Este trabalho analisa o uso de redes de estações de trabalho como uma única máquina a ser utilizada para permitir o processamento de problemas que não poderiam ser computados, aceitavelmente, em apenas um de seus nodos, seja por causa do tempo dispendido ou de recursos físicos necessários, como memória principal. São enfocados dois algoritmos de redes neurais artificiais - Combinatorial Neural Model e Back Propagation - que apresentam os problemas enunciados acima, e uma proposta de um esquema para distribuição dessa classe de algoritmos, levando em consideração as vantagens disponíveis no ambiente em questão, a apresentada. A implementação do modelo proposto, sob a forma de um simulador distribuído baseado no conceito de servidor está descrita no trabalho, assim como as estratégias de paralelização dos algoritmos. Ao final, são apresentados os resultados obtidos, quantitativa e qualitativamente, e uma avaliação mais detalhada da paralelização do algoritmo Back Propagation a exposta. / The use of workstation networks as distributed multicomputers to solve resource demanding problems that cannot be feasibly solved in one node is the main concern of this work. Two different artificial neural network algorithms, Combinatorial Neural Model and Back Propagation, are faced and a scheme for distributing this class of algorithms is presented. The several advantages of the environment are focused in the proposal along with its disadvantages. This work also presents the implementation of the proposed scheme allowing an in loco performance evaluation. At the end results are shown and a more in depth evaluation of the Back Propagation parallelization is presented.

As séries temporais financeiras são marcadas por comportamentos complexos e não-lineares. No mercado financeiro, além da trajetória das cotações, a sua variabilidade, representada pela volatilidade, consiste em importante informação para o mercado. Redes neurais são modelos não lineares flexíveis com capacidade de descrever funções de distintas classes, possuindo a propriedade de aproximadores universais. Este trabalho busca empregar redes neurais, especificamente Perceptron de múltiplas camadas com uma única camada escondida alimentada para frente (Feedforward Multilayer Perceptron), para a previsão da volatilidade. Mais ainda, é proposto um modelo híbrido que combina o modelo GARCH e redes neurais. Os modelos GARCH e redes neurais são estimados para duas séries financeiras: Índice S&P500 e cotações do petróleo tipo Brent. Os resultados indicam que a volatilidade aproximada por redes neurais é muito semelhante as estimativas dos tradicionais modelos GARCH. Suas diferenças são mais qualitativas, na forma de resposta da volatilidade estimada a choques de maior magnitude e sua suavidade, do que quantitativas, apresentando critérios de erros de previsão em relação a uma medida de volatilidade benchmark muito próximos. / The financial time series are characterized by complex and non-linear behaviors. In addition to the financial market trend in prices their variability or volatility, a risk estimate, is important information for the market players. Neural networks are flexible nonlinear models capable of describing functions of different classes, having the property of universal approximators. This paper employs neural networks, specifically one hidden layer feedforward Multilayer Perceptron, for volatility forecasting. Moreover, we propose a hybrid model that combines the GARCH model with neural networks. The GARCH and neural network models are estimated over two financial series: the S&P500 composite index and prices of Brent oil. The results indicate that the volatility approximated by neural networks is very similar to that estimated by the traditional GARCH models, while their differences are more qualitative than quantitative, with information content that differs from and complements each other for different market environments.

