Orientador: João Alexandre Ferreira da Rocha Pereira / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Quimica / Made available in DSpace on 2018-07-28T03:41:12Z (GMT). No. of bitstreams: 1 Antunes_ArnaldoJoseBannwart_M.pdf: 4079111 bytes, checksum: 9bc842e0349c58820513797cad6355a7 (MD5) Previous issue date: 2001 / Resumo: A natureza transiente dos processos industriais e erros operacionais exigem atenção especial aos limites inferior e superior de variáveis críticas ao processo. A atividade de verificação se essas variáveis estão dentro de sua faixa normal é chamada de detecção de falhas. A ocorrência de falhas traz conseqüências indesejáveis à eficiência do processo. As falhas podem ser identificadas pela análise de seus sintomas, como trocas térmicas indesejadas, baixos níveis de purificação e reatividade. A ocorrência freqüente de falhas reduz a vida útil dos equipamentos, aumentando os custos de produção. O presente estudo desenvolve uma metodologia de detecção de falhas baseada em redes neurais, que é aplicada num reator de pirólise do etano, um processo muito importante na indústria petroquímica. A conversão do etano e a seletividade do etileno são os parâmetros usados para definir as condições de falha e normalidade. Um simulador do processo foi usado para selecionar as faixas de operação para o treinamento da rede, que é feito com o algoritmo de aprendizado supervisionado backpropagation. Também é mostrada a influência dos parâmetros de aprendizado mais importantes sobre a convergência e o desempenho de detecção de falha, ou seja, a capacidade de reconhecer os vários modos de operação do reator. Diferentes arquiteturas de redes são usadas e os valores de taxa de aprendizado e termo de momentum são variados. Para haver uma maior aproximação com um processo real, os dados processados contém vários níveis de ruído: baixo, médio, alto e muito alto. A partir de simulações, observou-se que o sistema de detecção apresentou desempenho satisfatório para redes com duas camadas ocultas, com vários nódulos. As redes com menos parâmetros livres não apresentaram uma porcentagem de classificação correta aceitável / Abstract: The transient nature of the industrial processes and operational errors demand special attention to the upper and lower critical limits of the process variables. The activity to verify whether the variables are within normal operation range is called fault detection. The fault occurrence brings undesired consequences to process efficiency. Faults may be identified through the analysis of its symptoms, such as undesired thermal exchanges, low purification level or reaction yields. Frequent fault occurrence equipments lifetime, increasing production costs. The present work intends to develop a fault detection methodology based on neural network. It is applied to ethylene production from ethane pyrolysis. This is an important reaction iri the petrochemical.processes. The ethane conversion and ethylene selectivity are the parameters used to define the normal and faul ty operational conditions. A process simulator was used to select the critical variable ranges for the neural network learning procedure. The supervised backpropagation algorithm was used. It is also intended to show the influence of the most important learning parameters over the convergence and fault detection performance, i. e., the capability to recognize the various modes of faults and the normal operation of a pyrolysis reactor. Different neural networks architectures are used and the momentum term and learning rate are varied over a convenient range. In order to get closer to the real industrial operational condition, the patterns sets of low, medium, high and very high noise level are analyzed. It was observed from numerical simulations tests that the developed fault detection presented good performance for some two hidden layers architectures with several hidden nodes. The neural networks with less free parameters did not present acceptable correct classification rate / Mestrado / Sistemas de Processos Quimicos e Informatica / Mestre em Engenharia Química

