Search

Orientador: Akebo Yamakami Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: O custo de escoamento das safras agrícolas é um dos principais entraves à competitividade do Brasil no cenário internacional. O sistema rodoviário é o principal modal utilizado para o transporte de cargas agrícolas; e muitas vezes, a única opção para movimentação desse tipo de produto. Esta dependência pode levar a crises de desabastecimento em momentos de paralisações e greves. O impacto financeiro com o transporte sentido pelos agentes econômicos que atuam nas cadeias agrícolas poderia ser reduzido com a implementação de um sistema de gestão de fretes. Uma alternativa promissora para lidar com esse desafio é o uso de técnicas de mineração de dados, que são capazes de extrair padrões e tendências em grandes volumes de dados, razão pela qual têm sido cada vez mais utilizadas para dar suporte à decisão de gestores de diversas áreas, em detrimento à intuição, e aos métodos baseados em experiência. Isto posto, o principal objetivo deste trabalho é prever o preço de frete de commodities agrícolas através de modelos gerados a partir de Redes Neurais Multicamadas (MLP, Multi Layer Perceptron:) e Máquina de Vetores de Regressão (SVR, Support Vector Regression). A destacada participação do modal rodoviário ao longo do processo logístico de distribuição dos grãos faz com que a determinação dos custos de transporte relacionados a esta etapa seja uma importante ferramenta de gestão e tomada de decisão para os gestores do agronegócio. Os resultados indicaram que ambas as técnicas foram eficientes para estimar os preços fretes rodoviários de grãos agrícolas em termos de R-quadrado e raiz quadrada do erro quadrático médio (RMSE, Root Mean Squared Error). Na comparação das técnicas, a técnica SVR teve um desempenho superior, tendo alcançado uma R-quadrado de 0,8921 e RMSE de 8,0464 para o intervalo das rotas até 600km e 0,8924 e 21,1167 para as rotas mais longas que 600km, fazendo uso de modelos especializados em cada conjunto. Com o MLP as métricas foram inferiores, com R-quadrado 0,8785 e 8,5404 para rotas curtas e 0,8506 e 24,8818 para rotas longas também fazendo uso de modelos especializados. Em termos do uso do modelo geral ou com o particionamento do conjunto de dados em função da distância percorrida na rota de transporte, a utilização de dois modelos individuais especializados na partição do conjunto das rotas em duas faixas de até 600km ou superior, teve um melhor desempenho quando comparado a adoção de um modelo geral para todas as duas faixas de distâncias. Isso confirma a hipótese de que os preços dos fretes rodoviários apresentam comportamento distintos para diferentes faixas de distâncias Abstract: The grain freight cost is one of the biggest obstacles for the Brazil’s competitiveness in international scenario. The road freight still is majority adopted on agricultural products transporting, and not unusual, that is the only choice to carry them. The cost weight, felt by the agribusiness operators, which work with supply chains might be decreased after the adoption of a freight management system. A promising alternative to deal with this challenge is the use of data mining techniques, which are able to extract patterns and trends in large amounts of data, which is why they have been increasingly used to support management decision in different areas, in place of intuition and resolutions based on experience. Thus, the project major goal is to develop and implement an intelligent system for forecasting road freight prices for agricultural grains. Thus, the aim of this research is predicting the freight price of agricultural commodities using models generated from Multi Layer Perceptron (MLP) and Support Vector Regression (SVR). The massive use of freight road in the logistic and grain distribution, reinforces the importance of predicting freight prices, therefore a system that could provide that kind of information to agribusiness managers and decision makers, would be critical on their daily activities. he results indicated that both techniques were efficient in estimating agricultural grain road freight prices in terms of R-squared and root mean square error (RMSE). Comparing the techniques, the SVR technique outperformed achieving an R-squared of 0.8921 and RMSE of 8.0464 for the range of routes up to 600km and 0.8924 and 21.1167 for routes longer than 600km, adopting specialized models for each data partition. In the other hand MLP resulted an R-squared 0.8785 and 8.5404 RMSE for short routes and 0.8506 and 24.8818 for long routes also making use of specialized models. In terms of using the general model or with partitioning the dataset as a function of distance traveled on the transportation route, using two individual models specialized in partitioning the set of routes into two ranges of up to 600km or greater, performed better when compared to adopting a general model for all two ranges of distances. This confirms the hypothesis that road freight prices show different behavior for different distance ranges Mestrado Automação Mestre em Engenharia Elétrica FAPESP 2018/19571-1

