A densidade da madeira é a propriedade que mais se correlaciona com as outras propriedades físicas e mecânicas, sendo usada para definir o uso apropriado da madeira industrialmente. Diversas ferramentas computacionais e matemáticas são utilizadas para modelar a densidade básica dos povoamentos, destacando-se as Redes Neurais Artificiais (RNA). Os dados foram provenientes de 2247 árvores de 20 clones de Eucalyptus ssp.. em 6 arranjos espaciais, com idades variando entre 3 e 6 anos. As RNA foram treinadas visando a estimação da densidade na idade de corte (6 anos), com variáveis de entrada como idade (anos), área basal (m2/ha), incremento médio anual (m3/ha/ano) na idade de medição, altura total (m), diâmetro a 1,3 m da superfície do solo (Dap) (cm), número de fustes por hectare (n/ha) e a razão entre dap, altura total e interação entre as variáveis. Os algoritmos de treinamento foram error backpropagation, resilient propagation, Manhattan update rule, scaled conjugate gradient, levenberg marquardt, quick propagation, simulated annealing, e algoritmos genéticos. As estimativas foram avaliadas com base nos coeficientes de correlação com os valores observados, raiz quadrada do erro médio percentual (RMSE), análise gráfica dos resíduos (erros percentuais) e histograma de frequência percentual dos erros percentuais. As melhores configurações foram a de 4 neurônios de camada oculta e função de ativação tangente hiperbólica na camada oculta e sigmoide na camada de saída e a com 8 neurônios na camada oculta, com função de ativação tangente hiperbólica na camada oculta e sigmoide na camada de saída.
The Wood density is the property which correlates most closely with the other physical and mechanical properties and is used to set the appropriate use of wood industrially. Several computational and mathematical tools are used to model the basic density of stands, highlighting the Artificial Neural Networks (ANN). Data came from 2247 trees of 20 clones of Eucalyptus spp. in 6 spatial arrangements, aged between 3 and 6 years. The RNA’s were trained in order to estimate the density at the cutting age (6 years), with input variables such as age (years), basal area (m2 / ha), mean annual increment (m3 / ha / year) of measuring age , total height (m), diameter at 1.3 m from the soil surface (Dap) (cm), stems number per hectare (n / ha) and the ratio of dbh, total height and interaction between variables. Training algorithms were: error backpropagation, resilient propagation, Manhattan update rule, scaled conjugate gradient, Levenberg Marquardt, quick propagation, simulated annealing, and genetic algorithms. The estimates were evaluated according to the correlation coefficients with the observed values, square root of the average percentage error (RMSE), graphic analysis of residues (percentage error) and histogram percentage frequency of the percentage errors. The best settings were 4 neurons in the hidden layer and hyperbolic tangent activation function in the hidden sigmoid layer and the output layer and 8 neurons in the hidden layer, hyperbolic tangent activation function in the hidden layer and the output layer sigmoid.
