CONAEND&IEV2018-392 DETECÇÃO DE DESCONTINUIDADES EM CORDÕES DE SOLDA UTILIZANDO A TÉCNICA ULTRASSÔNICA TOFD E CLASSIFICAÇÃO DE DEFEITOS ATRAVÉS DE ÁRVORES DE DECISÃO E REDES NEURAIS ARTIFICIAIS Alan V. S. de Jesus 1, Larissa M. de Britto 2, Neidison S. da Costa 3, Maria Cléa S. de Albuquerque 4, Eduardo F. S. Filho 5, Ivan C. da Silva 6, Cláudia T. T. Farias 7 Copyright 2018, ABENDI, PROMAI. Trabalho apresentado durante o XXXVI Congresso Nacional de Ensaios Não Destrutivos e Inspeção. 21ª IEV Conferencia Internacional sobre Evaluación de Integridad y Extensión de Vida de Equipos Industriales. As informações e opiniões contidas neste trabalho são de exclusiva responsabilidade do(s) autor(es). Sinopse A técnica ultrassônica ToFD (Time of Flight Diffraction) vem sendo utilizada na inspeção de juntas soldadas para a detecção e dimensionamento de defeitos, suprindo a necessidade de setores onde a qualidade do cordão de solda é extremamente importante para o funcionamento, de forma segura, dos equipamentos industriais. O emprego dessa técnica, aliada aos métodos de processamento digital de sinais e reconhecimento de padrões, possibilita um aumento da confiabilidade na detecção e classificação dos defeitos. Neste trabalho, a técnica TOFD foi usada para identificar descontinuidades em uma junta soldada de aço SAE 1020, fazendo-se uso das transformadas de Fourier e wavelet, para o processamento de sinais e de técnicas de classificação como Árvore de Decisão e Redes Neurais Artificiais. Os resultados demonstram que o método de Árvore de Decisão foi capaz de classificar de modo satisfatório os defeitos presentes no cordão de solda (falta de fusão, falta de penetração, inclusão de escória, porosidades e trincas). Considerando o classificador neural, os melhores resultados foram obtidos quando os sinais foram processados pela transformada de wavelet, tendo altas taxas de acerto para falta de penetração e inclusão de escória. Essas técnicas de classificação podem servir como uma ferramenta auxiliar a serem inseridas em sistemas de inspeções automáticas. 1 Graduando em Engenharia Industrial Mecânica GPEND/LABIND/IFBA 2 Graduanda em Engenharia Química GPEND/LABIND/IFBA 3 Graduando em Engenharia Industrial Mecânica GPEND/LABIND/IFBA 4 Profª. Drª. em Engenharia de Processos GPEND/LABIND/IFBA 5 Prof. Dr. em Engenharia Elétrica GPEND/ PPGEE/UFBA 6 Prof. Dr. em Engenharia Metalúrgica e de Materiais GPEND/LABIND/IFBA 7 Profª. Drª. em Engenharia Metalúrgica e de Materiais GPEND/LABIND/IFBA
1. INTRODUÇÃO A técnica ultrassônica ToFD (Time of Flight Diffraction), entre os métodos convencionais de inspeção, é a mais adequada para avaliação da dimensão das descontinuidades, e por este motivo é a mais utilizada na inspeção de cordões de solda. Esta técnica tem como princípio o fenômeno da difração de ondas, que faz incidir no interior do material um feixe de ultrassom inclinado em relação à superfície de inspeção, utilizando diretamente as ondas difratadas e evitando as ondas refletidas (1). O método demonstra ser mais vantajoso que a técnica ultrassônica convencional em função da alta probabilidade de detecção de defeitos, taxa de indicação falsa relativamente baixa, portabilidade e elevada precisão no dimensionamento de descontinuidades (2). Embora os defeitos sejam facilmente detectados, não é possível, por meio da técnica ToFD, obter uma informação direta da característica do defeito analisado (3). Com o propósito de suprir essa