Experimentos de previsão da carga de ruptura em estacas carregadas axialmente à compressão utilizando redes neurais artificiais (RNA)

• Ano de defesa: 2019
• Autor(a) principal: Jesus, Bruno Vieira de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Estado do Rio de Janeiro; Centro de Tecnologia e Ciências::Faculdade de Engenharia; BR; UERJ; Programa de Pós-Graduação em Engenharia Civil
• Palavras-chave em Português: Civil Engineering; Estacaria (Civil Engineering); Resistance of materials; Artificial Neural Networks (ANNs); Failure load; Piles Static load test; Dynamic load test; Engenharia civil; Estacaria (Engenharia civil); Resistência de materiais; Redes Neurais Artificiais (RNAs); Carga de Ruptura; Estacas; Prova de Carga Estática; Ensaio de Carregamento Dinâmico; CNPQ::ENGENHARIAS::ENGENHARIA CIVIL
• Link de acesso: http://www.bdtd.uerj.br/handle/1/11498

Este trabalho apresenta experimentos de predição de carga de ruptura de estacas carregadas axialmente à compressão utilizando redes neurais artificiais (RNA). O banco de dados utilizado na pesquisa possui 342 elementos, e é composto de resultados de provas de cargas estáticas à compressão, ensaios de carregamentos dinâmicos e sondagens à percussão. O programa adotado é o MATLAB®, versão R2017a. São utilizados quatro modelos de redes buscando-se a previsão da carga de ruptura a partir de dados do comprimento e área da seção transversal da estaca, e dos valores do NSPT. Em cada modelo realizam-se processos de treinamento e teste. Posteriormente, procede-se à validação de cada arquitetura adotada, apresentando-se as redes com melhor desempenho. Os diferentes modelos buscaram um refinamento da rede, e a capacidade de generalização da mesma. No Modelo 01, a rede com melhor desempenho apresenta Rtraining = 0,96 e Rtest = 0,81. No Modelo 02, houve um refinamento na rede, chegando-se a Rtraining = 0,99 e Rtest = 0,89. No Modelo 03, a rede com melhor performance apresenta Rtraining = 0,95 e Rtest = 0,93 e no Modelo 04, a rede chegou a Rtraining = 0,95 e Rtest = 0,96. Apesar dos bons coeficientes de correlação apresentados, todas as redes apresentam elevados erros percentuais nos resultados do treinamento e teste, bem como na etapa de validação, quando se comparam os dados obtidos (output) com os dados esperados (target). Os resultados sugerem que as redes não são capazes de generalizar uma solução obtendo um resultado final com respostas satisfatórias. Alguns fatores que podem interferir no desempenho da rede são a qualidade das informações do banco de dados, a diversidade de solos, que pode conduzir a saídas distintas para um mesmo dado de entrada, e às incertezas inerentes ao comportamento dos solos e à qualidade dos ensaios analisados.