Um desafio recorrente em processos produtivos é o desenvolvimento de sistemas de monitoração e diagnóstico. Esses sistemas ajudam na detecção de mudanças inesperadas e interrupções, prevenindo perdas e mitigando riscos. Redes Neurais Artificiais (RNA) têm sido largamente utilizadas na criação de sistemas de monitoração. Normalmente as RNA utilizadas para resolver este tipo de problema são criadas levando-se em conta apenas parâmetros como o número de entradas, saídas e quantidade de neurônios nas camadas escondidas. Assim, as redes resultantes geralmente possuem uma configuração onde há uma total conexão entre os neurônios de uma camada e os da camada seguinte, sem que haja melhorias em sua topologia. Este trabalho utiliza o algoritmo de Otimização por Colônia de Formigas (OCF) para criar redes neurais otimizadas. O algoritmo de busca OCF utiliza a técnica de retropropagação de erros para otimizar a topologia da rede neural sugerindo as melhores conexões entre os neurônios. A RNA resultante foi aplicada para monitorar variáveis do reator de pesquisas IEA-R1 do IPEN. Os resultados obtidos mostram que o algoritmo desenvolvido é capaz de melhorar o desempenho do modelo que estima o valor de variáveis do reator. Em testes com diferentes números de neurônios na camada escondida, utilizando como comparativos o erro quadrático médio, o erro absoluto médio e o coeficiente de correlação, o desempenho da RNA otimizada foi igual ou superior ao da tradicional.

A recurring challenge in production processes is the development of monitoring and diagnosis systems. Those systems help on detecting unexpected changes and interruptions, preventing losses and mitigating risks. Artificial Neural Networks (ANN) have been extensively used in creating monitoring systems. Usually the ANN used to solve this kind of problem are created by taking into account only parameters as the number of inputs, outputs, and number of neurons in the hidden layers. This way, the result networks are generally fully connected and have no improvements in its topology. This work uses an Ant Colony Optimization (ACO) algorithm to create a tuned neural networks. The ACO search algorithm uses Back Error Propagation (BP) to optimize the network topology by suggesting the best neuron connections. The outcome ANN was applied to monitoring the IEA-R1 research reactor at IPEN. The results show that the algorithm is able to improve the performance of the model which estimates the values of the reactor variables. In tests with different numbers of neurons in the hidden layer, using as comparison the mean squared error, the mean absolute error, and the correlation coefficient, the performance of the optimized ANN proved equal or better than the equivalent traditional neural networks.