limitação, pode-se aliar técnicas de processamento digital de sinais e classificação automática dos defeitos em juntas soldadas aos métodos de inspeção. Entre as diversas arquiteturas de classificadores existentes, as Árvores de Decisão (4) e as Redes Neurais Artificiais são alternativas interessantes para essa aplicação, pois vêm apresentando respostas positivas em outros problemas semelhantes. A imagem B-Scan obtida pela técnica ToFD não apresenta uma boa resolução, devido à presença de ruídos (5). Com as técnicas de processamento de sinais, como as transformadas de Fourier e Wavelet, é possível diminuir a influência desses elementos na característica do sinal (6). Esse trabalho tem como objetivo avaliar o desempenho de classificadores tipo Árvores de Decisão e das Redes Neurais Artificiais, aliados às técnicas de processamento de sinais, na classificação de defeitos presentes em juntas soldadas, a partir da inspeção de uma chapa de aço SAE 1020, por meio da técnica ToFD. 2. FUNDAMENTAÇÃO TEÓRICA 2.1 ToFD - Tempo de percurso da onda difratada A técnica ultrassônica ToFD é um método de inspeção que se baseia no fenômeno da difração de ondas. Este fenômeno ocorre quando uma frente de onda encontra um obstáculo. A difração acontece quando essa frente contorna o anteparo ou passa por um orifício com o diâmetro bem parecido com o comprimento de onda da frente de onda. Quando uma onda ultrassônica encontra um defeito em seu percurso, além da reflexão sofrida por uma parte da frente de onda, a difração permite que a mesma contorne o defeito, e continue se propagando (7).
Nesta técnica ultrassônica, é necessária a utilização de dois transdutores, sendo que um emitirá o pulso ultrassônico (Emissor), enquanto que o outro o receberá (Receptor). As ondas geradas são longitudinais, ou seja, com a vibração na mesma direção de propagação (8). A profundidade de uma descontinuidade pode ser estimada pela análise do tempo de voo da onda difratada. 2.2 Árvores de decisão Figura 1. Técnica ToFD (9). As árvores de decisão são um dos algoritmos existentes de mineração de dados (data mining). O modelo obtido possui o formato de uma árvore, que é construída através da divisão de um conjunto de dados, de forma sucessiva, e a sua separação ocorre até que cada subconjunto esteja homogêneo (10). Uma árvore de decisão possui três componentes característicos (11): Um nó raiz, que não possui nenhum teste de entrada e uma ou mais condições de saída; Nós internos (filho ou nó decisório), cada qual com exatamente uma condição de entrada e duas ou mais condições de saída, os quais representam testes que envolvem uma ou mais variáveis/atributos e cada resultado do teste origina uma nova sub-árvore (12); Nós folhas, que possuem uma condição de entrada e nenhuma de saída, pois é o nó que define, segundo a decisão tomada pelo algoritmo, à qual classe o padrão de entrada pertence; A estrutura básica de uma árvore de decisão é ilustrada na Figura 2. 2.2.1 Validação Holdout O método holdout é um tipo simples (14) para teste de classificadores. Neste a base de dados é dividida em dois grupos: conjunto de treinamento e conjunto de teste. O conjunto de treinamento fornece os dados para o treinamento da classificação utilizada e o conjunto de teste fornece novos dados, para testar a generalização da classificação. Devem ser feitos diversos testes, e acumulando-se os erros obtidos. Após isso, é calculada então, uma média desses erros para se avaliar o resultado.
