O objetivo principal deste trabalho é estudar empiricamente o processo de formação de expectativas inflacionárias no Brasil, no período recente (pós metas de inflação), através de um modelo conexionista, que aproxima a forma como os agentes fazem previsões. A coordenação das expectativas do mercado em relação à inflação futura é um aspecto crucial do regime de metas de inflação. Dessa forma, entender os fatores que afetam tais expectativas é de grande relevância para o direcionamento adequado da política monetária. Os dados para expectativas de inflação utilizados são provenientes da pesquisa FOCUS do Banco Central do Brasil, e constituem um painel de dados não balanceado. Os resultados obtidos nos permitem afirmar que a maior influência sobre as expectativas inflacionárias no período como um todo foi da volatilidade cambial, seguida pela variação no preço das commodities, pela defasagem de ordem um das expectativas, pela variação cambial e pela meta. Em menor magnitude, afetam as expectativas o resultado primário do governo, a defasagem de ordem dois e a taxa Selic. O comportamento desse efeito ao longo do tempo foi verificado através da análise de sensibilidade do produto da rede em resposta a cada uma das variáveis. No período de crise de confiança, há um expressivo descolamento das expectativas em relação à meta, com um aumento do efeito das demais variáveis. Resultado inverso ocorre no período pós-crise: o efeito da meta de inflação aumenta e das demais variáveis tende a se reduzir, ainda que em alguns casos tais efeitos sejam expressivos (como da defasagem de ordem um e da volatilidade cambial). Isso nos leva a concluir que o Banco Central vem consolidando sua credibilidade ao longo do tempo, mas que há ainda espaço para melhorias. / This work aims to empirically study the formation process of inflationary expectations in Brazil, in the recent period (after the introduction of the inflation targeting policy) by a connexionist model that approaches the way agents forecast. The coordination of market expectations in relation to the future inflation is a crucial aspect of the inflation targeting. This way, understanding the factors that affect such expectations has great relevance for the adequate aiming of the monetary policies. The data for inflation expectations used in this work are from the FOCUS research of the Brazilian Central Bank, and it constitutes a unbalanced data panel. The results obtained allow us to affirm that the biggest influence on the inflationary expectations in the period as a whole was from exchange rate volatility, followed by the commodities prices variation, by the first order lag of the expectations, by the exchange rate variation and by the target. In lesser magnitude, the primary result of the government, the second order lag and the Selic tax affect the expectations. The behavior of this effect throughout the time was verified through the analysis of sensitivity of the product of the network in reply to each one of the inputs. In the period of reliable crisis, there is an expressive shift of the expectations in relation to the target, with an increase of the effect of the other variables. Inverse result occurs in the after-crisis period: the effect of the inflation target increases and of the other variables tend to be reduced, despite in some cases such effect are expressive (as the first order lag and exchange rate volatility). Thus we may conclude that the Brazilian Central Bank has been consolidating its credibility throughout the time, but there is still an open space for improvements.