Orientador: Hélio Pedrini Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Computação Resumo: Nesta tese, abordamos o problema de estimação de um mapa de profundidade denso a partir de uma única imagem de entrada. Focamos em abordagens autossupervisionadas que usam a reconstrução de vistas como uma tarefa auxiliar e usam vídeos monoculares para treinamento. Como a reconstrução das vistas depende de encontrar correspondências de pixels precisas entre as vistas em uma cena, um desafio importante é evitar que estimações de correspondências incorretas reduzam a eficácia da reconstrução de vistas baseada em perda para convergir em uma solução que tenha um desempenho adequado na estimação de profundidade. Estimações incorretas de correspondência de pixels podem ocorrer devido a vários motivos. Por exemplo, alguns pixels não têm correspondências de pixel verdadeiras, como pixels localizados em regiões com oclusão/desoclusão devido ao movimento da câmera ou do objeto. Outros pixels parecem ter várias correspondências, como pixels localizados em regiões homogêneas ou de pouca textura. Além disso, alguns pixels têm correspondência verdadeira em visualizações adjacentes com representações de características inconsistentes devido à reflexão e à refração que dificultam a correspondência. Para contornar esse desafio, desenvolvemos vários mecanismos para reduzir a influência de pixels com estimações de correspondência incorretas. Primeiramente, propusemos uma heurística baseada na consistência de profundidade para diminuir a influência dos pixels na função de perda. Além disso, desenvolvemos um mecanismo de atenuação de perda adaptativa para reduzir a influência de pixels com estimações de correspondências incorretas com base na incerteza aleatória. Por fim, formulamos uma função de perda de consistência adaptativa que penaliza a diferença de várias representações de características considerando apenas as correspondências com erro mínimo de reprojeção. Nossos resultados demonstram que as melhorias propostas para a função de perda podem aumentar a precisão do nosso modelo autossupervisionado de estimação de profundidade de imagem única. Outro desafio está relacionado à observação de que otimizar um modelo com reconstrução de vistas como tarefa auxiliar não implica que o modelo seja otimizado para a estimação de profundidade. Em resposta a esse desafio, desenvolvemos mecanismos para alavancar as representações de características aprendidas pelo modelo. Inicialmente, propusemos um mecanismo de compartilhamento de características que permite que o modelo de movimento da câmera aproveite as características profundas aprendidas pelo modelo por meio de conexões laterais. Além disso, a função de perda de consistência adaptativa leva em conta o mapa de coordenadas 3D, as características profundas e as representações de cores com reprojeção mínima. Por fim, desenvolvemos um método para realizar a autodestilação para fornecer um sinal de aprendizado adicional para treinamento. Esse método é o resultado da adaptação e avaliação de estratégias de aplicação de consistência para realizar a autodestilação por meio da consistência de predição. Nossos resultados mostram que as melhorias na forma como aproveitamos as representações de características e a autodestilação podem aumentar o desempenho da estimação autossupervisionada de profundidade de uma única imagem Abstract: In this thesis, we address the problem of estimating a dense depth map from a single input image. We focus on self-supervised approaches that use view reconstruction as an auxiliary task and use monocular videos for training. Since view reconstruction depends on finding accurate pixel correspondences among views of a scene, an important challenge is to prevent incorrect correspondence estimates from reducing the effectiveness of the view reconstruction-based loss to converge on a solution that performs well in depth estimation. Incorrect pixel correspondence estimates can occur due to a variety of reasons. For example, some pixels have no true pixel correspondences, such as pixels located in regions with occlusion/disocclusion due to camera or object motion. Other pixels appear to have multiple correspondences, such as the pixels located in