Figura 2. Estrutura Básica de uma Árvore de Decisão (13). 2.2.2 Validação Cruzada (Cross Validation) A validação cruzada (15) é uma medida de avaliação do desempenho de um modelo de aprendizagem, ou seja, como este se generalizará frente a um conjunto de dados independentes, utilizado principalmente quando o objetivo é predição (16), e deseja-se estimar com precisão como o modelo se desenvolverá na prática. Existem diversos tipos de validação cruzada, como validação cruzada k-fold, leave-one-out, entre outras. A validação cruzada k- fold é uma técnica que tem como princípio de dividir a amostra original aleatoriamente em k subgrupos de amostras. Assim, um subgrupo de amostras é considerado como os dados de validação para testar o modelo, e os outros k-1 subgrupos de amostras são utilizados como dados de treino. Este processo é repetido k vezes, ou seja, todos os subconjuntos serão utilizados exatamente uma vez como os dados de validação. 2.3 Redes Neurais Artificiais Redes neurais artificiais são sistemas computacionais que consistem de técnicas de Inteligência artificial que aprendem como modelar matematicamente problemas complexos com características não lineares. Uma rede neural é constituída por neurônios artificiais, estes têm seu modelo matemático inspirado nos neurônios biológicos (3). A Figura 3 ilustra a estrutura de uma rede neural. As redes neurais têm uma capacidade de coletar e armazenar informações através de um treinamento. Este treino promove a mudança dos pesos sinápticos da rede, com objetivo de alcançar o desejado, a partir de um conjunto de entradas. Após essa etapa, a rede vai para a
fase de teste, que consiste na utilização do conhecimento aprendido no treinamento para responder de forma adequada aos dados não contidos no conjunto de treinamento (17). Figura 3. Estrutura de uma Rede Neural Artificial (18). 2.4 Processamentos de Sinais Os sinais que são obtidos por meio das técnicas ultrassônicas, como é o caso da inspeção ToFD, possuem ruídos. Para que o efeito desses ruídos seja atenuado, são aplicados métodos de processamento de sinais (6). Dentre os mais utilizados, destacam-se as transformadas de Fourier e Wavelet. 2.4.1. Transformada de Fourier A transformada de Fourier é a representação de uma função na forma de uma soma infinita de exponenciais complexas periódicas. A análise de Fourier permite a representação no domínio da frequência de sinais definidos no tempo. A análise do sinal no domínio da frequência, com a aplicação da Transformada Discreta de Fourier, é uma ferramenta largamente utilizada no processamento de sinais ultrassônicos para verificação de diferentes componentes de frequência dos sinais. A transformada de Fourier pode ser definida pela seguinte equação: ( ) ( ) (1)
2.4.2. Transformada Wavelet A transformada de Wavelet é uma ferramenta que permite a decomposição de um sinal em diferentes componentes de frequências, tornando possível estudá-las separadamente em sua escala correspondente. A transformada de Wavelet pode ser definida pela seguinte equação: (W )(a, b) ( ) ψ, ( ) (2) Em que a e b representam os parâmetros de escala (dilatação) e translação, respectivamente. A utilização da transformada de Fourier tem uma desvantagem pelo fato da informação no domínio do tempo, no sinal A-Scan, se perder devido à transformação para o domínio da frequência. Em função disso, as transformadas de Wavelet vêm sendo bastante utilizadas (3). Com a transformada de Wavelet, o sinal processado pode ser definido tanto no domínio do tempo quanto no da frequência. A transformada de Wavelet pode ser do tipo contínuo (Continuous Wavelet Transform - CWT) ou do tipo discreta (Discret Wavelet Continuous - DWT). A transformada de Wavelet do tipo contínua se difere da discreta quanto à variação dos parâmetros de dilatação e translação (19). Por exemplo, ao aplicarmos a CWT a um sinal, tem-se como resultados informações do sinal em várias escalas. Aplicando-se a DWT nesse mesmo sinal, o resultado será um conjunto de coeficientes de aproximação e detalhe (20). Além disso, antes de se aplicar a transformada, deve-se escolher uma Wavelet mãe para o processamento dos sinais (3) 3. MATERIAIS E METODOLOGIA EXPERIMENTAL 3.1 Corpo de Prova Foi utilizada uma chapa de aço carbono SAE 1020 com dimensões de 1000 mm x 500 mm x 15 mm, soldada através dos processos de soldagem ao Arco Elétrico MIG, TIG e eletrodo revestido (Figura 4). Durante o processo de soldagem, defeitos foram inseridos ao longo do cordão de solda (falta de penetração (FP), falta de fusão (FF), trinca (TR), inclusão de escória (IE) e Porosidade (PO)).
