O presente trabalho buscou obter os coeficientes de partição octanol água (logD) de diferentes compostos químicos presentes nos óleos essenciais, por meio de modelos de aprendizagem de máquina. Para isso, foi utilizada a biblioteca DeepChem que contém ferramentas de redes neurais profundas utilizadas neste trabalho. O modelo foi construído por redes neurais profundas para geração dos dados de saída. Três bases de dados foram utilizadas neste estudo. Os dados de entrada foram obtidos por meio do uso da base de dados de Lipofilicidade, dos artigos de Sangster et al (JPCRD) e de Ulrich et al. De forma a obter uma comparação, dados experimentais dos coeficientes de partição octanol-água foram obtidos para os compostos químicos de interesse que foram utilizados como base de referência. Os dados brutos foram transformados por normalização e as representações SMILES foram caracterizadas com impressões digitais de conectividade extendida (ECFP). O modelo de aprendizagem de máquina foi treinado, validado e testado usando redes residuais profundas (RRP) e redes neurais de convolução (RNC) a partir dos dados experimentais das bases de dados existentes na literatura. Na base de Ulrich et al combinada ao uso de redes neurais de convolução, foram observados os melhores resultados para treinamento (R2=0,9995), validação (R2=0,9982) e testagem (R2=0,9973) dentre as bases de dados. O teste com os óleos essenciais não foi bem-sucedido com métricas inferiores à R2=0,2. O modelo de redes neurais convolucionais obteve métricas superiores às encontradas pelas redes residuais profundas.