homogeneous or low-textured regions. Moreover, some pixels have true corresponding ones in adjacent views with inconsistent feature representations due to reflection and refraction that make matching difficult. To address this challenge, we develop several mechanisms to diminish the influence of pixels with incorrect correspondence estimates. First, we propose a heuristic based on depth consistency to reduce the influence of pixels on the loss function. In addition, we formulate an adaptive loss attenuation mechanism to decrease the influence of pixels with incorrect correspondence estimates based on aleatoric uncertainty. Finally, we develop an adaptive consistency loss function that penalizes the difference of several feature representations considering only the correspondences with the minimum re-projection error. Our results demonstrate that the proposed improvements to the loss function can increase the accuracy of our self-supervised single image depth estimation model. Another challenge is related to the observation that optimizing a model with view reconstruction as auxiliary task does not imply that the model is optimized for depth estimation. In response to this challenge, we proposed mechanisms to leverage the feature representations learned by the model. First, we propose a feature sharing mechanism that allows the camera motion model to take advantage of the deep features learned by the depth model via lateral connections. In addition, the adaptive consistency loss leverages 3D coordinate map, deep features, and color representations on minimum re-projection. Finally, we develop a method to perform self-distillation to provide an additional learning signal for training. This method is the result of adapting and evaluating consistency enforcement strategies to perform self-distillation through prediction consistency. Our results show that improvements in how we leverage feature representations and self-distillation can increase performance in self-supervised single image depth estimation Doutorado Ciência da Computação Doutor em Ciência da Computação CAPES 0 CNPQ 141415/2019-3

Orientador: Rickson Coelho Mesquita Tese (doutorado) – Universidade Estadual de Campinas, Instituto de Física Gleb Wataghin Resumo: Esta tese descreve uma metodologia robusta que viabiliza a investigação da plasticidade do cérebro humano com espectroscopia funcional no infravermelho próximo (fNIRS). fNIRS é uma técnica de neuroimagem óptica promissora que emprega luz no infravermelho próximo para inferir a atividade cerebral funcional de forma contínua e não invasiva. Devido às suas principais características, como portabilidade e versatilidade, a fNIRS possui grande potencial para estudar diversas populações em diferentes condições. Embora promissora, a fNIRS possui baixa relação sinal-ruído, levando a uma baixa reprodutibilidade no nível individual. Essa baixa reprodutibilidade limita a investigação da plasticidade cerebral a estudos de grupo. Nesse contexto, utilizamos a fNIRS em um estudo de grupo no qual mostramos aspectos fundamentais do desenvolvimento natural do cérebro humano durante o primeiro ano de vida. Nossos resultados evidenciaram uma especialização cerebral de nascidos a termo e prematuros e um atraso de maturação no cérebro do grupo prematuro que estava presente mesmo após um ano de vida. Em seguida, trabalhamos no desenvolvimento de metodologias robustas de análise e aquisição de dados focadas em remover os efeitos das principais causas da variabilidade da fNIRS: artefatos de movimento, ausência de informação anatômica e contaminações fisiológicas. De forma geral, mostramos que a fNIRS pode prover resultados com alta reprodutibilidade à nível de grupo e individual desde que o sinal seja adquirido, processado e analisado corretamente. Finalizamos esse trabalho com um resumo detalhado da metodologia que acreditamos ser a mais adequada para a obtenção de resultados robustos e reprodutíveis. Essa metodologia é, sem dúvida, a principal colaboração científica desta tese de doutorado. Contudo, este trabalho abre novos caminhos para o estudo da plasticidade cerebral de forma continua e não invasiva através da viabilização de estudos longitudinais à nível de grupo e individual com a técnica de fNIRS Abstract: This thesis describes a robust methodology to investigate human brain plasticity with functional near-infrared spectroscopy (fNIRS). fNIRS is a promising optical neuroimaging technique that employs near-infrared light to probe functional brain activity continuously and noninvasively. Owing to its main features, such as portability and versatility, fNIRS holds great potential to assess a variety of populations under different