Figura 4. Corpo de Prova Utilizado. 3.2. Configuração Experimental Para a realização da inspeção, foram utilizados transdutores de ToFD, modelo 024V9W, diâmetro 10 mm e frequência central de 5 MHz, da General Electric. Os elementos sensores, que foram colocados sobre sapatas com inclinação de 70, ficaram distanciados entre si a 70,8 mm, distância que também é chamada de Probe Center Separation (PCS), de forma que os transdutores ficassem simétricos em relação ao cordão de solda. A inspeção do cordão de solda e aquisição dos dados foram realizadas utilizando o equipamento USM Vision, também da General Electric. A varredura do corpo de prova foi feita com uma velocidade de 50 mm/s. As imagens, obtidas na forma B-Scan, foram armazenadas para posterior processamento. A figura 5 ilustra a configuração do experimento.
3.3 Processamentos de imagens e sinais Figura 5. Configuração Experimental. A partir das imagens adquiridas pela inspeção do cordão de solda, os sinais A-scan foram obtidos por meio do uso do software ImageJ, considerando os perfis de intensidade de pixel em cada linha da imagem. Para cada classe de defeito, foram obtidos 100 sinais, com 135 pontos e resolução de 8 bits (de 0 a 255). Os sinais A-Scan foram utilizados para classificação pela árvore de decisão. Já para as redes neurais, aplicou-se as transformadas de Fourier e Wavelet. Para a análise com a transformada de Wavelet, utilizou-se a transformada discreta e a Wavelet mãe empregada foi a Daubechies 4 (db4). Tanto a transformada de Wavelet quanto a de Fourier foram realizadas com o auxílio do software MATLAB. 3.4 Classificação por Redes Neurais Foi projetada no MATLAB, uma rede neural artificial tipo perceptron de múltiplas camadas (multi-layer perceptron - MLP) com uma única camada oculta para o problema de classificação. Para isso, foi necessária uma divisão aleatória dos sinais em três grupos: treinamento, validação e teste. Assim, 70% das amostras foram destinadas ao treino da rede, 15% foram empregados na etapa de validação, enquanto que os 15% restantes foram utilizados para teste da rede. Para a camada oculta da rede, utilizou-se 10 neurônios. 3.5 Classificação por Árvores de Decisão Com o auxílio do Classification Learner App, do MATLAB, pode-se utilizar as metodologias holdout e de validação cruzada k-fold para classificar os sinais. Para a
metodologia holdout, 80% das amostras foram aplicadas na etapa de treino, enquanto que 20% se destinaram ao treino. Já para a metodologia de validação cruzada, o conjunto de dados foram dividos em 5 subconjuntos (k=5). Matrizes de confusão foram geradas para ambos os métodos. 4. RESULTADOS E DISCUSSÃO 4.1. A-Scan e B-Scan do ToFD A partir da varredura na chapa, foram obtidas imagens B-scan. A Figura 6 ilustra as imagens características para cada região analisada. Figura 6. B-Scan da região de solda: (a) sem defeito (SD), (b) com falta de penetração (FP), (c) com falta de fusão (FF), (d) com trinca (TR), com porosidade (PO), com inclusão de escória (IE). Com as imagens B-scan, obteve-se os sinais A-scan com o auxílio da ferramenta Plot Profile do software ImageJ. Na imagem B-Scan, as oscilações positivas são representadas pela cor branca, enquanto que a cor preta representa as oscilações negativas. A Figura 7 ilustra os sinais característicos de cada grupo. 4.2 Transformadas de Fourier e Wavelet A partir dos sinais A-Scan, aplicou-se, com o auxílio do MATLAB, a transformada rápida de Fourier (FFT) e a transformada discreta de Wavelet (DWT). A Figura 8 ilustra os espectros de Fourier para cada classe.