Orientador: Fernando Jose Von Zuben / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação / Made available in DSpace on 2018-08-12T00:43:17Z (GMT). No. of bitstreams: 1 Iyoda_EduardoMasato_M.pdf: 15416989 bytes, checksum: 11aa55a6d43148430b0475e3eb7e8fc0 (MD5) Previous issue date: 2000 / Resumo: Esta tese apresenta um estudo a respeito de possíveis interações entre os principais paradigmas que compõem a área de inteligência computacional: redes neurais artificiais, sistemas fuzzy e computação evolutiva. Como principais contribuições, são propostas duas novas estratégias de solução de problemas de engenharia: as redes neurais híbridas e as redes neurofuzzy heterogêneas. A rede neural híbrida corresponde a uma extensão dos modelos de aproximação por busca de projeção, onde são consideradas também composições multiplicativas das funções de ativação dos neurônios escondidos. A arquitetura neurofuzzy heterogênea, diferentemente das arquiteturas neurofuzzy tradicionais, utiliza neurônios lógicos que podem ter pares distintos de normas triangulares. Os resultados de simulações computacionais mostram que os dois novos modelos propostos são bastante promissores, no sentido de que eles são capazes de fornecer soluções de melhor qualidade do que os modelos convencionais / Abstract: This thesis presents a study on possible combinations of the main paradigms that compose the field of computational intelligence: artificial neural networks, fuzzy systems and evolutionary computation. Among other contributions, two new engineering problem-solving strategies are proposed: hybrid neural networks and heterogeneous neurofuzzy networks. Hybrid neural networks correspond to an extension of project pursuit learning models, where multiplicative compositions of the hidden neurons' activation functions are also considered. Differently from traditional neurofuzzy architectures, heterogeneous neurofuzzy networks employ logical neurons that may have distinct pairs of triangular norms. Simulation results show that these new proposed models are very promising, in the sense that they are capable of providing higher quality solutions than traditional models / Mestrado / Mestre em Engenharia Elétrica

Orientador: Mario de Jesus Mendes / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Quimica / Made available in DSpace on 2018-08-01T04:16:49Z (GMT). No. of bitstreams: 1 Schmitz_JonesErni_M.pdf: 1156817 bytes, checksum: 6b64ece5564b02b54f7d93f2c603cae4 (MD5) Previous issue date: 2002 / Resumo: O emprego de técnicas on-line de controle preditivo por modelo e de otimização de processos requer que a simulação destes processos seja muito rápida. Porém em alguns casos os modelos dos processos são muito complexos e de elevada dimensão. Nestes casos para uma simulação suficientemente rápida devem ser empregadas técnicas de aceleração. Entre estas, estão incluídas as técnicas de redução de ordem e de simplificação do modelo. Um exemplo de processo onde estes problemas são encontrados é o das colunas de destilação. Neste caso, além das técnicas de redução de ordem baseadas no emprego de colocação ortogonal discreta, podem ser usadas técnicas de simplificação de modelos baseados no fato de que 30 a 80% do tempo gasto na simulação são usados no cálculo das propriedades termodinâmicas. Neste contexto surge a possibilidade do emprego de redes neurais no cálculo das propriedades termodinâmicas. Uma vez que estas podem representar muito bem, modelos não-íineares, como é o caso das propriedades de equilíbrio líquido-vapor, e realizar os cálculos muito rapidamente. Deste modo, o modelo da coluna de destilação torna-se um modelo híbrido, formado pelas equações de balanço de massa e energia nos pratos e pela rede neural construída para predizer as propriedades termodinâmicas. O emprego deste modelo híbrido na simulação estática de uma coluna de destilação implicou na redução do tempo computacional em cerca de 55%. Demonstrando, desta forma, a viabilidade do emprego de redes neurais na predição de dados termodinâmicos para a simulação de colunas de destilação. / Abstract: Techniques like online process optimization and model predictive control require fast simulations of the process models used. However, in some cases the process models are very complex or have a high dimension. In these cases acceleration techniques that include order reduction and model simplification can be used to obtain fast enough simulations. Distillation columns are an example of process where this type of problem is usually found. In this case, besides order reduction techniques based on discrete orthogonal collocation, simplification techniques have been developed, like local thermodynamic models, based on the fact that 30-80 % of the simulation time were associated with thermodynamic calculations. In this context, the possibility arose of using neural networks to predict thermodynamic properties. It is well known that neural networks are able to represent non-linearities like those found in thermodynamic models. Neural network models can be combined with physical models, based on mass and energy balances, for example, to obtain the so called hybrid models. In this work a static hybrid model of a binary (propane/propene) distillation column has been developed, using neural networks for the calculation of equilibrium constants, of enthalpies and of their derivatives used in the simulation. When used for the simulation of the column, this model allowed for a reduction of about 55 % of the computational time, in comparison with a classical model where the thermodynamic properties were obtained using a method based on the Peng-Robinson state equation / Mestrado / Sistemas de Processos Quimicos e Informatica / Mestre em Engenharia Química