Os ensaios não destrutivos servem como uma importante ferramenta para a análise de estruturas de concreto armado. A utilização de ensaios de velocidade de propagação do pulso ultra-sônico (VPU) permite realizar um acompanhamento das características do material ao longo de sua vida útil. Através da análise dos dados obtidos, pode-se averiguar a uniformidade do concreto, controlar a sua qualidade, acompanhar sua deterioração e, através de comparação com corpos de prova de referência e, até mesmo, estimar a resistência do mesmo. No entanto, as técnicas atuais para análise dos resultados coletados são, em grande parte, baseadas na sensibilidade dos profissionais que as aplicam. Para facilitar o controle e inspeção de estruturas de concreto armado é fundamental desenvolver estratégias para tornar esta análise mais simples e precisa. Este trabalho se baseia na hipótese de que a aplicação de Redes Neurais Artificiais (RNAs) pode gerar modelos de relacionamento úteis e acurados entre as características do concreto, sua compacidade e sua resistência à compressão. O intuito é determinar se com o uso de RNAs é possível estabelecer relações não-lineares que permitam estimar a resistência do concreto a partir do conhecimento de algumas propriedades básicas e da verificação da sua compacidade por meio de ensaios de VPU. Os resultados indicam que as RNAs podem ser usadas para gerar métodos numéricos robustos e flexíveis para estimativa da resistência à compressão a partir de dados de VPU. O estudo evidencia uma considerável melhora nos resultados de estimação da resistência quando se empregam modelos neurais, em comparação a modelos estatísticos tradicionais. Para os dados coletados, provenientes de diversas pesquisas, os modelos tradicionais geram estimativas com coeficientes de determinação que não ultrapassam um valor de R² de 0,40. Já as redes neurais conseguem ajustes com R² da ordem de 0,90. Além de contribuir para uma melhor análise de situações em que haja dúvidas sobre a resistência ou homogeneidade de elementos de concreto, o trabalho demonstra que modelos neurais são uma forma eficiente de ordenar e transferir conhecimento não estruturado. Constatou-se, ainda, que, dada sua capacidade de aprendizagem e de generalização do conhecimento adquirido, as RNAs se constituem em um meio rápido e preciso para modelagem de fenômenos complexos. / Nondestructive Testing (NDT) techniques are useful tools for analyzing reinforced concrete (RC) structures. The use of Ultrassonic Pulse Velocity (UPV) measurements enables the monitoring of changes in some critical characteristics of concrete over the service life of a structure. The interpretation of the data collected allows an assessment of concrete uniformity, and can be used to perform quality control, to monitor deterioration and even, by means of comparison against reference samples, to estimate compressive strength. Nonetheless, the current techniques for UPV data analysis are, on a large degree, based on the sensitivity of the professionals who apply these tests. For accurate diagnosis it is necessary to consider the various factors and conditions that can affect the results. To proper control and inspect RC facilities it is essential to develop appropriate strategies to make the task of data interpretation easier and more accurate. This work is based on the notion that using Artificial Neural Networks (ANNs) is a feasible way to generate workable estimation models correlating concrete characteristics, compacity and compressive strength. The goal is to determine if it is possible to establish models based on non-linear relationships that are capable of estimating with good accuracy the concrete strength based on previous knowledge of some basic material characteristics and UPV measurements. The study shows that this goal is achievable and indicates that neural models perform better than traditional statistical models. For the data collected in this work, provided by various researchers, traditional regression models cannot exceed R² = 0.40, while the use of ANNs allows the creation of models that can reach a determination coefficient R² = 0.90. The results make clear that, besides contributing to better the analysis of situations where there is doubts regarding concrete strength or uniformity, neural models are an efficient way to order and transfer unstructured knowledge. It was shown that, given the learning capacity and its ability to generalize acquired information into mathematical patterns, ANNs are a quick and adequate way to model complex phenomena.