Para a transformada discreta de Wavelet, utilizou-se a Wavelet mãe Daubechies 4 (db4), com nível 5 de decomposição. A partir dessa transformada, foram adquiridos coeficientes de aproximação e detalhe, que foram utilizados para a alimentação da rede. Figura 7. A-Scan da região de solda: (a) sem defeito (SD), (b) com falta de penetração (FP), (c) com falta de fusão (FF), (d) com trinca (TR), com porosidade (PO), com inclusão de escória (IE).
Figura 8. Espectros de Fourier da região de solda: (a) sem defeito (SD), (b) com falta de penetração (FP), (c) com falta de fusão (FF), (d) com trinca (TR), com porosidade (PO), com inclusão de escória (IE). 4.3 Classificação A classificação dos sinais foi realizada de duas formas. Enquanto que os sinais A-Scan foram classificados pelo método das árvores de decisão, as informações coletadas através da aplicação das transformadas de Fourier e Wavelet foram levadas para as redes neurais artificiais.
4.3.1 Árvore de Decisão Para o teste classificação, foi construída uma árvore sem poda. A Tabela 1 mostra a matriz de confusão 1 obtida pela metodologia holdout, enquanto a matriz obtida pela metodologia de validação cruzada é mostrada na Tabela 2. Tabela 1. Matriz de Confusão - Metodologia Holdout SD FP FF TR PO IE SD 80 % 5 % 5 % 0 % 0 % 0 % FP 0 % 75 % 0 % 0 % 5 % 0 % FF 5 % 10 % 95 % 0 % 10 % 0 % TR 0 % 0 % 0 % 95 % 0 % 0 % PO 15 % 10 % 0 % 5 % 75 % 0 % IE 0 % 0 % 0 % 0 % 10 % 100 % Percentual Total de Acertos 86,67 % Tabela 2. Matriz de Confusão - Metodologia de Validação Cruzada SD FP FF TR PO IE SD 75 % 3 % 7 % 4 % 7 % 0 % FP 3 % 91 % 2 % 0 % 3 % 0 % FF 11 % 2 % 86 % 5 % 17 % 0 % TR 8 % 0 % 2 % 88 % 8 % 0 % PO 3 % 3 % 3 % 3 % 61 % 3 % IE 0 % 1 % 0 % 0 % 4 % 97 % Percentual Total de Acertos 83 % Pode-se observar que, embora algumas classes de defeito sejam classificadas com alta eficiência, ocorre um erro considerável na classe porosidade. Adicionalmente, há uma confusão grande entre sinais com defeito e sem defeito, o que representa uma limitação para aplicação prática do método como auxílio à inspeção. 4.3.2 Redes Neurais Artificiais As Tabelas 3 e 4 mostram, respectivamente, as matrizes de confusão para o treino e teste da rede neural alimentada pelos espectros obtidos da transformada de Fourier. Nas Tabelas 5 e 6, são visualizadas as matrizes de confusão de treino e teste da rede alimentada pelos coeficientes obtidos pela transformada Wavelet. O resultado obtido para o classificador neural foi melhor do que o da árvore de decisão. Observa-se que o percentual de acerto médio aumentou consideravelmente. Isso se repetiu na deficiência de detecção de cada classe de interesse, onde ocorreu um aumento relevante. A 1 Neste trabalho, para a elaboração das matrizes de confusão considerou-se que as colunas indicam a classe verdadeira e as linhas indicam a classe predita pelo sistema de classificação. Assim, a diagonal principal da matriz de confusão apresenta a eficiência de detecção de cada classe e os elementos fora da diagonal são os erros de classificação.
