Carburization is a microstructural damage and has been the main factor for reducing the useful life and operational reliability of pyrolysis furnace tubes made of HP steel. HP steel has been employed in the manufacturing of these furnaces for applications in extremely aggressive environments and high temperatures. Traditionally, non-destructive methods based on magnetic measurements have been used to assess the structural integrity of such equipment. In this work, ultrasonic characterization combined with machine learning and signal processing techniques proved to be a promising alternative compared to current magnetic inspection techniques. Thus, the objective of this thesis was to evaluate the influence of frequencies of 2.25 MHz and 5 MHz on the accuracy of ultrasonic processing in machine learning models applied in the classification of specimens of HP steel with 4 different levels of damage by carburization from pyrolysis furnaces. The models used were GNB, KNB, KNN, SD and SVM. The results were validated based on microstructural characterization techniques (SEM, EDS, EBSD) through which the thickness of the carburized layer and the chromium carbide fractions can be determined, using the multi-scenario analysis. The results showed a better adherence of the model in detecting carburization at lower levels, with the GNB and KNB classifiers reaching the F1-score of 100% and 97.44% respectively at 5 MHz The lowest performance was obtained by the KNB-FFT model with 91.94% at the 5 MHz frequency, for the most carburized class. However, its performance for the same class at the 2MHz frequency showed better results.A carburização é um dano microestrutural e tem sido um importante fator para redução da vida útil e da confiabilidade operacional dos tubos de fornos de pirólise fabricados em aço HP. O aço HP tem sido empregado na fabricação desses fornos para aplicações em ambientes extremamente agressivos e com elevadas temperaturas. Tradicionalmente, métodos não destrutivos baseados em medidas magnéticas têm sido empregados na avaliação da integridade estrutural desses equipamentos. Nesse trabalho a caracterização ultrassônica combinada com técnicas de aprendizado de máquinas e processamentos de sinais, mostrou ser uma alternativa promissora em comparação as técnicas de inspeção magnéticas atuais. Assim, o objetivo desta tese foi avaliar a influência das frequências de 2.25 MHz e 5 MHz na acurácia do processamento ultrassônico nos modelos de aprendizado de máquinas aplicados na classificação de espécimes de aço HP com 4 níveis diferentes de danos por carburização provenientes de fornos de pirólise. Os modelos utilizados foram GNB, KNB, KNN, SD e SVM. Os resultados foram validados com base nas técnicas de caracterização microestrutural (MEV, EDS, EBSD) pelas quais se pode determinar a espessura da camada cementada e as frações de carbeto de cromo, utilizando-se da análise multicenários. Os resultados apontaram uma melhor aderência do modelo na detecção da carburização em níveis menores, com os classificadores GNB e KNB que alcançam o F1-score de 100% e 97,44% respectivamente em 5 MHz. O menor desempenho foi obtido pelo modelo KNB-FFT com 91,94% na frequência de 5 MHz, para a classe mais carburizada. Contudo o seu de desempenho para a mesma classe na frequência de 2MHz apresentou melhor desempenho.São Cristóvão