A presente dissertação trata da estipulação de limite de crédito para empresas clientes, de modo automático, com o uso de técnicas de Inteligência Computacional, especificamente redes neurais artificiais (RNA). Na análise de crédito as duas situações mais críticas são a liberação do crédito, de acordo com o perfil do cliente, e a manutenção deste limite ao longo do tempo de acordo com o histórico do cliente. O objeto desta dissertação visa a automação da estipulação do limite de crédito, implementando uma RNA que possa aprender com situações já ocorridas com outros clientes de perfil parecido e que seja capaz de tomar decisões baseando-se na política de crédito apreendida com um Analista de Crédito. O objetivo é tornar o sistema de crédito mais seguro para o credor, pois uma análise correta de crédito de um cliente reduz consideravelmente os índices de inadimplência e mantém as vendas num patamar ótimo. Para essa análise, utilizouse a linguagem de programação VB.Net para o sistema de cadastro e se utilizou do MatLab para treinamento das RNAs. A dissertação apresenta um estudo de caso, onde mostra a forma de aplicação deste software para a análise de crédito. Os resultados obtidos aplicando-se as técnicas de RNAs foram satisfatórias indicando um caminho eficiente para a determinação do limite de crédito. / This research deals with the credit limit stipulation for corporate clients, automatically, with the use of Computational Intelligence techniques, specifically artificial neural networks (ANN). In the analysis of credit, the two most critical situations are release of credit, according to the customer profile, and maintain the credit according to the customer history. The object of this work aims at automating the stipulated credit limit at the time of initial registration of the customer. The main focus of this work is to make an ANN can provide the credit limit, learning from situations that have occurred with other clients of similar profile and is able to make decisions based on the credit policy seized with a Credit Analyst. The goal is to make the system more secure credit to the lender, for a correct analysis of the creditworthiness of a customer drops considerably default rates and maintains a sales plateau great. For this analysis, we used the VB.Net programming language for the registration system of MatLab and was used for training ANNs. The paper presents a case study, which shows how to apply this software to credit analysis. The results obtained applying the techniques ANNs were satisfactory showing an efficient way to determine the credit limit.

Resumo: A previsão de carga, em sistemas de energia elétrica, constitui-se numa atividade de grande importância, tendo em vista que a maioria dos estudos realizados (fluxo de potência, despacho econômico, planejamento da expansão, compra e venda de energia, etc.) somente poderá ser efetivada se houver a disponibilidade de uma boa estimativa da carga a ser atendida. Deste modo, visando contribuir para que o planejamento e operação dos sistemas de energia elétrica ocorram de forma segura, confiável e econômica, foi desenvolvida uma metodologia para previsão de carga, a previsão multinodal, que pode ser entendida como um sistema inteligente que considera vários pontos da rede elétrica durante a realização da previsão. O sistema desenvolvido conta com o uso de uma rede neural artificial composta por vários módulos, sendo esta do tipo perceptron multicamadas, cujo treinamento é baseado no algoritmo retropropagação. Porém, foi realizada uma modificação na função de ativação da rede, em substituição à função usual, a função sigmoide, foram utilizadas as funções de base radial. Tal metodologia foi aplicada ao problema de previsão de cargas elétricas a curto-prazo (24 horas à frente) / Abstract: Load forecasting in electric power systems is a very important activity due to several studies, e.g. power flow, economic dispatch, expansion planning, purchase and sale of energy that are extremely dependent on a good estimate of the load. Thus, contributing to a safe, reliable, economic and secure operation and planning this work is developed, which is an intelligent system for multinodal electric load forecasting considering several points of the network. The multinodal system is based on an artificial neural network composed of several modules. The neural network is a multilayer perceptron trained by backpropagation where the traditional sigmoide is substituted by radial basis functions. The methodology is applied to forecast loads 24 hours in advance / Orientador: Carlos Roberto. Minussi / Coorientador: Francisco Villarreal Alvarado / Banca: Anna Diva Plasencia Lotufo / Banca: Maria do Carmo Gomes da Silveira / Banca: Gelson da Cruz Junior / Banca: Edmárcio Antonio Belati / Doutor

Orientador: Percival Bueno de Araujo / Banca: Laurence Duarte Colvara / Banca: Mara Lúcia Martins Lopes / Banca: Luis Filomeno de Jesus Fernandes / Banca: Igor Kopcak / Resumo: Neste trabalho é proposta a utilização da rede neural artificial (RNA) ARTMAP Nebulosa (fuzzy) no ajuste de parâmetros de controladores suplementares para o amortecimento de oscilações eletromecânicas de sistemas elétricos de potência, visando tornar este ajuste mais eficiente. Análises comparativas da atuação das redes neurais artificiais ARTMAP Nebulosa e Perceptron Multicamadas (PM) são realizadas para dois sistemas multimáquinas considerando o ajuste individual e coordenado dos controladores. Tais redes são utilizadas para o projeto dos controladores ESP (Estabilizadores de Sistemas de Potência) e POD (Power Oscillation Damping) acoplado ao dispositivo FACTS (Flexible Alternating Current Transmission