O objetivo dessa tese é detectar e classificar problemas de medição de nível por princípio de radar de propagação de onda livre por meio de RNA (redes neurais artificiais) e SVM (support vector machines) aliados à tratamentos estatísticos. Um primeiro cenário com ambiente controlado foi montado para a obtenção de dados preliminares. Na sequência, outros três cenários empregaram dados industriais reais. Para tanto, algumas topologias de redes neurais em quatro cenários diferentes foram testadas e foi possível demonstrar o funcionamento eficiente da RNA com acertos de 100% para o primeiro cenário, 93,51% para o segundo, 99,75% para o terceiro e de 99,94% para o quarto cenário. Para esses mesmos quatro cenários, os resultados de classificação do SVM foram de 100%, 84,41%, 93,74% e de 96,40%. Os resultados obtidos demonstram que a técnica desenvolvida pode ser aplicada à cenários reais de medição de nível. Após a classificação dos problemas pela RNA ou SVM é recomendada a utilização de alguns dos ícones baseados na norma internacional NAMUR NE107 para reportar as diferentes classificações de problemas resultantes da aplicação das técnicas dessa tese. Propõe-se que essas técnicas sejam embarcadas em aplicativos computacionais de gerenciamento de ativos para melhorar a confiabilidade da medição, antecipar rotinas de manutenção dos instrumentos e aumentar a segurança da planta industrial através de reportes adequados aos usuários dos problemas de medição de nível e do mapeamento das fases do processo.

The aim of this Thesis is to detect and classify level measurement problems by free wave propagation radars using ANN (artificial neural network) and SVM (support vector machines) with statistical pre-processing data. In the first scenario, a controlled environment was build in order to get the preliminary data. In addition, three other scenarios with real industry data was considered. Therefore, some topologies of neural networks and SVM in four different scenarios were tested and it was demonstrated the efficiency of ANN to reach an accuracy rate of 100% for the first scenario, 93.51% for the second, 99.75% for third and 99.94% for the fourth scenario. For these same four scenarios, the results of SVM classification were 100%, 84.41%, 93.74% and 96.40%. After classifying the problems by ANN or SVM, it is recommended to use some of the icons following the international standard NAMUR NE107 to report the different classifications of problems within this thesis. It is proposed that these techniques be embedded in asset management environment to improve the reliability of level measurement, antecipate maintenance routines and improve plant safety through adequately reporting the classified problems and mapping stage of the process to the users.