confusão entre as classes com e sem defeito também foi reduzida, principalmente para o classificador alimentado pelos coeficientes da transformada Wavelet. Tabela 3. Matriz de Confusão - Fourier - Treino SD FP FF TR PO IE SD 95,5 % 3 % 0 % 0 % 1,5 % 0 % FP 0 % 97,1 % 0 % 0 % 0 % 0 % FF 1,5 % 2,9 % 100 % 0 % 0 % 0 % TR 1,5 % 0 % 0 % 100 % 0 % 0 % PO 1,5 % 0 % 0 % 0 % 98,5 % 0 % IE 0 % 0 % 0 % 0 % 0 % 100 % Percentual Total de Acertos 98,6 % Tabela 4. Matriz de Confusão - Fourier - Teste SD FP FF TR PO IE SD 81,3 % 3 % 12,5 % 0 % 0 % 0 % FP 0 % 84,6 % 0 % 0 % 0 % 0 % FF 0 % 15,4 % 75 % 0 % 0 % 0 % TR 6,2 % 0 % 12,5 % 100% 0 % 0 % PO 12,5 % 0 % 0 % 0 % 100 % 0 % IE 0 % 0 % 0 % 0 % 0 % 100 % Percentual Total de Acertos 90 % Tabela 5. Matriz de Confusão - Wavelet - Treino SD FP FF TR PO IE SD 97,1 % 3 % 0 % 0 % 4,1 % 0 % FP 0 % 100 % 1,4 % 0 % 0 % 0 % FF 2,9 % 0 % 98,6 % 5 % 0 % 0 % TR 0 % 0 % 0 % 97,3 % 0 % 0 % PO 0 % 0 % 0 % 2,7 % 95,9 % 0 % IE 0 % 0 % 0 % 0 % 0 % 100 % Percentual Total de Acertos 98,1 % Tabela 6.Matriz de Confusão - Wavelet - Teste SD FP FF TR PO IE SD 92,9 % 0 % 0 % 0 % 14,3 % 0 % FP 0 % 83,3 % 0 % 0 % 0 % 0 % FF 0 % 16,7 % 100 % 0 % 0 % 0 % TR 0 % 0 % 0 % 100 % 0 % 0 % PO 7,1 % 0 % 0 % 0 % 85,7 % 0 % IE 0 % 0 % 0 % 0 % 0 % 100 % Percentual Total de Acertos 93,3 %
5. CONCLUSÕES As técnicas de reconhecimento de padrão utilizadas neste trabalho demonstraram ser bastante efetivas para a classificação de descontinuidades em juntas soldadas. Analisando apenas as árvores de decisão, houve um melhor desempenho da classificação por meio da metodologia holdout. Já para as redes neurais, embora a rede alimentada pelos espectros de Fourier tenha alcançado melhores resultados que a rede alimentada pelos coeficientes de Wavelet na fase de treino, o mesmo não ocorreu na fase de teste. Mesmo com o grupo de dados diferentes, fica inevitável não comparar as duas técnicas de classificação de defeitos, onde as redes neurais artificiais apresentaram melhor desempenho. Um dado interessante é que a Inclusão de Escória (IE) foi o grupo melhor classificado em todas as situações mostradas no trabalho. Para os trabalhos futuros, têm-se como objetivo comparar as técnicas de reconhecimento de padrão com os mesmos grupos de sinais. REFERÊNCIAS BIBLIOGRÁFICAS (1) KIM, D. D.; Mello Jr, P. P C; BUIOCHI, F. Sistema de Inspeção de Superfícies Metálicas Utilizando a Técnica Ultra-Sônica Tofd. Escola Politécnica da Universidade de São Paulo. São Paulo, 2006. (2) GOUJON, N.S., Safety implications of TOFD for in-manufacture inspections. HSE BOOKS, 2006. (3) MOURA, E.P., DA SILVA, R.R., SIQUEIRA, M.H.S. et al. Pattern Recognition of Weld Defects in Preprocessed TOFD Signals Using Linear Classifiers. Journal of Nondestructive Evaluation, 23, 163-172, (Dec) 2004. (4) CREPALDI, P. G.; AVILA, R. N. P.; OLIVEIRA, J. P. M.; RODRIGUES, R.; MARTINS, R. L. Um estudo sobre a árvore de decisão e sua importância na habilidade de