O trabalho em questão se delimita à aplicação de aprendizagem de máquina em diagnóstico de defeitos ou problemas em estruturas. Primeiramente, foi realizado um estudo sobre aprendizagem de máquina com foco em diagnóstico de problemas em estruturas. Após este estudo, os conhecimentos adquiridos foram aplicados num dataset público (Mafaulda) voltado para o diagnóstico de estruturas. Para o treinamento de um classificador que pudesse distinguir os tipos de vigas foi utilizado a função “MLPClassifier” da biblioteca pública do Python “sklearn”. O método inicial de obtenção de features do dataset a ser utilizado no treinamento do classificador era o cálculo de características do sinal no domínio da frequência utilizando a biblioteca PyAudioAnalysis. Depois de coletar os dados necessários para criar o dataset “Variações de Engaste”, que contém as amostras da viga com diferentes variações em seu engaste, foram criados dois novos métodos de obtenção de features. O primeiro extraia a resposta em frequência do sinal em questão, enquanto o segundo acrescentava um filtro adaptativo após o cálculo da resposta em frequência. Após comparar os resultados de cada método foi possível concluir que os métodos que utilizam a resposta em frequência, em especial o do filtro adaptativo, são significativamente melhores para a classificação das vigas, isto fica ainda mais evidente no caso da "multiclassificação". Entretanto, tal aumento na taxa de acerto vem ao custo de um aumento no tempo de treinamento do classificador. Notou-se também que utilizar diferentes passos de adaptação separadamente no filtro não resulta numa melhora significativa na taxa de acerto do classificador em comparação com o método de resposta em frequência sem o filtro, mas que ao juntar o dataset criado a partir de vários passos de adaptação diferentes temos uma melhora significativa, especialmente no caso de “multiclassificação”.