Orientador: Ana Maria Frattini Fileti / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Quimica / Made available in DSpace on 2018-08-01T10:03:18Z (GMT). No. of bitstreams: 1 Cunha_AndrePitasseda_D.pdf: 7145729 bytes, checksum: 4ff365d0c09cc09b4fdce77a32bfa4b5 (MD5) Previous issue date: 2001 / Resumo: O baixo acerto simultâneo de temperatura e de teor de carbono ao final do refino é um típico problema das siderúrgicas e é determinado, principalmente, por oscilações de qualidade das matérias primas e pelas limitações de atuação dos modelos matemáticos.O consumo de coque e a permeabilidade dos altos-fomos são parcialmente inferidos por informações das propriedades metalúrgicas das matérias primas: o RDI (Índice de Degradação sob Redução) indica a geração de finos dentro dos altos-fomos e o RI (Índice de Redutibilidade) infere a quantidade de coque necessária para a redução dos óxidos de ferro neste reator. Entretanto, estas propriedades são pouco exploradas pelas empresas pois os ensaios são caros e, particularmente o RI, leva um longo tempo de obtenção da resposta. Estas limitações atribuem oscilações de qualidade ao gusa e, portanto, influem no refino.No processo de refino, o modelo estático define a mistura de matérias primas e a razão de oxigênio necessária ao início do sopro no conversor LD e, após as medidas efetuadas pela sublança, o modelo dinâmico busca acertar a temperatura e a composição do aço objetivadas, através de correções com refrigerantes e oxigênio. Estes modelos são similares em muitas indústrias, mas têm comportamentos diferentes devido as diferenças em níveis de controle.Para resolver estas duas limitações, não existência de análises de propriedades metalúrgicas e restrições em modelos matemáticos (para agir na aciaria), modelos baseados em redes neurais artificiais foram desenvolvidos para prever RDI e RI de sínter (a partir de análises químicas e mineralógicas) e para prever teor de carbono e de temperatura do aço (a partir de informações do processo de refino). No caso da sinterização, foram estudadas, no Centro de Pesquisa da CSN, as influências das características mineralógicas nas propriedades metalúrgicas do sínter. Em seguida, construiu-se o banco de dados com amostras industriais de sínter analisadas em laboratórios.Planejamento e Otimização de Experimentos (POE) foi necessário para planejar as sinterizações piloto, para selecionar amostras industriais (para simplificar as análises químicas, mineralógicas, de RDI e de RI) e para ajustar os parâmetros dos modelos neurais. Para o processo de aciaria, foi utilizado o histórico do processo e o POE para ajustar as redes neurais.A modelagem com diferentes bancos de dados de diferentes trabalhos, possibilitaram, com a organização do POE, obter-se novos resultados no contexto de ajuste dos parâmetros e de arquitetura de rede neural artificial.O analisador virtual atingiu bons resultados de previsão de RDI (precisão de 4,5% contra o permissível de 2 a 4% da norma ISO 4696-1) e de RI (precisão de 4,5% contra 7 a 11 % de tolerância da norma ISO 7215). No caso da aciaria, os modelos neurais foram superiores aos modelos convencionais da CSN. Entretanto, o resultado significativo foi obtido pelo modelo dinâmico via redes neurais, com um acerto simultâneo de 73,3%, contra 44% do modelo dinâmico convencional. Este excelente resultado motivou testes industriais. Para tanto, combinou-se os modelos estático convencional e dinâmico via redes neurais. Após 30 corridas, o acerto simultâneo foi de 83,3% / Abstract: The low hitting rate of temperature and carbon content in blow-off is a typical problem in steel companies. There are two main reasons for that: oscillation in raw materials quality and limitation in mathematical models to hit the target.Coke consumption and permeability in the blast furnace can be partially infered from information on metallurgical properties of raw materials: the RDI (Reduction