Título: | MACHINE LEARNING PARA PREVISÃO DO COMPORTAMENTO DE AREIAS EM ENSAIOS DE CISALHAMENTO DIRETO E DSS | ||||||||||||
Autor: |
GLEYCE DE SOUZA BAPTISTA |
||||||||||||
Colaborador(es): |
MARINA BELLAVER CORTE - Orientador |
||||||||||||
Catalogação: | 11/NOV/2024 | Língua(s): | PORTUGUÊS - BRASIL |
||||||||||
Tipo: | TEXTO | Subtipo: | TESE | ||||||||||
Notas: |
[pt] Todos os dados constantes dos documentos são de inteira responsabilidade de seus autores. Os dados utilizados nas descrições dos documentos estão em conformidade com os sistemas da administração da PUC-Rio. [en] All data contained in the documents are the sole responsibility of the authors. The data used in the descriptions of the documents are in conformity with the systems of the administration of PUC-Rio. |
||||||||||||
Referência(s): |
[pt] https://www.maxwell.vrac.puc-rio.br/projetosEspeciais/ETDs/consultas/conteudo.php?strSecao=resultado&nrSeq=68591&idi=1 [en] https://www.maxwell.vrac.puc-rio.br/projetosEspeciais/ETDs/consultas/conteudo.php?strSecao=resultado&nrSeq=68591&idi=2 |
||||||||||||
DOI: | https://doi.org/10.17771/PUCRio.acad.68591 | ||||||||||||
Resumo: | |||||||||||||
Na geotecnia, os parâmetros de resistência do solo são essenciais para
qualquer projeto. Os ensaios de campo e laboratório são essenciais, mas ainda
enfrentam muitas limitações práticas e financeiras. Além disso, métodos
tradicionais, apoiados em relações empíricas ou teóricas, frequentemente não
conseguem abranger a complexidade comportamental do solo. Diante disso,
destaca-se a necessidade de explorar alternativas para superar essas barreiras. Neste
contexto, a inteligência artificial surge como uma abordagem inovadora. Este
estudo propõe um modelo preditivo para analisar a curva tensão-deslocamento em
ensaios de cisalhamento direto e tensão-deformação em ensaios de cisalhamento
simples (Direct Simple Shear - DSS) em areia. Após coletar e digitalizar dados de
diversas fontes acadêmicas, formou-se uma base experimental robusta para treinar
três algoritmos de Machine Learning (ML): Support Vector Regression (SVR),
Random Forest (RF) e Feedforward Neural Network (FNN). Foram realizadas
análises comparativas dos modelos, com foco particular na avaliação de métricas
de desempenho e curvas dos ensaios de validação. O RF destacou-se por sua
precisão e confiabilidade. Embora os modelos SVR e FNN tenham demonstrado
utilidade, o RF emergiu como o mais eficaz. Este resultado reforça a viabilidade
dos modelos de ML, particularmente o RF, como ferramentas valiosas para
engenheiros geotécnicos e pesquisadores na previsão do comportamento de areias,
mesmo com um conjunto de dados limitado.
|
|||||||||||||
|