Metamodelo com arquitetura em duas camadas para a previsão de propriedades mecênicas de misturas de concreto

• Ano de defesa: 2020
• Autor(a) principal: Furtado Neto, Geraldo
• Orientador(a): Fonseca, Leonardo Goliatt da
• Banca de defesa: Farage, Michéle Cristina Resende , Silva, Eduardo Krempser da , Manfrini, Francisco Augusto Lima
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Juiz de Fora (UFJF)
• Programa de Pós-Graduação: Programa de Pós-graduação em Modelagem Computacional
• Departamento: ICE – Instituto de Ciências Exatas
• País: Brasil
• Palavras-chave em Português: Inteligência computacional; Concreto; Otimização; Stacking; Computational intelligence; Concrete; Optimization
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
• Link de acesso: https://repositorio.ufjf.br/jspui/handle/ufjf/11682

As propriedades mecânicas do concreto, como módulo de resiliência e resistência à compressão, são de grande importância na etapa de projeto. Determinar estas propriedades através de informações sobre os componentes da mistura e características físicas do concreto, não é trivial. Essa tarefa torna-se complexa pois as relações entre as quantidades e tipos dos componentes da mistura do concreto e suas propriedades mecânicas possuem um alto grau de não-linearidades. O objetivo do presente trabalho é empregar métodos de aprendizado de máquina para criar modelos de regressão, que sejam capazes de prever as propriedade mecânicas de uma mistura de concreto. Visando investigar a possibilidade de melhora dos resultados já obtidos com o uso de técnicas de aprendizado de maquina, será utilizada uma técnica de aprendizado em conjunto, o Stacking. A técnica consiste em um modelo de camadas, onde a primeira é composta por modelos individuais e a segunda por um metamodelo que tem a função de utilizar as previsões realizadas pelos modelos de primeira camada como dados de entrada, objetivando realizar uma previsão final. Foram usadas quatro diferentes bases de dados experimentais obtidas da literatura, cada base possuindo quantidade de amostras, número e tipos de atributos, distintos, permitindo verificar a capacidade de generalização da arquitetura criada. Com o uso desta técnica pretende-se que o metamodelo apresente uma capacidade de previsão melhor ou similar a apresentada pelo uso individual dos métodos. Todo o arcabouço computacional foi implementado utilizando a linguagem Python e um conjunto de bibliotecas. Foram utilizados testes estatísticos para avaliar se existia diferença significativa entre o desempenho do Stacking e dos modelos individuais. Ao final das análises dos resultados das métricas de avaliação e dos testes estatísticos foi possível perceber que os resultados do Stacking são melhores ou no mínimo semelhantes aos apresentados pelos modelos individuais com melhor desempenho.