aprendizado. Instituto de Ensino Superior de Londrina. Disponível em: < https://www.inesul.edu.br/revista/arquivos/arq-idvol_15_1320100263.pdf >. (5) DUAN, J., LUO, L., GAO, X. et al. Hybrid Ultrasonic TOFD Imaging of Weld Flaws Using Wavelet Transforms and Image Registration. J Nondestruct Eval (2018) 37: 23. < https://doi.org/10.1007/s10921-018-0476-2 >. (6) CERQUEIRA, Eduardo O. et al. Utilização de filtro de transformada de Fourier para a minimização de ruídos em sinais analíticos. Quím. Nova, São Paulo, v.23, n. 5, p. 690-698, Oct. 2000. (7) CATUNDA, C. E. G. Implementação da Modelagem Elástica para Detecção de Defeitos por Ultra-som em Juntas Soldadas Dissimilares. Rio de Janeiro, 2004. 144 p. (8) DUARTE, G. D. O controle da qualidade em processos de produção mecânica nãoseriada. São Paulo, 2010. 100 p. (9) MAYWORM, Ruan Carvalho; COSTA-FELIX, Rodrigo Pereira Barretto da; ALVARENGA, André Victor. Aspectos Metrológicos da Técnica Tempo de Voo da
Onda Difratada (ToFD) para Utilização em Ensaios Não Destrutivos (ENDs) por Ultrassom. Soldagem & Inspeção, São Paulo, v. 21, n. 4, p. 406-416, Dec. 2016. (10) WITTEN, I. H.; FRANK, E.; HALL, M. A. Data mining: practical machine learning tools and techniques. São Francisco, CA: The Morgan Kaufmann series in data management systems, 665 p, 2011. (11) TAN, P.N.; STEINBACH, M.; KUMAR, V. Introduction to Data Mining. Journal of School Psychology, 19, 51-56, 2005. (12) QUINLAN, J. Simplifying Decision Trees,.International journal of manmachine studies, 27, 221-234, 1987. (13) SATO, L.Y.; SHIMBABUKURO, Y.E.; KUPLICH, T.M.; GOMES, V.C.F. Análise comparativa de algoritmos de árvore de decisão do sistema WEKA para classificação do uso e cobertura da terra. In: XVI Simpósio Brasileiro de Sensoriamento Remoto, Foz do Iguaçu, 2013. Anais INPE. p.2353-2360. (14) BALDISSEROTTO, C. Técnicas de aprendizagem de máquina para previsão de sucesso em implantes dentários. Trabalho de Conclusão de Curso - Engenharia da Computação. Escola Politécnica da Universidade Federal de Pernambuco. Recife, 2005. (15) JIANG, P.; CHEN, J. Displacement prediction of landslide based on generalized regression neural networks with K-fold cross-validation. Neurocomputing, 198, 40 47, (Mar) 2016. (16) DONATE, J. P.; CORTEZ, P.; SÁNCHEZ, G.G.; MIGUEL, A.S. Time series forecasting using a weighted cross-validation evolutionary artificial neural network ensemble. Neurocomputing, 109, 27 32, (Jun) 2013. (17) HAYKIN, S., Neural Networks and Learning Machines, Prentice Hall, 3rd Ed. New Jersey, 2008. (18) FERNEDA, Edberto. Redes neurais e sua aplicação em sistemas de recuperação de informação. Ci. Inf., Brasília, v. 35, n. 1, p. 25-30, jan./abr. 2006 (19) Transformada Wavelet. Disponível em: < http://www.dainf.ct.utfpr.edu.br/~ionildo/wavelet/cap3.htm >; (20) Mathworks. (2015). Wavelet Toolbox User s Guide (R2015b). Disponível em: < http://profesores.elo.utfsm.cl/~mzanartu/ipd414/docs/wavelet_ug.pdf >.