conditions. Although promising, fNIRS suffers from low signal-tonoise ratio, which ultimately leads to lack of reproducibility at the individual level. The low intra-subject reproducibility limits the investigation of cerebral plasticity to group studies. In this context, we started our work by demonstrating the ability of fNIRS to probe cerebral plasticity at the group level. We showed fundamental aspects of natural early human brain development within the first year of life. Our fNIRS results evidenced brain specialization from full-term and preterm born infants and a delayed maturation in the brain of preterm group that was present even after one year of life. After showing the feasibility of fNIRS to elucidate brain plasticity mechanisms over group studies, we moved forward by developing robust methods to address the main confounding factors of fNIRS: motion artifacts, lack of anatomical spatial information, and systemic physiological contamination. Overall, we show that the fNIRS technique can provide highly reproducible results at the individual level for data acquired with block-designed experiments and during resting state as long as the data is analyzed correctly. We finalize this thesis by outlining our proposed data analysis pipeline for both resting-state and task-based experimental protocols, which we believe should be adopted and is the main contribution of this work. In conclusion, this thesis opens new directions to elucidate the main mechanisms of human brain plasticity continuously and noninvasively over longitudinal studies at the group and individual levels Doutorado Física Aplicada Doutor em Ciências CAPES 001 FAPESP 2019/21962-1; 2016/22990-0; 2013/07559-3

Orientador: Mateus Giesbrecht Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: Neste trabalho, é proposta a utilização de um método de subespaços combinado determinístico-estocástico, em conjunto com algoritmos classificadores, para a detecção da ocorrência ou não de falha em rotores de motores de indução do tipo gaiola de esquilo. A partir de dados experimentais produzidos nesta pesquisa, os métodos de subespaços são utilizados para a obtenção de parâmetros de Markov que, então, como características, são apresentados a diferentes algoritmos classificadores para detecção da falha. A análise detalhada da aplicação do método para motores ensaiados em laboratório será apresentada nesta dissertação, explorando diversas condições de operação. O classificador que apresentou o melhor desempenho para a nova proposta de característica foi o algoritmo dos k-vizinhos mais próximos, mas também serão apresentados os resultados da utilização dos algoritmos redes neurais e árvores de decisão na etapa de aprendizado de máquina. Além dos parâmetros de Markov, foram usadas outras características extraídas dos sinais de corrente elétrica, para fins de comparação com o método apresentado. Com os resultados obtidos, verificou-se que os parâmetros de Markov são características relevantes, bem como podem ser utilizados para a detecção de barras interrompidas no rotor Abstract: In this work, a technique based on a combined deterministic-stochastic subspace method and a classification algorithm is proposed to detect the occurrence of broken bar faults in squirrel cage induction motor rotors. From experimental data produced in this research, subspace methods are used to obtain Markov parameters which, then, are applied as features to different classifiers for fault detection. A detailed analysis about the application of the method for laboratory-tested motors will be presented in this dissertation, exploring different operating conditions. The classifier that achieved the best performance for the new feature proposal was the k-Nearest Neighbors algorithm, but results on the application of neural networks and decision trees algorithms in the machine learning stage will also be presented. In addition to the Markov parameters, other characteristics extracted from the electric current signals were used for purposes of comparison with the presented method. With the results obtained, it was verified that the Markov parameters are relevant characteristics, as well as they can be used for the detection of interrupted bars in the rotor Mestrado Engenharia Elétrica Mestra em Engenharia Elétrica CNPQ 444916/2020-2