O presente trabalho propõe um novo modelo de rede neural artificial voltado a aplicações robóticas, em especial a tarefas de natureza espaço-temporal e de horizonte infinito. Este modelo apresenta três características que o tornam único e que foram tomadas como guia para a sua concepção: auto-organização, representação temporal e aprendizado construtivo. O algoritmo de aprendizagem auto-organizada incorpora todos os mecanismos que são básicos para a auto-organização: competição global, cooperação local e auto-amplificação seletiva. A rede neural é suprida com propriedades dinâmicas através de uma memória de curto prazo. A memória de curto prazo é inserida na estrutura da rede por meio de integradores e diferenciadores, os quais são implementados na camada de entrada da rede. Nesta abordagem existe uma evidente separação de papéis: a rede é responsável pela não-linearidade e a memória é responsável pelo tempo. A construção automática da arquitetura da rede neural é realizada de acordo com uma unidade de habituação. A unidade de habituação regula o crescimento e a poda de neurônios. O procedimento de inclusão, adaptação e remoção de conexões sinápticas é realizado conforme o método de aprendizado hebbiano competitivo. Em muitos problemas práticos, como os existentes na área da robótica, a auto-organização, a representação temporal e o aprendizado construtivo são fatores imprescindíveis para o sucesso da tarefa. A grande dificuldade e, ao mesmo tempo, a principal contribuição deste trabalho consiste em integrar tais tecnologias em uma arquitetura de rede neural artificial de maneira eficiente. Estudos de caso foram elaborados para validar e, principalmente, determinar as potencialidades e as limitações do modelo neural proposto. Os cenários abrangeram tarefas simples de classificação de padrões e segmentação temporal. Os resultados preliminares obtidos demonstraram a eficiência do modelo neural proposto frente às arquiteturas conexionistas existentes e foram considerados bastante satisfatórios com relação aos parâmetros avaliados. No texto são apresentados, também, alguns aspectos teóricos das ciências cognitivas, os fundamentos de redes neurais artificiais, o detalhamento de uma ferramenta de simulação robótica, conclusões, limitações e possíveis trabalhos futuros. / The present work proposes a new artificial neural network model suitable for robotic applications, in special to spatiotemporal tasks and infinite horizon tasks. This model has three characteristics which make it unique and are taken as means to guide its conception: self-organization, temporal representation and constructive learning. The algorithm of self-organizing learning incorporates all the mechanisms that are basic to the self-organization: global competition, local cooperation and selective self-amplification. The neural network is supplied with dynamic properties through a short-term memory. The short-term memory is added in the network structure by means of integrators and differentiators, which are implemented in the input layer of the network. In this approach exists an evident separation of roles: the network is responsible for the non-linearity and the memory is responsible for the time. The automatic construction of the neural network architecture is carried out taking into account habituation units. The habituation unit regulates the growing and the pruning of neurons. The procedure of inclusion, adaptation and removal of synaptic connections is carried out in accordance with competitive hebbian learning technique. In many practical problems, as the ones in the robotic area, self-organization, temporal representation and constructive learning are essential factors to the success of the task. The great difficulty and, at the same time, the main contribution of this work consists in the integration of these technologies in a neural network architecture in an efficient way. Some case studies have been elaborated to validate and, mainly, to determine the potentialities and the limitations of the proposed neural model. The experiments comprised simple tasks of pattern classification and temporal segmentation. Preliminary results have shown the good efficiency of the neural model compared to existing connectionist architectures and they have been considered sufficiently satisfactory with regard to the evaluated parameters. This text also presents some theoretical aspects of the cognitive science area, the fundamentals of artificial neural networks, the details of a robotic simulation tool, the conclusions, limitations and possible future works.

As Redes Neurais Artificiais (RNAs) vêm sendo empregadas com cada vez mais sucesso em diversas áreas de pesquisa, no campo da engenharia e em outros campos diversos. Neste trabalho foram modeladas séries fluviométricas relativas às afluências a quatro reservatórios, localizados em quatro bacias hidrográficas distintas que compõem a Bacia Metropolitana de Fortaleza, Ceará, Brasil. Tais afluências apresentam peculiaridades relativas à ocorrência de magnitudes nulas, que dificultam sua modelagem através dos convencionais modelos estatísticos da família Box-Jenkins. Neste estudo foram trabalhadas duas abordagens distintas, a primeira univariada, em que cada série era modelada de forma individual, e a segunda multivariada, em que as séries fluviométricas eram modeladas simultaneamente. Os resultados obtidos, segundo ambas as modelagens, demonstram que a técnica apresenta potencial para a aplicação pretendida. Estudos futuros merecem ser desenvolvidos ainda no sentido de verificar a melhor maneira de se enquadrar a componente aleatória nas séries sintéticas produzidas via RNAs. / Artificial Neural Networks (ANNs) are being used more and more in many different fields of research, in engineering applications or other applications. This research deals with modeling of inflows to four reservoirs, located in different watersheds that belong to the Metropolitan Watershed of Fortaleza city, Brazil. These discharge sequences have particular characteristics in that they have frequent occurence of null discharges which makes it difficult to use traditional statistical models such as those Box-Jenkis family. Two different modeling approaches were adopted in this study, the first univariate, in which each time series was modeled individually, and the second multivariate, in which the four time series were modeled simultaneously. The results from the both approaches show that the technique has potential for use in water resources planning and management. Future studies are required to propose better means of incorporing the random component in the generation of synthetic time series through ANNs.