Systems) UPFC (Unified Power Flow Controller). Será evidenciado que a RNA ARTMAP Nebulosa pode ser utilizada na melhora da estabilidade dinâmica, fornecendo resultados muito semelhantes aos da RNA Perceptron Multicamadas. Entretanto, é importante enfatizar que a vantagem da utilização da RNA ARTMAP Nebulosa está no fato da garantia da estabilidade e plasticidade associadas a um rápido treinamento, o que não ocorre com a RNA Perceptron Multicamadas / Abstract: This work proposes the use of artificial neural network (ANN) Fuzzy ARTMAP to adjust the parameters of additional controllers to damp electromechanical oscillations in electric power systems in order to make this adjustment more efficient due to variations in load. Comparative analysis of the performance of artificial neural networks Fuzzy ARTMAP and Multilayer Perceptron are performed for two multimachine systems, considering individual and coordinated controller adjustment. Those networks are used for the design of Power System Stabilizers (PSS) and Power Oscillation Damping (POD) that is coupled to the FACTS (Flexible Alternating Current Transmission Systems) UPFC (Unified Power Flow Controller). It will be shown that the ANN Fuzzy ARTMAP can be used in the improvement of dynamic stability, providing very similar results to the ANN Multilayer Perceptron. However, it is important to emphasize that the advantage of using ANN Fuzzy ARTMAP is the guarantee of stability and plasticity associated with a fast training process which does not occur for the ANN Multilayer Perceptron / Doutor

Menée en partenariat avec Thales Alenia Space et le Centre National d’Etudes Spatiales (CNES), cette thèse s’inscrit dans un contexte international très actif sur une nouvelle technologie de systèmes antennaires : les réseaux réflecteurs (RA). Combinant les atouts des réflecteurs classiques et ceux des réseaux, les RA pourraient remplacer, à terme, les réflecteurs formés utilisés aujourd’hui. Ils sont constitués d’une source primaire placée en regard d’un réseau de cellules contrôlant les propriétés du champ électromagnétique réfléchi. Si de nombreuses études portent déjà sur la caractérisation des cellules, une des problématiques consiste à les sélectionner judicieusement pour réaliser l’antenne finale : c’est l’étape de synthèse.Un tour d’horizon consacré aux différentes méthodes de synthèse a révélé toute la complexité d’obtenir rapidement de bonnes performances simultanément sur les polarisations directes et croisées, pour une large bande de fréquences et pour la réalisation de diagrammes formés. La cellule Phoenix est sélectionnée dans ce travail pour ses bonnes propriétés puisqu’elle fournit l’ensemble de la gamme de phase suivant un cycle continu de géométries.Parce qu’une des contraintes dans la conception de RA est de maintenir des variations de géométries continues entre deux cellules juxtaposées à la surface du RA, un outil de représentation sphérique permettant de classer l’ensemble des cellules d’étude est proposé. Il répertorie judicieusement toutes les cellules sur une surface continue, fermée et périodique.Une nouvelle étape est franchie avec la conception de modèles comportementaux à l’aide de réseaux de neurones (ANN). Ces modèles permettent une caractérisation électromagnétique très rapide des cellules en termes de phase et d’amplitude des coefficients directs et croisées de la matrice de réflexion.L’originalité de l’algorithme de synthèse proposé dans ce travail se base sur l’utilisation combinée de la représentation sphérique et de la caractérisation rapide par ANN. Un outil d’optimisation de type min / max est utilisé pour améliorer les performances globales du panneau RA. Il est ensuite appliqué à un cas concret dans le cadre d’une mission de télécommunication. / In collaboration with Thales Alenia Space and the French Space Agency (CNES), this PHD takes part in a very active international context on a new antenna: the reflectarrays (RA).Combining the advantages of conventional reflectors and those of networks, RA could eventually replace the currently used shaped reflectors. They consist of a primary source placed in front of a network of cells controlling the properties of the reflected electromagnetic field. Although many studies already focus on the characterization of cells, one of the issues is to carefully select them to achieve the final antenna: this is the synthesis step.An overview of different synthesis methods revealed the complexity to quickly obtain good performance simultaneously on the co- and cross-polarizations, for a wide frequency band and for the realization of shaped radiation pattern. The Phoenix cell is selected in this work for its good properties since it provides the entire phase range following a continuous cycle of geometries.Because one of the constraints in the design of RA is to maintain continuous geometry variations between two juxtaposed cells on the layout, a spherical representation tool made it possible to classify all the studied cells. It judiciously lists all the cells on a continuous, closed and periodic surface.A new step is reached with the design of behavioral models using Artificial Neural Networks (ANN). These models enable to a fast electromagnetic characterization of cells in terms of phase and amplitude of the direct and cross coefficients of the reflection matrix.The originality of the synthesis algorithm proposed in this work is the combined use of the spherical representation and a rapid cell characterization by ANN. A min / max optimization tool is used to improve the overall performance of the RA panel. It is then applied to a concrete case as part of a telecommunication mission.

