e de inteligência artificial para problemas de previsão de demanda utilizando séries temporais por meio dos métodos de Box-Jenkins e rede neural artificial Multilayer Perceptron (MLP). Realizou-se o estudo para identificação e definição dos principais métodos de previsão de demanda. Posteriormente, aplicaram-se os métodos de previsão selecionados para a análise dos três produtos mais relevantes de uma indústria metal mecânica, no período de 2012 até 2014. Os quatro últimos períodos da série foram utilizados apenas para validação de desempenho de ambos os métodos propostos através das análises dos erros de previsão. Os softwares R, Matlab e SPSS apoiaram a aplicação, modelagem e análise dos dados. A partir dos modelos, realizou-se a previsão um passo a frente das vendas de uma indústria metal mecânica e posteriormente fez-se o comparativo de seus resultados através das medidas de erros referentes à raiz quadrada do erro quadrático médio, RMSE, e o erro percentual absoluto médio, MAPE, para identificar o modelo mais satisfatório e adequado para a predição. Os resultados indicaram que o desempenho das previsões utilizando o método estatístico de Box-Jenkins nos Produtos 1 e 3 foram superiores à aplicação dos modelos de rede neural MLP. Enquanto que para o Produto 2, o método de redes neurais alcançou melhores resultados. Nas análises estatísticas verificou-se que as séries apresentam padrões de comportamento referente à sazonalidade e oscilações, sendo possível observar que ambos os métodos apresentam resultados satisfatórios para cada característica de dados das séries temporais estudadas.

Esta tese consiste em desenvolver um sistema de identificação e classificação de falhas em motores de indução trifásico. As falhas analisadas foram simuladas em laboratório e envolvem problemas elétricos, como curto-circuito no estator, e problemas mecânicos, como barras quebradas no rotor. O sistema computacional proposto é formado pela transformada discreta wavelet, pelo cálculo de variáveis estatísticas e por redes neurais artificiais. A partir dos sinais elétricos da corrente do estator, a transformada wavelet produz os coeficientes característicos das falhas, os quais são usados no cálculo das variáveis estatísticas, como a média, root mean square, skewness e kurtosis. Estes valores são transmitidos como dados de entrada para as redes neurais que identificam as falhas e classificam a natureza das mesmas. Por fim, resultados obtidos visam validar a metodologia sugerida, que buscou nos sistemas inteligentes soluções eficazes para diagnosticar falhas em máquinas elétricas. / This thesis consists in developing a system for the identification and classification of faults in three-phase electric motors. The faults were analyzed and simulated in the laboratory and involve electrical problems, such as short circuit in the stator, and mechanical problems, such as broken rotor bars. The proposed computer system is formed by discrete wavelet transform, by calculation of statistical variables and for artificial neural networks. From the electrical signals of the stator current, the wavelet transform produces characteristic coefficients of faults, which are extracted by calculating of statistics variables, such as mean, root mean square, skewness and kurtosis. These values are passed as input to the neural networks that identify faults and the severity of it. Finally, results aimed at validating the methodology suggested that sought effective solutions in intelligent systems to diagnose faults in electrical machines.

Made available in DSpace on 2017-07-21T14:19:39Z (GMT). No. of bitstreams: 1 Carlos Proenca.pdf: 1478553 bytes, checksum: 110e623f3d19df6239c0f3c3097ce444 (MD5) Previous issue date: 2012-08-01 / Determining the soil organic matter and clay are important to obtain indicators of soil quality. Such measurements are help the agronomic management providing support for the recommendation of lime and fertilizer. For this quantification, analysis of soil becomes a "tool" indispensable, being increasingly used, especially when associated the the precision farming technology, in which the producer performs a higher number of analyzes aiming to identify soil variability of the property. However, laboratory tests bring some disadvantages, such as the time required for the analyses, and also the generation of waste. An option to perform the analyzes of organic matter and clay soil, quickly and without chemical residues, is by the use of visible to infrared spectroscopy and near (vis-NIRS - Visible and Near Infrared Spectroscopy). The aim of this work was to propose a methodology for predicting the soil organic matter and clay, by combining the use of Regression Analysis and Artificial Neural Networks in order to develop models to estimate these attributes. A database with information about soil analysis obtained by the conventional method and the method vis-NIR was used. The first step was to select the spectral bands that presented a better correlation with the response variables (clay and organic matter) by means of multivariate regression model. In order to improve the estimation of soil organic matter and clay, the group that presented the highest coefficient of determination was used as input of the Artificial Neural Networks. The quantity of 111 soil samples were used for calibration