Submitted by (ana.araujo@ufrpe.br) on 2016-05-20T13:54:50Z No. of bitstreams: 1 Ana Virginia Pedrosa Figueiredo.pdf: 2045507 bytes, checksum: 8ec16ce7fe3a69992ddd7f91512eb706 (MD5) / Made available in DSpace on 2016-05-20T13:54:50Z (GMT). No. of bitstreams: 1 Ana Virginia Pedrosa Figueiredo.pdf: 2045507 bytes, checksum: 8ec16ce7fe3a69992ddd7f91512eb706 (MD5) Previous issue date: 2007-02-26 / One of the human senses that has several aspects get to be elucidated is the olfactory sense. Therefore, many scientists have been studying this sense in order to better understand how does the information processing happens until the brain recognize it. There were lots of theories regarding olfactory system functioning, in which its authors try to explain how the reception, the analysis and the odor detection occur. Many people still use their own noses as a working tool. In this kind of job, people are trained to inhale and detect different odors. It is considered as an exhausting and risky job for those professional that, for example, could inhale toxics gases. In order to solve this problem, many systems that try to simulate a biological nose were developed. These systems are known as artificial noses. An artificial nose is an equipment composed of sensors and a pattern recognition system. The sensors are responsible for detecting odor signs from the external environment. The pattern recognition system is used to classify the signs sent by sensors and to provide a result from these signs.In the present work, artificial neural network techniques were used for the patternrecognition process, once these techniques are non-parametric and usually nonlinear. The usage of artificial neural networks as an odor recognition system has been quite advantageous. These networks are capable of working with non-linear data and also have an adaptation capability, they are tolerant to errors and noise, and have parallel processing. MLP, RBF e PNN were used in the development of an odor recognizing system based on a biologic system model and its results were compared, using the Wilcoxon test on the respective network models without the adaptation to the biologic model. / Um dos sentidos humanos que apresenta vários aspectos que ainda precisam ser elucidados é o sentido do olfato. Para isto muitos pesquisadores vêm estudando este sentido para melhor entender como ocorre o processamento das informações até a etapa de reconhecimento feita pelo cérebro. Desses estudos muitas foram as teorias propostas sobre o funcionamento do sistema olfativo, onde seus autores procuram esclarecer como ocorre a recepção, análise e detecção do odor. Muitas pessoas ainda têm como ferramenta de trabalho seus próprios narizes. Nesse tipo de trabalho pessoas são treinadas para inalar e detectar odores. Esse trabalho é considerado exaustivo e de risco para o profissional que, por exemplo, pode vir a inalar gases tóxicos. Para solucionar esse problema foram criados sistemas que simulam o nariz biológico. Esses sistemas são chamados de narizes artificiais. O nariz artificial é um equipamento formado por sensores e um sistema de reconhecimento de padrões. Os sensores são responsáveis por captar do meioexterno os sinais de odor. O sistema de reconhecimento de padrões é utilizado para classificar os sinais enviados pelos sensores e apresentar um resultado. No presente trabalho, foram utilizadas as técnicas de redes neurais artificiais para o reconhecimento de padrões. Pois essas técnicas são não-paramétricas e geralmente são não-lineares. A utilização de redes neurais artificiais como sistema de reconhecimento de odor tem sido bastante vantajosa. Elas têm a capacidade de trabalhar com dados não-lineares, possuem capacidade de adaptação, são tolerantes a erros e a ruídos e também possuem processamento paralelo. Foram utilizadas as redes MLP, RBF e PNN para o desenvolvimento de um sistema de reconhecimento de odor baseado em um modelo do sistema olfativo biológico e seus resultados foram comparados, utilizando o teste de Wilcoxon, com os respectivos modelos de redes sem a adaptação ao modelo biológico.

