O desempenho de um projeto de microirrigação está intimamente relacionado com a caracterização hidráulica de componentes do sistema. Buscando-se melhorar o desempenho de modelos matemáticos tradicionais, foram desenvolvidos e avaliados modelos computacionais baseados em redes neurais artificiais (MLP), máquina de vetores de suporte (SVR) e árvores de decisão conjuntas (XGB), a partir do aprendizado de bases de dados coletados em ensaios avaliando componentes de linhas laterais de irrigação: (a) conectores iniciais e de união, e; (b) emissores não-regulados. Os preditores considerados foram as propriedades do fluido, características geométricas e operacionais. Na base (a), um modelo genérico foi proposto para todos os conectores favorecendo o aprendizado mais completo possível. Os modelos tradicionais apresentaram erros superiores apontando que modelos computacionais podem proporcionar estimativas mais exatas em fenômenos relacionados à hidráulica de sistemas de microirrigação. O modelo MLP apresentou o melhor desempenho para os processos avaliados, embora necessite de um volume considerável de dados e uma calibração extensiva dos hiperparâmetros. O modelo SVR mostrou bom desempenho para base pequena, sendo predominantemente mais adequado o mapeamento por função de base radial. Contudo, é mais custoso computacionalmente e o estimador pode ser mais comprometido por ruídos. O modelo XGB cumpriu o custo computacional mais reduzido e forneceu uma boa acurácia, mas foi incoerente nos valores estimados em função de termos não correlacionados com os exemplos de treinamento. Os aplicativos WEB desenvolvidos sob código aberto facilitam o uso e a comparação de todos modelos de estudo e podem complementar ferramentas online para projetos e simulações.

The performance of microirrigation project is closely related to the hydraulic characterization of fittings. In order to improve the performance compared to traditional models, machine learning models based on artificial neural networks (MLP), support vector machine (SVR) and ensemble of decision trees (XGB) were developed and validated. The databases collected in tests evaluated fittings of lateral irrigation lines: (a) start and union connectors, and (b) non-regulated emitters. The features considered were fluid properties, geometric and operational characteristics. In base (a), a generic model was proposed, supporting the most complete learning possible. The traditional models demonstrated larger errors indicating that the other models can provide more accurate estimates in phenomena linked to the hydraulics of microirrigation systems. The MLP model presented the best performance for the evaluated processes, although it requires a considerable amount of data and an extensive calibration of the hyperparameters. The SVR model revealed good performance for a small base, with the kernel function predominantly more appropriate by radial basis function. However, it is more computationally expensive, and the estimator may be more compromised by noise. The XGB model achieve the lowest computational cost and provided good accuracy but was inconsistent in the estimated values due to terms not correlated with the training examples. WEB applications developed under open-source code support the use and comparison of the models and can complement online tools for projects and simulations.