Degradation Index) indicates the quantity of fines produced inside blast furnace and RI (Reducibility Index) infers the quantity of coke necessary to reduce iron oxides in this reactor. However, these properties are not assessed in many industries because the analyses are expensive. Besides, in the case of RI analysis, the results take a long time to be conc1uded. These restrictions make difficult avoiding oscillation in hot metal quality and affect steelmaking process.In the refining process, the static model defines the raw mix materials and the oxygen flow rate necessary to start blowing in the LD converter and, after in-blow measuring by sublance, the dynamic model search to hit the aimed temperature and composition of steel in the blow-off, through corrections with coolants and final volume of oxygen . These models are similar in many industries, but they have different behavior where there are differences in levels of control. Artificial neural network were developed to predict RDI an RI of sinter (from chemical and mineralogical analyses) and to predict carbon content and temperature of steel (from Lot solve these two limitations, no analyses of metallurgical properties and restrictions in mathematical models (to act in steelmaking process), models based on information of the refining process). In the case of sintering, first of all was studied, in the Research Center of CSN, how mineralogical characteristics define the metallurgical properties in sinter. After that, it was necessary to build the database with industrial samples of sinter analyzed in laboratories.Design and Optimization Experiment (DOE) was necessary to plan pilot sintering, to select industries samples of sinter (to simplify the chemical, mineralogical, RDI and RI analyses) and to set the parameters of neural networks models. For the steelmaking process, it was used historical database and DOE techniques only to set neural models.The modeling of artificial neural networks with different database and different size, through DOE, brought new information on optimization of parameters and architecture of these models.The virtual analyzer reached good results predicting RDI (the accuracy was 4,5% versus 2 to 4% of ISO 4696-1 tolerance) and RI (the accuracy was 4,5% versus 7 to 11 % of ISO 7215 tolerance).Artificial neural networks models performed better than CSN' s conventional models in the case of the steelmaking process. But the best result was reached with the neural model acting as dynamic model, with hitting rate equal to 73,3% versus 44% for conventional dynamic model. This excellent result motivated industrial tests. Then, it was combined conventional static and artificial neural network dynamic models. After 30 heats, the hitting rate reached 83,3% / Doutorado / Sistemas de Processos Quimicos e Informatica / Doutor em Engenharia Química

Orientadores : Marconi Kolm Madrid, Ricardo Ribeiro Gudwin / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação / Made available in DSpace on 2018-08-03T09:50:21Z (GMT). No. of bitstreams: 1 Moussi_LubnenName_M.pdf: 6333215 bytes, checksum: e4af4ba8d3d1158a51e0c29d86462cd7 (MD5) Previous issue date: 2002 / Resumo: A Robótica Móvel tem como meta fundamental elaborar trajetórias para evitar colisões, localizar e alcançar alvos, auto-suficiência do robô em termos de suprimento de energia, transporte de objetos, etc. Uma solução que dê autonomia ao robô no aprendizado de seu comportamento se contrasta com outras abordagens mais clássicas que exigem um modelo prévio do ambiente em que o robô está inserido. Caso seja necessário colocar o robô em outro ambiente, ou caso o ambiente tenha componentes variantes no tempo, estes modelos apresentam grande ineficiência, exigindo do projetista todo um recálculo de trajetórias, ou até mesmo inviabilizando seu uso. A utilização de procedimentos de aprendizagem libera o projetista de ter que inserir no seu projeto conhecimentos detalhados do ambiente e dão ao robô a possibilidade de se comportar adequadamente em ambientes diferentes. Este trabalho se dirige à solução do problema do aprendizado do robô em tempo real de como se locomover evitando colisões. Evitar colisões é essencial para a movimentação do robô móvel e faz parte de sua estratégia mais ampla, qualquer que seja o seu objetivo. Quanto à abordagem para se resolver esse problema, é investigada, em ambiente virtual, a utilização de Redes Neurais em Sistemas Classificadores, solução não encontrada na literatura. A utilização de redes neurais pretende aumentar o poder de descrição dos sistemas classificadores, substituindo