Orientador: Romis Ribeiro de Faissol Attux Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: A teoria de aprendizagem profunda por restrição de informação, IBDL (do inglês, Information Bottleneck theory of Deep Learning), afirma que uma rede neural artificial profunda (DNN), através dos conceitos da teoria da informação, pode ser interpretada como uma cadeia de Markov, e, através da desigualdade de processamento de informação (DPI) pode-se analisar a representação latente formada na rede ao longo do processo de treinamento, através da informação mútua destas camadas utilizando o plano de informação (IP). Esta tese tem como objetivo investigar a aplicação desta teoria em problemas de regressão, uma vez que a literatura presente até o momento se faz escassa em aplicações desta natureza. Para tal, estabelecemos uma tarefa de regressão formalizada através do problema de separação de fontes supervisionada, onde buscamos a reconstrução dos sinais de fonte. Para desenvolver a análise do problema é necessária a estimação das medidas de informação como entropia e informação mútua, este processo é realizado utilizando o estimador discreto, que se baseia na estimação através de distribuições de probabilidade obtidas por meio de histogramas (discretização – binning), um método simples, extremamente eficiente computacionalmente e que vem sendo utilizado com certa frequência pelos trabalhos da área. Através dos resultados observados nos planos de informação e das projeções latentes da rede, estabelecemos algumas relações sobre o fenômeno de compressão e expansão da informação mútua que descreve tais representações segundo a teoria IBDL. Além disto, analisamos o impacto das não-linearidades utilizadas em redes profundas na dinâmica de treinamento da rede e na formação destas representações. Os resultados indicam que as redes neurais quando aplicadas em problemas de regressão, seguem as relações estabelecidas pela DPI segundo a formulação do IBDL, bem como apresentaram convergem para os limites teóricos também estabelecidos na formulação do problema. Associamos esta convergência à forma como a rede neural opera em termos de capacidade de processamento, utilizando uma parcela ou a totalidade da capacidade disponível de sua estrutura: esse comportamento influencia na formação da representação latente criada durante o processo de treinamento em conjunto com as não linearidades utilizadas. Por fim, constatamos a viabilidade do estudo das redes neurais aplicadas a problemas de regressão utilizando os conceitos estabelecidos na literatura sobre a teoria IBDL, largamente aplicada a problemas de classificação até o presente momento. Dessa forma, este trabalho contribui para o enriquecimento da discussão a respeito da intepretação de redes neurais através da teoria da informação Abstract: The Information Bottleneck theory of Deep Learning (IBDL) states that a deep neural network (DNN), through the concepts of information theory, generates a successive Markov chain and through de data processing inequality (DPI) the training process of a neural networks and the latent representation formed can be analyzed through the information plane (IP). This thesis aims to investigate the application of the IBDL on regression problems. For this task we formalized the regression problem as a supervised source separation where the objective is to reconstruct one of the sources signals. To develop the analyses, it is necessary to quantify information measures as entropy and mutual information, for that we use the binning method for discretization of the continuous random variables, a simple and efficient method widely applied in the resent literature about this subject. Through the observed results in the information plane and the inner neurons projection we stablish some relationships about the phenomenon of compression and expansion of the mutual information that describes the latent representation of the deep networks, and the impact of nonlinearities commonly used in deep learning on the dynamics of network training. The results indicate that the neural networks follow the relationships stablished by the DPI as well converge to the theoretical limits. We associate this convergence to the way the neural network operates in terms of processing capacity, using a portion or all the available capacity, this behavior associated with the nonlinearities influences the formation of the latent representation created during the training process. Finally, we verify the feasibility of the extension and application of the IBDL method, widely applied in classification problems to regression problems Mestrado Engenharia de Computação Mestre em Engenharia Elétrica CNPQ 158180/2019-4

