Em primeiro lugar a minha família, minha mãe e meus irmãos, pelo apoio e paciência comigo durante todo esse período de dedicação integral aos estudos. Ao meu orientador, Hélio Nogueira, por sua disponibilidade, interesse acadêmico, confiança e atenção durante toda essa longa jornada. Aos professores e funcionários tão prestativos e atenciosos durante todo esse tempo de FEA em especial as secretárias, Márcia e Dirce, e a Valéria da CPG. Aos bons amigos que fiz dentre os pós-graduandos em economia da FEA/USP, da minha turma ou não, cujos nomes não mencionarei para não correr o risco de fazer injustiça a alguém, mas sem os quais seria muito mais difícil e penoso o percurso até o final desse trabalho. Aos meus amigos de Guarulhos-em particular ao pessoal do objetivo, Maria, Roberto e Arthur, pela paciência que tiveram comigo durante os anos de cursinho.

Este estudo foi realizado com a criação de um modelo de Rede Neural Artificial (RNA) do tipo Multilayer Perceptron (MLP), visando a análise de um problema de classificação, aliado à determinação estatística do Coeficiente de Variação dos resultados obtidos pela rede. Para este fim, o programa criado, nomeado como NeuroChem, utilizou um banco de dados contendo os resultados da análise físico-química de 178 amostras de vinho tinto, oriundos de três cultivares diferentes da Itália. Ao todo, 13 parâmetros físico-químicos foram normalizados e usados para a alimentação do algoritmo visando a determinação da origem (Classe) de cada uma das amostras através de técnicas de processamento em paralelo (Multithread) para análise estatística da saída de rede, como forma alternativa de minimização do erro de Treinamento/Validação. Ficou evidenciado pelos resultados que, para este banco de dados, a melhor arquitetura de rede MLP deve ser composta por 3 camadas ocultas e o processamento estatístico, feito com a programação em paralelo, representou uma redução de 73% do tempo de espera dos resultados, quando comparado à mesma análise comumente executada em série.

Os eventos pós Mariana e Brumadinho demonstraram à sociedade brasileira a urgência e a necessidade de estudos mais aprofundados quanto a estabilidade de taludes, incluindo grandes barramentos como os utilizados na mineração. O presente trabalho buscou construir um método seguro e mais rápido de obtenção do Fator de Segurança (FS) para garantir a estabilidade de taludes, utilizando redes neurais. Para fins de comparação foi escolhido um método tradicional de cálculo conhecido como Fellenius (1936) para obtenção do Fator de Segurança (FS) para diferentes características de solo e taludes com presença ou não do lençol freático aplicados ao treinamento da rede neural. Construiu-se um cluster em que foi dado aos mesmos parâmetros de entrada sendo: peso específico (KN/m3), coesão (KPa), atrito (0) e talude (L/H) tendo como saída o FS seco. Após o treinamento da rede foram testados 30 conjuntos de dados ao método tradicional e as redes neurais sendo que estas obtiveram 95% de ajuste aos valores obtidos pelo método de Fellenius (1936). Assim, demonstrou-se que as redes neurais, após o aprimoramento e entendimento do método, podem ser utilizadas com inúmeras vantagens em relação ao método de Fellenius tradicional para o cálculo de estabilidade de taludes.