suas regras binárias, limitadas em termos de seu poder de processamento, por uma ferramenta mais poderosa. É feita também a simulação de Sistemas Classificadores em sua forma convencional, proporcionando um termo de comparação para os Sistemas Classificadores com Redes Neurais. Um resultado interessante obtido é a suavização de trajetórias proporcionadas pelas redes neurais. Várias sugestões são apresentadas para pesquisas futuras. Foi necessária a elaboração de um Simulador, que é também parte integrante deste trabalho, para se conseguir os resultados pretendidos, o qual utiliza ambiente virtual em 2 dimensões e considera algumas das caracteristicas de um robô real, o mini robô Khepera / Abstract: Mobile robotics has as its fundamental goal to elaborate trajectories avoiding collisions, locating and reaching targets, power supply self sufficiency, objects transportation, etc. A solution providing autonomy to the robot for learning its behavior is contrasting with more classical approaches that require a previous model of the environment in which the robot is inserted. In the case in which is needed to put the robot in another environment, or in which the environment has its configuration varying with time, these models present a great deficiency, demanding that the designer recalculates the trajectory, or even making its use unviable. The use of learning procedures releases the designer of inserting detailed knowledge of the environment and gives to the robot the possibility of behaving well in different environments. This work is directed to the solution of the robot's real time learning problem concemed with how to move avoiding collisions. To avoid collisions is essential for the movement of a mobile robot and is part of its wider strategy, whatever could it be its objective. Related to the approach to solve this learning problem, this work investigates, in a virtual environment, the use of Neural Networks within classifier systems, a solution not found in the literature. The use of neural networks has the intention of giving more descriptive power to the classifier systems, substituting its binary rules, limited in terrns of its processing power, by a more powerful tooL !t's also made a simulation of the Classifier Systems in its conventional form, which provides a comparison reference for the Neural Networks Classifier Systems. An interesting result obtained is trajectory smoothing provided by the neural networks. A number of suggestions are presented for future research. To achieve the intended results it was required to elaborate a Simulator, which is also part of this work, utilizes a 2 dimensional environment and takes into account some of the characteristics of a real robot, the mini robót Khepera / Mestrado / Mestre em Engenharia Elétrica

Orientador: Rubens Maciel Filho / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Quimica / Made available in DSpace on 2018-08-03T12:25:12Z (GMT). No. of bitstreams: 1 Ender_Laercio_D.pdf: 6297058 bytes, checksum: 79b5899b5460e5a3374c2f6976f27582 (MD5) Previous issue date: 2002 / Resumo: As Redes Neurais Artificiais (RNA) são ferramentas computacionais, com um grande número de aplicações em técnicas de modelagem e controle de processos. Tal fato deve-se à sua capacidade em aprender com suficiente exatidão o comportamento do sistema, gerando modelos genéricos com potencial para projeto de controle não linear, quando equações do modelo são desconhecidas ou somente informações parciais de estados do processo estão disponíveis. Os modelos obtidos através de redes neurais permitem levar em consideração as não linearidades do processo, bem como as interações entre as suas variáveis. O trabalho desenvolvido explora o uso de redes neurais em estratégias de controle multivariável, enfatizando situações em que estas são utilizadas como modelos dinâmicos na geração de predições, bem como na definição de estratégias de controle totalmente baseadas em redes neurais com aprendizagem on-line. A aprendizagem on-line das redes utilizadas permite a sua adaptação continuamente ao longo do tempo, treinando-as em situações não abordadas na etapa de aprendizagem off-line. A aprendizagem oif-line das redes neurais é realizada a partir de um conjunto consistente de dados históricos de perturbações e respostas do processo, a qual deverá garantir, no mínimo, um desempenho satisfatória da rede neural, para a partida do sistema de controle. Explora-se também, a utilização de modelos estáticos do processo, baseados em redes neurais, acoplados à rotina de otimização on-line, objetivando