Orientador: Rubens Maciel Filho / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Química / Made available in DSpace on 2018-08-17T00:14:12Z (GMT). No. of bitstreams: 1 Ribeiro_PleycienneTrajano_D.pdf: 5889372 bytes, checksum: fb40a08b4781dc281483bc320321f3ff (MD5) Previous issue date: 2010 / Resumo: Este trabalho teve como principal objetivo o desenvolvimento e implementação de um controlador adaptativo do tipo regulador auto-ajustável (STR - Self Tuning Regulator), com a subsequente comparação de seu desempenho com um controlador PID (proporcionalintegrativo-derivativo) e dois controladores preditivos: um preditivo baseado em redes neurais artificiais e um controlador DMC (Dynamic Matrix Control). Esses esquemas de controle foram todos implementados na ferramenta de simulação desenvolvida, o FCCGUI (Fluid Catalytic Cracking Graphical User Interface). Como modelo para estimativa dos parâmetros do controlador adaptativo foi treinada e validada uma rede neural. Esse modelo caixa-preta forneceu uma abordagem eficiente para identificação e controle não-linear do processo de craqueamento catalítico. Para implementação do controlador adaptativo foram estruturadas três novas malhas de controle PID a partir de estudos estatísticos desenvolvidos para a análise dos efeitos das variáveis de processo e suas interações. Dentre essas novas malhas de controle, optou-se pela implementação do controle adaptativo no par manipulada-controlada CTCV-SEVER (abertura de catalisador regenerado - severidade da reação). Após aperfeiçoamentos e reestruturações no simulador FCCGUI, foram realizadas várias simulações para avaliação gráfica e numérica do desempenho do controlador através do critério de desempenho dinâmico ITAE (Integral of Time and Absolute Error). O controlador adaptativo apresentou bons resultados, tanto para testes servo quanto para regulatórios em comparação com a estratégia PID sem adaptação, bem como para as demais estratégias disponíveis no simulador, MPC-RNA (Model Predictive Control baseado em uma Rede Neural Artificial) e DMC. A capacidade de ajuste dos parâmetros do controlador torna-o uma estratégia promissora para sistemas que sofrem com alterações contínuas em suas variáveis de processo ou mudanças de setpoint / Abstract: This work had as main objective the development and implementation of an selftuning regulator (STR) adaptive controller, with subsequent comparison of its performance with a PID (proportional-integral-derivative) controller and two predictive controllers, namely a predictive based on artificial neural networks (MPC-ANN) and a dynamic matrix controller (DMC). These control schemes were all implemented in the developed simulation tool, the FCCGUI - Fluid Catalytic Cracking Graphical User Interface. An artificial neural network, used as a model to estimate controller parameters, was trained and validated. This black box model provided an efficient approach for identification and nonlinear control of the catalytic cracking process. To implement the adaptive controller, three new PID control loops were structured based on statistical studies designed to analyze the effects of process variables and their interactions. The implementation of adaptive control was chosen to be in the manipulated-controlled pair CTCV-SEVER (regenerated catalyst valve opening - reaction severity). After restructuring and improvements in the simulator FCCGUI, several simulations were performed for graphical and numerical evaluation of controller performance through ITAE (Integral of Time and Absolute Error) dynamic performance criterion. The adaptive controller presented good results for both tests: servo and regulatory, in comparison with PID strategy without adaptation and other strategies available to the simulator, MPC-ANN and DMC. The ability to adjust the parameters of the controller makes it a promising strategy for systems that suffer from continuous changes in their process variables or setpoints / Doutorado / Desenvolvimento de Processos Químicos / Doutor em Engenharia Química