Orientadores: João Marcos Travassos Romano, Rosângela Ballin Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: O estudo de previsão de séries temporais tem tido grande interesse na área econômica e financeira. Vários problemas da análise econômica são baseados na tarefa de previsão de séries temporais, ou seja, identificar as características do processo no ponto futuro. Nos últimos anos, modelos de aprendizado de máquinas desempenharam um papel importante na abordagem e solução de problemas complexos, entre outros, a previsão de séries temporais. Modelos de redes neurais recorrente (com realimentação) e não-recorrente (feedforward ou sem realimentação), têm-se mostrado uma alternativa valiosa em relação aos modelos lineares tradicionais. Algumas séries temporais exibem características ou fatos estilizados complexos, como tendência, não-linearidade, longa memória, em que modelos de redes neurais são capazes de incorporar na modelagem. A presente dissertação de mestrado centra-se na possibilidade de prever as taxas de câmbio. É realizada uma investigação empírica sobre até que ponto os modelos de redes neurais podem melhorar a previsibilidade das taxas de câmbio em comparação com os modelos lineares tradicionais. Duas famílias de modelos são empregadas: modelos lineares (ARIMA e ARFIMA) e modelos não-lineares (MLP, LSTM e GRU). Mostramos suas fundamentações teóricas, as arquiteturas montadas como os algoritmos de treinamento e implementação computacional. Os resultados das previsões são comparados com base em métricas da magnitude do erro (MAE, MSE, RMSE) e da acurácia que nada mais é a probabilidade de detectar a direção correta do valor previsto. Utilizamos as séries das taxas de câmbio diárias de Real/Dólar e Euro/Dólar de dezembro de 2003 a maio de 2021. As previsões são realizadas para um horizonte temporal de 1 e 7 passos à frente. Os resultados indicaram que os modelos lineares têm mostrados o desempenho relativamente inferior aos modelos não-lineares tanto para previsão 1 passo à frente como para previsão 7 passos à frente. Além disso, quando comparamos os modelos de redes neurais, a estrutura do modelo GRU fornece o melhor desempenho de previsão tanto para medida da magnitude como para acurácia Abstract: The study of time series forecasting has been a great interest in the economic and financial area. Several problems of economic analysis are based on the task of time series, forecasting that is, to identify the characteristics of the process in the future point. In recent years, machine learning models have played an important role in approaching and solving complex problems, among others, time series forecasting. Recurrent and non-recurrent neural network models have proved to be a valuable alternative to traditional linear models. Some time series exhibit complex stylized features or facts, such as trend, nonlinearity, long memory, which recurrent neural networks are able to incorporate into modeling. This master’s thesis focuses on the possibility of predicting exchange rates. An empirical investigation is carried out on the extent to which neural network models can improve the predictability of exchange rates compared to traditional linear models. Two families of models are used: linear models (ARIMA and ARFIMA) and non-linear models (MLP, LSTM and GRU). We show its theoretical foundations, the architectures assembled as the training algorithms and computational implementation. The results of the predictions are compared based on metrics of the magnitude of the error (MAE, MSE, RMSE) and the accuracy, which is nothing more than the probability of detecting the correct direction of the predicted value. We use the Real/Dollar and Euro/Dollar daily exchange rate series, from December 2003 to May 2021. Forecasts are performed for a time horizon of 1 and 7 steps ahead. The results indicated that linear models have shown relatively inferior performance to nonlinear models for both 1-step-ahead and 7-step-ahead forecasts. In addition, among the neural networks structures, the stucture of the GRU model provides the best prediction performance for both magnitude and accuracy measurements Mestrado Telecomunicações e Telemática Mestre em Engenharia Elétrica CAPES 88887.554908/2020-00

Orientador: João Batista Florindo Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matemática, Estatística e Computação Científica Resumo: Esse trabalho utiliza técnicas de Neural Architecture Search (NAS) com o objetivo de otimizar hiperparâmetros em diferentes arquiteturas que, em suas conexões, possuem operações morfológicas diferenciáveis e atuam em problemas de classificação diversos. Em particular, uma base de texturas é usada para validação do método. Por serem operações diferenciáveis, essas arquiteturas podem ser treinadas por \textit{backpropagation}. Os resultados obtidos mostram que o uso combinado de operações morfológicas e clássicas aumentam a capacidade de generalização da rede, dependendo do problema. Além disso, o uso de técnicas de NAS possibilita a construção de uma arquitetura com