identificar as melhores condições operacionais deste processo para atender especificações de referências preestabelecidas. Dentro deste contexto, foram desenvolvidas estratégias de controle multivariável explorando as potencial idades das redes neurais, seja como modelo de processos e/ou como controladores, enfatizando a aprendizagem on-line. Para o desenvolvimento deste trabalho foram implementados diversos programas computacionais, em linguagem de pragramação Fortran 90, relativos aos algoritmos de controle propostos/avaliados Os resultados alcançados mostram a eficiência das técnicas abordadas, comprovando o potencial do uso das redes neurais em estratégias de controle / The artificial neural networks are computational tools with a great number of applications in modeling techniques and process control. Such fact is due its capacity to learn sufficiently accurate models and give good nonlinear control when model equations are not known or only partial state information is available. Neural network approach allows taking into account in an elegant and adequate way process non-linearities as well as variable interactions. The developed work explores the use of the neural networks in multivariable control strategies as dynamic models for predictions as well as in the definition of the control strategy based on neural networks with on-line learning. The off-line learning of the neural networks is accomplished with a consistent group of historical data of perturbations and responses of the process, which should guarantee at least a satisfactory performance of the neural network for starting of the control system. It is also explored the use of static models of the process, based on neural networks, coupled with a on-line optimization routine, objectifying to identify the best operational conditions to attend specifications of the process. In this context, multivariable control strategies were developed exploring the potentialities of the neural networks as process model and/or as controllers, emphasizing the on-line learning. Several computational programs were implemented for the developrnent of this work in Fortran 90 language program relative to the control algorithms proposed and evaluated. The obtained results show the efficiency of the approached techniques, checking the potential of the use of the neural networks in control strategies / Doutorado / Doutor em Engenharia Química

Orientador: Robson Pederiva / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecanica / Made available in DSpace on 2018-08-03T17:01:21Z (GMT). No. of bitstreams: 1 Eduardo_AlexandreCarlos_D.pdf: 3998193 bytes, checksum: ac5c6fa4eb2f4075028def468a401df3 (MD5) Previous issue date: 2003 / Doutorado

Orientador: Ana Maria Frattini Fileti / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Quimica / Made available in DSpace on 2018-08-03T21:03:46Z (GMT). No. of bitstreams: 1 MendozaSalas_EdwinFernando_M.pdf: 3639519 bytes, checksum: ebbe470c44cf059d989245ed6539fb24 (MD5) Previous issue date: 2003 / Resumo: Este trabalho descreve uma metodologia para identificação e desenvolvimento de modelos dinâmicos não lineares, voltados para processos petroquímicos. No estudo empregaram-se técnicas de tratamento de dados, de controle, de otimização e de redes neurais. Adicionalmente, foi desenvolvida uma ferramenta de software (em ambiente MATLAB) para automatizar os procedimentos. Por outro lado, a fim de testar a metodologia, foi efetuada a identificação de modelos de uma Coluna Fracionadora de Eteno com tempos de resposta e não linearidade acentuadas.A metodologia apresentada permitiu, de forma bastante eficiente, estudos e elaboração de modelos dinâmicos não lineares usando dados reais da unidade. Os modelos encontrados podem ser usados em diversas aplicações como: controles preditivos; analisadores virtuais e estudo de estratégias de controle / Abstract: This paper describes the methodology used in the identification and development of petrochemical non-linear dynamic models. In the present study were used techniques of: data handling; process control; optimization and neural networks. A software tool was developed in order to automate of the procedures. On the other hand, the methodology was tested using an Ethylene Fractionator model identification with heavy non-linearity and pronounced response times. The presented methodology allowed successfully studies and the elaboration of non-linear dynamic models using an extensive data base of the industrial process. The models can be applied in diverse fields as: multivariable predictive control; virtual analyzers and control strategies studies / Mestrado / Mestre em Engenharia Química

