Os sistemas de classificação maciços rochosos e as redes neurais artificiais possuem diversas similaridades. Existem características que estão presentes nos dois tipos de sistemas: bases de dados são usadas para o seu desenvolvimento; e pesos são parte da representação do conhecimento. Os principais sistemas de classificação geomecânicas (Sistema Q e RMR) podem ser escritos como representações neurais locais. Tais representações permitem uma melhor compreensão do processo de classificação e identificação de padrões realizado pelas classificações convencionais. Experimentos convencionais foram realizados com modelos de redes neurais não-supervisionados. Os modelos não supervisionados permitiriam uma melhor compreensão da distribuição dos dados no espaço de feições. Um modelo supervisionado para escavações subterrâneas em todo domínio do espaço de feições. Importantes relações entre características foram encontradas.

Rock mass classification systems and artificial neural networks have several similarities. There is some characteristics present in both systems: data bases are used in they development, and weights are part of the knowledge representation. The main rock mass classification systems (Q-system and RMR) can be written as local neural network representations. This representation helps a better understanding of the pattern classification and identification process made by the conventional classifications. Computational experiments were made with unsupervised and supervised neural networks models. Unsupervised models allow a better understanding of the data in the feature space. A supervised model allow to make a mapping of the support type used in underground excavation in all feature space domain. Important relations between domain regions characteristics and type of support used were found.