Orientadores: Marcio Luiz de Andrade Netto, João Luis Garcia Rosa / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação / Made available in DSpace on 2018-08-05T07:45:24Z (GMT). No. of bitstreams: 1 Orru_Telvio_M.pdf: 2398157 bytes, checksum: c5119e1b22c57334ce4532605c1b38b2 (MD5) Previous issue date: 2005 / Resumo: Propõe-se, neste projeto, a criação de uma ferramenta computacional para geração de novos sumários a partir de novos textos-fonte, por meio do uso de abordagem conexionista (Redes Neurais Artificiais). Dentre as contribuições que este trabalho pretende trazer à área de Processamento de Línguas Naturais, destaca-se a abordagem biologicamente mais plausível da arquitetura e do treinamento conexionistas para a sumarização automática. Utilizou-se esta abordagem para o treinamento da rede pois acredita-se que este tratamento poderá trazer ganhos em relação à eficiência computacional quando comparado aos modelos conexionistas considerados biologicamente implausíveis / Abstract: It is proposed here an implementation of a computational tool to generate new summaries from new source texts, by means of a connectionist approach {artificial neural networks). Among other contributions that this work intends to bring to natural language processing, it is highlighted the use of biologically more plausible connectionist architecture and training for automatic summarization. The choice relies on the expectation that it may bring an increase in computational efficiency when compared to the so-called biologically implausible algorithms / Mestrado / Engenharia de Computação / Mestre em Engenharia Elétrica

Induction motors are largely used in the industry in our days and the temperature monitoring in these motors is extremely important for their operation. Through this monitoring one can estimate when and how often the maintenance will be performed, adjust the proper protection and identify abnormal operation conditions. In some cases the installation of thermal sensors is not possible due to physical or economical restrictions and the utilization of virtual instrumentation is an option. The following work presents a study for a specific condition where the stator temperature for a generic induction motor in a steady state operation is estimated by using an Artificial Neural Network. The purpose of this study is the evaluation of the applicability of this tool for this specific case and it is the staring point for further studies where the feasibility of a general system can be tested. After simulating the proposed Artificial Neural Network using the backpropagation algorithm it was concluded that this is an applicable method to solve this problem and can be extended to more complex systems. / Os motores de indução são largamente usados em vários setores da sociedade. Entre os setores que mais os utilizam está o setor industrial. Existem vários aspectos a serem considerados na sua operação, entre eles a monitoração da sua temperatura de trabalho. Através desse monitoramento pode-se estimar quando e com que freqüência sua manutenção se faz necessária, condições anormais de funcionamento e também o ajuste de proteções. Em alguns casos a instalação de sensores térmicos não é possível devido a limitações físicas ou econômicas e uma opção é a utilização da instrumentação virtual. O trabalho apresentado faz um estudo de uma dada condição de operação de um motor de indução trifásico cuja temperatura será estimada através de Redes Neurais Artificiais. O objetivo desse estudo é avaliar a aplicabilidade dessa ferramenta para esse caso específico como ponto de partida para estudos futuros, onde a viabilidade da aplicação para sistemas mais generalizados possa ser testada. Após a simulação da Rede Neural Artificial proposta utilizando o algoritmo backpropagation, concluiu-se que é possível aplicar essa metodologia para esse caso e isso indica a possibilidade de aplicá-la em sistemas mais complexos.