Introdução. O estudo e compreensão dos efeitos da poluição atmosférica podem contribuir para o planejamento de estratégias de controle de emissões de poluentes e na tomada de decisões em relação à saúde pública. Modelos de previsão da poluição do ar são importantes, na medida em que podem antecipar precauções e providências de ações públicas. Objetivo. Elaborar e analisar modelos de previsão do ozônio troposférico para a Região Metropolitana de São Paulo (RMSP). Métodos. Foram ajustados modelos de previsão de ozônio utilizando redes neurais artificiais (RNAs), denominadas técnicas de inteligência artificial. Os dados de entrada do modelo foram os meteorológicos, obtidos do CPTEC - Centro de Previsão de Tempo e Estudos Climáticos e do INMET - Instituto Nacional de Meteorologia e os dados do poluente ozônio monitorados pela CETESB - Companhia Ambiental do Estado de São Paulo. Foram considerados, para o ozônio, o padrão nacional de qualidade do ar (1 hora) e o padrão estadual de qualidade do ar (8 horas). Os dados foram distribuídos entre as médias do período da manhã (07h às 12h) e as médias do período da tarde (13h às 18h), obtendo-se como saída as concentrações máximas de ozônio para o período da tarde. O período analisado foi de 2008 a 2014. Resultados. Foram realizados 311 testes distribuídos de acordo com o padrão de qualidade do ar do ozônio (O3-1h ou O3-8h) e a origem dos dados meteorológicos (CPTEC ou INMET). Os valores de ozônio observados e estimados mostraram-se muito bem correlacionados. Para os ajustes usando o banco de dados do CPTEC, os melhores resultados das estatísticas de verificação para O3-1h foram: A=90 por cento ; B=0,41; FAR=47 por cento ; POD=22 por cento ; r=0,60. Sendo A a porcentagem de acertos nas previsões de eventos e não eventos; B indica, na média, se as previsões estão subestimadas ou superestimadas; FAR é a porcentagem de concentrações que foram previstas altas e que não ocorreram; POD é a capacidade de prever altas concentrações ( por cento ) e r é o coeficiente de correlação entre o valor observado e o valor estimado. Para O3-8h: A=96 por cento ; B=0,1; FAR=14 por cento ; POD=6,5 por cento ; r=0,72. Considerando-se o banco de dados do INMET, os melhores resultados para O3-1h foram: A=93 por cento ; B=0,54; FAR=29 por cento ; POD=38 por cento , r=0,84. Para O3-8h: A=95 por cento ; B=0,76; FAR=47 por cento ; POD=40 por cento ; r=0,85. As variáveis temperatura e vento meridional foram as mais importantes nos modelos. Conclusões. No geral, os modelos simulados com os dados meteorológicos do INMET apresentaram melhores resultados que os apresentados pelos dados do CPTEC, tanto para O3-1h, quanto para O3-8h. O modelo simulado com os dados do INMET, considerando O3-8h, apresentou melhor previsibilidade. Os modelos ajustados por redes neurais mostraram-se como boas alternativas de instrumentos para prever a concentração de ozônio na RMSP. / Introduction. The study and understanding of the effects of air pollution can contribute to the planning of pollutant emission control strategies and decision-making in relation to public health. Air pollution forecasting models are important, as they can anticipate precautions and actions of public action. Objetive. Develop and analyze tropospheric ozone forecasting models for the São Paulo Metropolitan Area (SPMA). Methods. Ozone forecasting models were adjusted using artificial neural networks (ANNs), called artificial intelligence techniques. The model input data were the weather, obtained from CPTEC - Weather and Climate Studies Prediction Center and INMET - National Meteorology Institute and the pollutant ozone data monitored by CETESB - São Paulo State Environmental Company. Were considered for ozone, the national standard of air quality (1 hour) and the state standard of air quality (8 hours). Data were distributed among the averages of the morning (07h to 12h) and the average of the afternoon (13h to 18h), obtaining as output the maximum concentrations of ozone to the afternoon. The study period was from 2008 to 2014. Results. Were conducted 311 tests distributed according to the standard of ozone air quality (O3-1h or O3-8h) and the source of meteorological data (CPTEC or INMET). The observed and estimated ozone values were shown to be very well correlated. For the settings using the CPTEC database, the best results of the verification statistics for O3-1h were: A= 90 per cent ; B=0.41; FAR=47 per cent ; POD=22 per cent ; r=0.60. Where A is the percentage of correct answers of forecasts in the events and not events; B indicates, on average, if the predictions are underestimated or overestimated; FAR is the percentage concentrations that were predicted high and that did not occur; POD is the ability to predict high concentrations ( per cent ) and r is the correlation coefficient between the observed value and the estimated value. To O3-8h: A=96 per cent ; B=0.1; FAR=14 per cent ; POD=6.5 per cent ; r=0.72. Considering the INMET database, the best results for O3-1h were: A=93 per cent ; B=0.54; FAR=29 per cent ; POD=38 per cent , r=0.84. To O3-8h: A=95 per cent ; B=0.76; FAR=47 per cent ; POD=40 per cent ; r=0.85. The variables temperature and meridional wind were the most importante in the models. Conclusions. Overall, the simulated models with meteorological INMET data showed better results than those presented by the CPTEC data for both O3-1h, and for O3-8h. The simulated model with INMET data, considering O3-8h, presented better predictability. The models adjusted by neural networks showed up as good instruments to predict the ozone concentration in the SPMA.

Garantir a qualidade da carne bovina produzida no Brasil tem sido uma preocupação dos produtores, pois contribui para aumentar a exportação e o consumo interno do produto. Por isso, tem-se pesquisado novos métodos que analisam e garantam a qualidade da carne, de forma rápida, eficiente e não destrutiva. A ressonância magnética nuclear (RMN) tem se destacado como uma das técnicas de controle de qualidade de carne. Neste trabalho as redes neurais artificiais estão sendo utilizadas para o reconhecimento de padrões dos dados de ressonância magnética nuclear oriundos de carne bovina. Mais especificamente, os respectivos dados têm sido utilizados por uma rede perceptron multicamadas para a extração de características da carne bovina, possibilitando a classificação do grupo genético e do sexo dos animais a partir de uma amostra da referida carne. Os resultados dos experimentos são também apresentados para ilustrar o desempenho da abordagem proposta. / Guaranteeing the quality of the bovine meat produced in Brazil has been a concern of the producers because it contributes to increase the export and the domestic consumption of the product. Therefore, new methods have been researched that analyze and guarantee the quality of the meat in a fast, efficient and non destructive way. Nuclear magnetic resonance (NMR) has been highlighted as one of the techniques of meat quality control. In this work study artificial neural networks are being used for pattern recognition from data obtained by the resonance equipment, originating from bovine meat. More specifically, the respective data have been used by a multilayer perceptron network for extraction of bovine meat characteristics, making possible the classification of both genetic group and animal sex starting from a single meat sample. Several results of experimental tests are also presented to illustrate the performance of the proposed approach.

