Dada a crescente importância da predição de resistência compressiva do cimento para um uso mais eciente de recursos na indústria, literatura recente busca analisar quais modelos estatísticos podem auxiliar o processo indústrial. Esse trabalho documenta a aplicação de técnicas de Deep Learning Bayesiano para a geração de predições temporais robustas e conáveis para a resistência compressiva do cimento. Os resultados mostram que técnicas de Inferência Bayesiana para modelos de Aprendizado Profundo promovem um ganho sensível de acurácia para o problema de predição de RC, com o benefício adicional das características probabilísticas das predições, tornando-as mais seguras para o possível uso no chão de fábrica.

Given the increasing importance of the prediction of the cement compressive strength for a more ecient use of resources on the industry, recent literature has been experimenting with statistical models to aid the industrial process. This thesis studies the application of Bayesian Deep Learning techniques to achieve robust and accurate predictions of the compressive strength. The results show that Bayesian Inference techniques applied to Deep Learning models promote a sensible increase of accuracy for the problem of CS predition, with the additional benet gained from the probabilistic nature of the predictions, making them more suitable to be used on the factory oor.