O presente trabalho apresenta resultados de estudo voltado ao desenvolvimento de metodologia para o monitoramento da distribuição granulométrica de partículas em suspensões sólido-líquido. A metodologia estudada baseia-se em algoritmos de ajuste de redes neurais a dados experimentais obtidos por espalhamento de luz, visando possibilitar o uso da técnica para partículas não esféricas, assim como em suspensões concentradas, para as quais não são válidos os algoritmos baseados em modelos fenomenológicos. O estudo envolveu uma etapa de experimentos, nos quais foram medidos os espectros de difração de laser em suspensões com concentração variável, utilizando-se partículas de diferentes formas, constituídas por diferentes materiais. As partículas foram caracterizadas quanto à distribuição de tamanhos e à forma, por técnica de análise de imagem. Os dados experimentais foram utilizados no ajuste de parâmetros de redes neurais de múltiplas camadas, por algoritmo de retropropagação. Verificou-se que o uso de redes neurais constitui-se em alternativa capaz de reconhecer padrões de espalhamento de luz e associá-los a distribuições de tamanhos de partículas de diferentes formas, em suspensões com concentrações consideravelmente mais altas que aquelas permitidas pelos modelos de difração adotados convencionalmente. No entanto, foram observadas limitações na capacidade de extrapolação das redes neurais, indicando a necessidade de que as mesmas sejam treinadas previamente emuma faixa de concentrações representativa do sistema em que se pretende atuar. Dada a sua simplicidade, desde que adequadamente treinadas, as redes neurais podem ser utilizadas em substituição aos algoritmos convencionais, no cálculo da distribuição de tamanhos de partícula a partir dados de difração de laser, nas condições do estudo realizado

The present work is focused on the application of neural networks to particle size analysis by forward light scaterring, with the objective of enabling the use of the laser diffraction technique in the measurement of particle size distributions in highly concentrated suspensions and for nonspherical particles. The use of neural networks constitutes an alternate method for recognizing light scattering patterns and associating them with particle size distributions, thus eliminating optical disturbances such as multiple scaterring, which hinder the application of the phenomenological models. A series of laboratory experiments was carried out, using particles with different shapes and liquid-solid suspensions with varying particle concentrations. The characterization of particle shapes and size distributions was performed by image analysis. The experimental data, consisting of the light scattering pattern of each experiment, were used in fitting neural networks with different configurations. The results of simulations show that the use of neural networks enable the measurement of particle size distributions in highly concentrated suspensions, and non spherical particles. However, the learning process, which consists of the fitting of the neural network parameters, should cover the whole range of application conditions, since the model's ability to extrapolate results is limited, causing considerable deviations relative to experimental observations. In view of their simplicity, if adequately fitted, neural network models can substitute the phenomenological models in the range of conditions studied.