Considerado a alternativa mais pesquisada para substituir o diesel, o biodiesel, oriundo da transesterificação, é cotado como a mais promissora opção de combustível obtido de fontes renováveis para o lugar dos ameaçados combustíveis de origem fóssil. A reação de transesterificação para produção do biodiesel pode ocorrer de forma catalítica, a mais utilizada atualmente, e não-catalítica, por meio de fluidos supercríticos. A grande diversidade de matérias-primas que pode ser usada na obtenção do biodiesel supercrítico é apenas um dos atrativos para sua produção, porém uma produção em larga escala esbarraria nos altos custos operacionais do processo. Devido ao potencial revelado nos processos supercríticos, o estudo do comportamento de fases dentro de um reator se mostra relevante ao domínio do processo, visto que pesquisas indicam que é possível balancear os custos de uma produção de biodiesel em condições supercríticas com os custos de uma produção de biodiesel com uso de catalisadores. Na termodinâmica, a modelagem é um método prático e rápido de se estimar o comportamento do equilíbrio líquido-vapor (ELV) do sistema e reduzir gastos com excessivos experimentos, através de um modelo termodinâmico apropriado. Para isso, os modelos testados foram obtidos pela equação de estado (EdE) de Peng-Robinson com as regras de misturas de van der Waals com um (vdW1) e dois (vdW2) parâmetros de interação binária em sistemas formados por componentes presentes na produção do biodiesel. Utilizando a abordagem phi-phi e o método de BOLHA P, sistemas binários em condições próximas ao ponto crítico e em condições supercríticas, encontrados na literatura, foram modelados. A modelagem termodinâmica foi realizada após a aplicação de um teste de consistência termodinâmica, uma vez que foram encontradas diferenças nas propriedades críticas de um mesmo composto em diferentes referências. A adequação dos modelos termodinâmicos variou de acordo com as condições do processo, o que fará necessária uma análise específica da situação de acordo com o caso em que estiver sendo empregada. Na simulação termodinâmica, as redes neurais artificiais foram utilizadas para o ajuste computacional dos dados experimentais, produzindo os melhores resultados com a introdução dos descritores moleculares, junto às variáveis independentes do processo (temperatura e composição na fase líquida), na primeira camada de neurônios nas diversas configurações analisadas dentre as arquiteturas utilizadas, demonstrando ser uma ferramenta interessante para o estudo do equilíbrio de fases. / Considered the most researched alternative to replace the diesel fuel, the biodiesel, from transesterification, is rated as the most promising fuel option from renewable sources for the place of threatened fossil fuels. The transesterification reaction for biodiesel production can occur catalytically, commonly used, and non-catalytic, through supercritical fluids. The diversity of raw materials that can be used to obtain supercritical biodiesel is only one of the attractions for its production, but a large-scale production would encounter obstacles in the high operating costs of the process. Due to the potential revealed in the supercritical processes, the study of phase behavior in a reactor is relevant for domaining the process, since researches indicates that it is possible to balance the costs of producing biodiesel in supercritical conditions with the costs of a production of biodiesel using catalysts. In thermodynamics, modeling is a quick and practical method of estimating the vapor-liquid equilibria (VLE) behavior of the system and reducing expenses with excessive experiments, using an appropriated thermodynamic model. For this, the models tested were obtained by the Peng-Robinson equation of state (EoS) with the mixture rules of van der Waals with one (vdW1) and two (vdW2) binary interaction parameters in systems formed by components present in the production of biodiesel. Using the phi-phi approach and the BOL P method, binary systems in conditions near to the critical point and under supercritical conditions, found in the literature, were modeled. The thermodynamic modeling was performed after the application of a thermodynamic consistency test, since differences were found in the critical properties of the same compound in different references. The suitability of the thermodynamic models varied according to the process conditions, which will require a specific analysis of the situation according to the case in which it is being used. In the thermodynamic simulation, the artificial neural networks were used for the computational adjustment of the experimental data, producing the best results when the molecular descriptors were used with the independent variables of the process (temperature and composition of the liquid phase) in the first layer of nodes in the different configurations analyzed among the architectures used, proving to be a tool of interest for the study of phase equilibria.