AgÃncia Nacional do PetrÃleo / Commercial gasolines are normally produced by blending hydrocarbon fractions obtained from the distillation of crude oil or from other petrochemical or refining processes, and carried through in order to comply with a variety of legal and ambient specifications at minimum cost. The quality for the use and commercialization of gasolines is evaluated through certain characteristics specified by governmental regulation. Such characteristics are usually determined by different methodologies and experimental techniques, since those depend on their constituents and their respective concentrations with a high complexity. Thus, blending of gasolines in petrochemical and refining industries is sometimes a very laborious procedure. The prediction of fuel properties from composition data is growing in importance in the last few years. Methods of group contribution have been used in the last decades to predict properties of pure organic compounds and some mixture parameters (e.g., UNIFAC). However, most of the recent studies use artificial neural networks as a technique for prediction for fuel properties using the composition of classes of constituents or key-compounds as input data. The main advantage of a neural network is its capacity to extract general and unknown information for certain series of data (training), supplying useful and fast models for prediction. However, the use of neural networks trained to predict properties of fuels produced from one given combination of petroleum fractions can not be suitable in the prediction of the characteristics of other gasolines produced from other origins due to the complexity and variability of gasoline composition. In this study, methods of multiple linear regression and artificial neural networks have been evaluated in the correlation and prediction of gasoline properties from information of composition obtained by gas chromatography, as well as a methodology for prediction of properties using a hybrid method composed of neural networks and group contribution. The developed model is evaluated and compared to other methods, revealing to be sufficiently promising for prediction of properties of pure components and complex mixtures. / As gasolinas comerciais sÃo normalmente produzidas a partir de combinaÃÃes de fraÃÃes oriundas da destilaÃÃo do petrÃleo ou de outros processos petroquÃmicos e de refino e realizadas de modo a atender uma variedade de especificaÃÃes legais e ambientais, com o mÃnimo de custo possÃvel. A qualidade para o uso e comercializaÃÃo de uma gasolina à avaliada atravÃs de certas caracterÃsticas especificadas por leis e normas governamentais. Estas caracterÃsticas sÃo normalmente determinadas por diferentes metodologias e tÃcnicas experimentais, haja vista que dependem dos seus constituintes e suas respectivas concentraÃÃes com uma complexidade bastante elevada, tornando a formulaÃÃo da gasolina originada em refinarias e petroquÃmicas, um procedimento muitas vezes bastante laborioso. O intuito de se predizer propriedades de derivados de petrÃleo a partir de dados de composiÃÃo à antigo e vem crescendo em importÃncia nos Ãltimos anos. MÃtodos de contribuiÃÃo de grupos tÃm sido utilizados ao longo das Ãltimas dÃcadas para predizer propriedades de compostos orgÃnicos puros e alguns parÃmetros de misturas (e.g., UNIFAC). Entretanto, a maior parte dos estudos mais recentes utiliza redes neurais artificiais como tÃcnica para prediÃÃo de propriedades de combustÃveis usando a composiÃÃo de grupos de compostos ou mesmo de compostos-chave como informaÃÃo de entrada. A principal vantagem de uma rede neural à sua capacidade de extrair informaÃÃes gerais e desconhecidas para certa sÃrie de dados (treinamento), fornecendo modelos de prediÃÃo Ãteis e rÃpidos tanto para sistemas lineares como nÃo-lineares. PorÃm, dada a complexidade e variabilidade dos constituintes das gasolinas, a utilizaÃÃo de redes neurais treinadas para modelar as propriedades destes combustÃveis produzidos a partir de uma dada combinaÃÃo de fraÃÃes petrolÃferas pode nÃo se adequar na prediÃÃo das caracterÃsticas de gasolinas obtidas a partir de uma outra origem. Neste estudo, mÃtodos de regressÃo linear mÃltipla e redes neurais artificiais foram avaliados na correlaÃÃo e prediÃÃo de propriedades de gasolinas a partir de informaÃÃes de composiÃÃo obtidas por cromatografia gasosa, como tambÃm foi desenvolvida uma metodologia de prediÃÃo de propriedades utilizando um mÃtodo hÃbrido de redes neurais e contribuiÃÃo de grupos. O modelo desenvolvido à avaliado e comparado aos demais, mostrando-se bastante promissor para prediÃÃo de propriedades de componentes puros e misturas mais complexas.