the models of soil analysis, and their spectra were obtained on a spectrophotometer FOSS NIR model XDS. The results were evaluated by the coefficient of determination (R2), considering the significance level of 5%. Coeficients of 0,89 and 0,94 were obtained in the prediction of organic matter and clay respectively, with indices highly significant (P <0,001), indicating the proposed methodology could be useful to predict the attributes studied. / A determinação dos teores de matéria orgânica e argila consistem em importantes indicadores da qualidade do solo. Suas quantificações são fundamentais no auxílio do manejo agronômico podendo fornecer subsídios para as recomendações de corretivos e fertilizantes. Para esta quantificação, a análise de solo se torna uma “ferramenta” indispensável, sendo utilizada cada vez mais, principalmente após a chegada da tecnologia da agricultura de precisão, em que o produtor realiza um número muitas vezes superior de análises visando a identificação da variabilidade do solo da sua propriedade. Porém, as análises laboratoriais trazem alguns inconvenientes, como o tempo necessário para as determinações e a geração de resíduos. Uma opção para realizar as análises de matéria orgânica e argila do solo, de forma rápida e sem geração de resíduos químicos é a espectroscopia de infravermelho visível e próximo (vis-NIRS – visible and Near Infrared Spectroscopy). O objetivo deste trabalho foi propor uma metodologia para predição dos teores de matéria orgânica e argila, envolvendo a combinação do uso de Análise de Regressão e Redes Neurais Artificiais com o desenvolvimento de modelos de estimativa destes atributos, utilizando uma base de dados com informações de análises de solo obtidas pelo método convencional e pelo método vis-NIRS. Primeiramente foram selecionadas as bandas espectrais que melhor correlacionavam com as variáveis de resposta (matéria orgânica e argila), por meio de um modelo de regressão multivariada. O grupo que obteve o maior coeficiente de determinação foi utilizado como entrada das Redes Neurais Artificiais visando melhorar a estimativa dos teores de matéria orgânica e argila. Para isto, 111 amostras de solo foram utilizadas para a calibração de modelos de análises de solos, sendo seus espectros obtidos em um espectrofotômetro de infravermelho próximo modelo FOSS XDS. Os resultados dos modelos foram avaliados por meio do coeficiente de determinação (R2), e pelo grau de significância ao nível de 5%. Correlações de 0,89 e 0,94 foram obtidas na predição do teor de matéria orgânica e argila, respectivamente, com índices altamente significativos (P<0,001), o que indica que a metodologia proposta pode ser utilizada para a predição dos atributos estudados.

A navegação autônoma é um dos problemas fundamentais na área da robótica móvel. Algoritmos capazes de conduzir um robô até o seu destino de maneira segura e eficiente são um pré-requisito para que robôs móveis possam executar as mais diversas tarefas que são atribuídas a eles com sucesso. Dependendo da complexidade do ambiente e da tarefa que deve ser executada, a programação de algoritmos de navegação não é um problema de solução trivial. Esta tese trata do desenvolvimento de sistemas de navegação autônoma baseados em técnicas de aprendizado supervisionado. Mais especificamente, foram abordados dois problemas distintos: a navegação de robôs/- veículos em ambientes urbanos e a navegação de robôs em ambientes não estruturados. No primeiro caso, o robô/veículo deve evitar obstáculos e se manter na via navegável, a partir de exemplos fornecidos por um motorista humano. No segundo caso, o robô deve identificar e evitar áreas irregulares (maior vibração), reduzindo o consumo de energia. Nesse caso, o aprendizado foi realizado a partir de informações obtidas por sensores. Em ambos os casos, algoritmos de aprendizado supervisionado foram capazes de permitir que os robôs navegassem de maneira segura e eficiente durante os testes experimentais realizados / Autonomous navigation is a fundamental problem in the field of mobile robotics. Algorithms capable of driving a robot to its destination safely and efficiently are a prerequisite for mobile robots to successfully perform different tasks that may be assigned to them. Depending on the complexity of the environment and the task to be executed, programming of navigation algorithms is not a trivial problem. This thesis approaches the development of autonomous navigation systems based on supervised learning techniques. More specifically, two distinct problems have been addressed: a robot/vehicle navigation in urban environments and robot navigation in unstructured environments. In the first case, the robot/vehicle must avoid obstacles and keep itself in the road based on examples provided by a human driver. In the second case, the robot should identify and avoid unstructured areas (higher vibration), reducing energy consumption. In this case, learning was based on information obtained by sensors. In either case, supervised learning algorithms have been capable of allowing the robots to navigate in a safe and efficient manner during the experimental tests