desempenho superior se comparado ao de uma construída manualmente Abstract: This work proposes the use of Neural Architecture Search (NAS) techniques with the objective of optimizing hyperparameters in different architectures possessing, in their connections, differentiable morphological operations. The methodology is applied to different classification problems. In particular, the classification of a texture database is performed. Because these are operations are differentiable, these architectures can be trained by \textit{backpropagation}. In our analysis, the results show that the combined use of morphological and classical operations increase the generalizability of the network. In addition, the use of NAS techniques makes it possible to build an architecture with superior performance compared to one empirically constructed Mestrado Matemática Aplicada Mestre em Matemática Aplicada CAPES 001

Orientadores: Auteliano Antunes dos Santos Júnior, Guilherme Fabiano Mendonça dos Santos Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica Resumo: Rodeiros instrumentados são utilizados para medir as forças laterais (L) e verticais (V) decorrentes do contato entre a roda e o trilho ferroviários. Através dessas medidas, é possível quantificar a segurança da via utilizando o critério de Nadal, que define valores limites para a razão dessas forças (L/V). Existem limitações na aplicação de rodeiros instrumentados, tais como sua complexidade, preço e confiabilidade. Além disso, rodeiros instrumentados carecem de sensoriamento com extensômetros, que trabalham em condições ambientais agressivas, requerendo manutenção constante. Assim, é de grande relevância para a segurança do setor ferroviário explorar outras opções para medição de tais esforços, buscando alternativas viáveis que permitam enfrentar as limitações descritas. Este trabalho teve como objetivo desenvolver uma solução para a medição indireta da relação entre as forças laterais e verticais na interface roda-trilho, permitindo o cálculo da propensão ao descarrilamento sem o uso do rodeiro instrumentado. Para isso, foram desenvolvidos modelos multicorpos representativos da operação de vagões de minério, que permitiram avaliar o seu comportamento dinâmico, e foram empregadas técnicas de inteligência artificial para identificação dos sensores e das posições mais adequadas para estes, de forma a que levasse à correta determinação da relação L/V. A análise dinâmica foi feita empregando modelos desenvolvidos em software comercial de multicorpos para representar um veículo ferroviário instrumentado real, que também foi empregado na validação dos modelos. Como resultado, este trabalho propôs um novo arranjo instrumental adequado para uso em vagões, que pode ser empregado para a determinação da relação L/V, com erro quadrático médio inferior a 1.10-4 e coeficiente de determinação acima de 90% Abstract: Instrumented wheelsets are used to measure the lateral (L) and vertical (V) forces arising from the contact between the wheel and rail. Through these measures, it is possible to quantify the safety of the road using Nadal's criterion, which defines limit values for the ratio of these forces (L/V). There are limitations in the application of instrumented wheelset, such as its complexity, price and reliability. In addition, instrumented wheelset lacks sensing with strain gauges, which work in aggressive environmental conditions, requiring constant maintenance. Thus, it is relevant for the safety of the railway sector to explore other options for measuring such efforts, seeking viable alternatives that allow facing the limitations described. This work aimed to develop a solution for the indirect measurement of the relationship between lateral and vertical forces at the wheel-rail interface, allowing the calculation of the derailment propensity without the use of an instrumented wheelset. For this, representative multibody models of the operation of ore wagons were developed, which allowed the evaluation of their dynamic behavior, and artificial intelligence techniques were used to identify the sensors and the most suitable positions for them, in order to lead to the correct determination of the L/V ratio. Dynamic analysis was performed using models developed in commercial multibody software to represent a real instrumented railway vehicle, which was also used in the validation of the models. As a result, this work proposed a new instrumental arrangement suitable for use in wagons, which can be used to determine the L/V ratio, with mean square error below 1.10-4 and coefficient of determination above 90% Mestrado Mecânica dos Sólidos e Projeto Mecânico Mestra em Engenharia Mecânica Funcamp 5492