Orientadores : Christiano Lyra Filho, Aurelio Ribeiro Leite de Oliveira / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação / Made available in DSpace on 2018-08-03T21:32:01Z (GMT). No. of bitstreams: 1 VelazcoFontova_MartaInes_D.pdf: 1757612 bytes, checksum: cd59d19cc947f41a34ac8509d8d3f3ed (MD5) Previous issue date: 2003 / Doutorado

Orientador: Roney J. Poppi / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Quimica / Made available in DSpace on 2018-08-03T21:55:15Z (GMT). No. of bitstreams: 1 Balbinot_Leoberto_M.pdf: 4559423 bytes, checksum: ae1594b628c06ed33d229de50ee4b67b (MD5) Previous issue date: 2003 / Resumo: Redes neurais artificiais são algoritmos que tentam imitar o comportamento do cérebro humano. Mapas auto-organizáveis (SOM) de Kohonen consistem de um tipo de rede neural artificial não-supervisionada constituída por uma única camada de neurônios. Seu objetivo é projetar dados de alta dimensão num espaço de dimensão reduzida, sendo útil na classificação e visualização de dados de alta dimensão. Neste trabalho foram realizadas três aplicações de SOM: algas, polímeros e solos. Na primeira aplicação, um conjunto de 11 amostras de algas abrangendo 11 espécies e 2 grupos taxonômicos foi estudado. Os sinais analíticos usados são as concentrações de metais das algas, obtidos por ICP OES. Utilizaram-se dois métodos de abertura das algas: digestão sob microondas e por ultra-som. A classificação distinguiu as algas em função de seus grupos taxonômicos, assim como demonstrou que os dois métodos de abertura são diferentes. Na segunda aplicação foi estudada a degradação de poliolefinas pigmentadas (empregadas na confecção de pára-choques automotivos) através de dados obtidos por FTIR. Analisou-se o efeito de um dos constituintes da formulação quanto à sua natureza fotoquímica: negro de fumo comum (NFcm) e condutor (NFcd). O estudo indicou a formulação mais fotoestável e sugeriu uma sinergia entre o NFcd e o pigmento TiO2, presentes na formulação mais estável. Na terceira aplicação parâmetros físicos, químicos e biológicos de solos foram utilizados para avaliar as suas qualidades e o efeito sobre eles dos manejos orgânico e convencional. No manejo convencional emprega-se defensivos e fertilizantes sintéticos, enquanto que na agricultura orgânica utilizam-se materiais naturais. O uso de SOM permitiu a distinção dos solos em função do emprego ou não do manejo e do seu tipo. O estudo mostrou maior conservação dos solos cujo manejo é orgânico, assim como correlações entre parâmetros, e entre parâmetros e tipos de manejos / Abstract: Artificial neural networks (ANN) attempt to imitate the human brain behaviour. Kohonen self-organizing maps (SOM) consist of a kind of unsupeNised ANN formed by a single layer of neurons. It projects high-dimensional data into a low-dimensional space; it is used for classification and visualization of high-dimensional data sets. This work reports three SOM applications: algaes, injection molded copolymers and soils. In the first application, an 11 samples algae set belonging to 11 species and two taxonomíc groups were analyzed. The data used correspond to the algaes metal concentratíons, obtained by means of ICP OES. Two different methods to extract metais were tested: microwave digestion and ultra-sound. Classification has distinguished algaes by considering their taxonomic groups and demonstrated that the two sample preparation methods are, in fact, different. The second application is a study of the photostabilization of injection molded co-polymers containing Ti02, whose formulation is used on car bumpers, with data generated by FTIR. One ana/ysed the effect of a constituent with relation to its photochemistry nature: conducting (CCB) and non conducting (CB) carbon black. It was found the more photostable formulation, as well as the results has pointed to a synergism effect between CCB and Ti02 present in the more stable formulation. In the third application chemica/, physical and biological soil parameters were used to evaluate its quality and the organic and conventional practices of management. Conventional practices use synthetic defensives and fertilizers, while organic agriculture employs only natural materiais. SOM has allowed the distinction between presence or absence of soil management, and their types. The results showed better conservation of soils with organic management, as well as correlations among parameters and among parameters and managements were identified. / Mestrado / Mestre em Química