Made available in DSpace on 2015-04-20T12:31:43Z (GMT). No. of bitstreams: 1 TESE_GILBERTO.pdf: 7344117 bytes, checksum: 7ee42bd37c36d7f42cd43ff6b511a8d2 (MD5) Previous issue date: 2010-12-08 / Fundação de Amparo à Pesquisa do Estado do Amazonas / A Amazônia Brasileira contém a maior diversidade conhecida de peixes da Ordem Gymnotiformes. Estes peixes elétricos, como são popularmente conhecidos, têm sido intensamente estudados por causa de sua capacidade bioelétrica. Em função destes dois fatores, neste estudo desenvolveu-se procedimentos biotecnológicos para sensoriamento ambiental por meio do processamento e análise das descargas do órgão elétricos (DOEs) de Gymnotiformes. Estes procedimentos geraram subsídios para compor um sistema de alerta ambiental, com peixes elétricos como biossensores de contaminações por petróleo na água, com dois principais fatores modelados: depleção de oxigênio dissolvido (hipoxia) e a presença da fração solúvel de petróleo em água (Benzeno, Tolueno, Etilbenzeno e Xileno - BTEX). Foram desenvolvidos algoritmos computacionais utilizando-se técnicas de inteligência artificial com redes neurais artificiais de múltiplas camadas. Estes algoritmos foram testados para o reconhecimento de padrões nas DOEs de Gymnotiformes, com a classificação por meio de características mais basais da taxa de repetição (pulso e onda), e, com a classificação por Genero de Gymnotiformes onduladores. Redes neurais artificiais de uma camada interna com 64 neurônios, algoritmo de treinamento retropropagativo com renovação das taxas de aprendizados por relações heurísticas e validação cruzada via erro médio quadrático, obtiveram máxima performance na avaliação computacional das DOEs.

O presente trabalho tem como objetivo principal o desenvolvimento de um sistema de identificação do surgimento de vazamentos (rupturas) em dutos, através da análise do sinal de sensores de pressão de resposta rápida (frequência de corte superior a 1 kHz). O reconhecimento do sinal de vazamento se realiza através de uma rede neural artificial feed-foward do tipo Perceptron Multi Camadas, previamente treinada. Neste trabalho, a implementação para tal operação foi feita off-line, mas devido ao baixo custo computacional pode ser facilmente implementada em eletrônica embarcada, em tempo real (on-line). Os resultados experimentais foram obtidos no oleoduto piloto do NETeF - Núcleo de Engenharia Térmica e Fluidos da USP - Universidade de São Paulo, com uma seção de testes com 1500 metros e diâmetro de 51,2 mm. Especificamente, os resultados foram obtidos com escoamento monofásico de água. Os resultados mostram-se promissores, visto que o sistema de redes neurais artificiais foi capaz de discriminar 2 universos linearmente separáveis, para sinais de vazamento e de não vazamento, para diversas vazões e localizações de vazamentos simulados. / The present dissertation deals with the development of a system to identify abrupt leaks (ruptures) in pipelines, by analyzing the signal of fast response pressure sensors (cutoff frequency over then 1kHz). The recognition of the leak signal is established by an artificial neural network feed-forward Perceptron Multi Layer, previously trained. In the present work the implementation was performed off-line, but due to low computational costs, the neural network can be easily implemented in real time embedded electronics (online). The experimental results were obtained in a 1500 meter-long and 51.2 millimeter-diameter pilot pipeline at the Center of Thermal Engineering and Fluids. Specifically, the results were obtained with single-phase flow of water. The results have proven to be promising, as the trained neural network was capable of classifying the 2 types of signals into 2 linearly separable regions, for leakage signals and no leakage signals, for various flow rates and locations of simulated leaks.