De maneira geral, o processo de planejamento de transportes não tem apresentado a sensibilidade suficiente para resolver ou ao menos atenuar o conflito entre o que é planejado e a necessidade real dos cidadãos urbanos, principalmente os de menor renda. Além disso, embora seja freqüente que as análises levem em conta aspectos ligados à acessibilidade, ou os ligados à mobilidade, isto em geral é feito de forma não associada. Como resposta a esta deficiência, o objetivo principal desta tese é propor, visando o planejamento estratégico, um processo de modelagem destinado a estimar potenciais de viagens integrando ambos os aspectos. Após uma abrangente revisão bibliográfica, foi proposta uma metodologia que prevê, inicialmente, a incorporação de dados espaciais a uma pesquisa origem-destino (O-D) com o uso de Sistemas de Informações Geográficas (SIG). Assim, à variáveis de entrada relacionadas com aspectos de mobilidade, como renda, por exemplo, é anexada a acessibilidade dos domicílios, calculada através de um indicador adequado. As variáveis de saída, viagens realizadas (p.ex., número e extensão), devem ser extraídas da pesquisa O-D e calculadas com o uso de um SIG suas características principais. Em seguida, faz-se uso de Redes Neurais Artificiais para construir modelos preliminares para avaliação de desempenho de variáveis de entrada e saída, o que permite posterior reformulação dos mesmos a partir das variáveis de melhor desempenho, na construção de um Índice Potencial de Viagens - IPV. Em uma aplicação para um estudo de caso em uma cidade de médio porte, de maneira geral, os resultados obtidos com o modelo de potencial de viagens revelaram uma certa superioridade em relação à medida convencional de acessibilidade adotada, quando usada isoladamente para fins de planejamento estratégico. A comparação entre a correlação que guardam os resultados do modelo proposto e os dados de viagens reais com a correlação existente entre os valores da medida de acessibilidade convencional adotada e os dados de viagens reais reforça este ponto. No primeiro caso, obteve-se um coeficiente de correlação (r) igual a 0,60 e, no segundo, 0,21. A constatação da relevância das variáveis de entrada usadas no modelo final (tamanho da família, acessibilidade e renda familiar) reforçou a tese de que aspectos de acessibilidade e mobilidade devem ser considerados conjuntamente nas abordagens de planejamento de transportes. Como conclusão, considerando o nível de planejamento estratégico de uma cidade, a metodologia aqui apregoada parece ser um avanço em relação aos modelos de acessibilidade convencionais e uma ferramenta útil para os tomadores de decisão em planejamento urbano e de transportes. A metodologia sinaliza que não basta apenas prover a população de acessibilidade física, mas é preciso propiciar a ela meios que possam garantir-lhe melhores índices de mobilidade. / In general, the transportation planning process is not sensible enough to solve or at least to reduce the gap between what is planned and the real needs of urban citizens, specially those who belong to low income classes. Besides, although the analyses often take into account accessibility elements and mobility components they rarely do it in an integrated manner. As an answer to this deficiency, the objective of this work is develop a modeling approach for estimating potential trips that integrates both aspects for strategic planning purposes. Based on a comprehensive literature review, a new methodology is then proposed. It starts with the integration of origin-destination (O-D) survey data and spatial data obtained in a Geographical Information System (GIS) environment. Next, a mean separation accessibility index estimated for all households must be linked to their mobility variables, such as income, for example, in the same database. The output variables, i.e. trip characteristics (number and length), can be taken from the O-D survey or calculated in a GIS-environment. Next, exploratory models should be built with Artificial Neural Networks in order to evaluate the behavior of input and output variables. Only those variables selected as the most relevant in the evaluation phase are used thereafter to rebuild the models and to generate the Trip Potential Index - TPI. The proposed approach has been tested in a case study carried out in a Brazilian medium-sized city. For the most part, the results obtained with the trip potential model here developed suggest its superiority when compared to a conventional, selfstanding accessibility measure for strategic planning purposes. An analysis of two correlation coefficients, the first one got when the model estimates are compared with the real trip values (r = 0.60) and the second one got when the model estimates are compared with the accessibility values (r = 0.21), also strengthen the previous statement. Size and income of the household, which may be associated to mobility, and the accessibility indicator itself, were selected as the most relevant variables in the model. The selection of those variables stressed the assumption that accessibility and mobility should be examined together in transportation planning analyses. In conclusion, for the level of strategic planning, the methodology presented in this work seems to be a step forward in relation to traditional accessibility models and a useful tool for urban and transportation planners and decision-makers. The approach makes clear that urban citizens need not only physical accessibility, but also better mobility conditions.