Detalhes bibliográficos
Ano de defesa: |
2013 |
Autor(a) principal: |
Ferro, Luciano [UNESP] |
Orientador(a): |
Não Informado pela instituição |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Tese
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Universidade Estadual Paulista (Unesp)
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: |
|
Link de acesso: |
http://hdl.handle.net/11449/102925
|
Resumo: |
As Redes Neurais Artificiais se constituem numa alternativa à computação programada tradicional e foram aplicadas em quase todos os ramos do conhecimento humano. Em Geotecnologia, no entanto, ainda são escassas as aplicações de maneira que, com este trabalho, procura-se mostrar que elas também podem ser aplicadas em indústrias de pisos e revestimentos cerâmicos do Pólo Cerâmico de Santa Gertrudes, Estado de São Paulo. Para isso, foram utilizados corpos-de-prova elaborados, testados e analisados nas indústrias Triunfo Cerâmica e Rochaforte Cerâmica, com argilas oriundas de nove minas da região que constitui o Pólo Cerâmico de Santa Gertrudes, dentre aquelas que representavam toda a coluna estratigráfica da Formação Corumbataí com amostras bem diferenciadas. Os dados obtidos relativos às variáveis físicas foram gentilmente cedidos pelo proprietário das indústrias acima citadas e as variáveis físicas usadas neste estudo são a Densidade de Prensagem (DP), a Densidade Aparente de Corpos-de-Prova Secos (DAS), a Retração Linear de Secagem (RLS), a Retração Linear de Queima (RLQ), a Perda ao Fogo (PF), a Carga de Ruptura (CR), a Absorção de Água (Abs) e o Módulo de Resistência à Flexão (MRF). Para a análise, os corpos-de-prova foram submetidos a quatro temperaturas de queima 1000°C, 1020°C, 1040°C e 1060°C, onde cada um destes valores deu origem a uma rede neural MLP (Multilayer Perceptron) de três camadas, para as quais foi usada a Regra do Aprendizado de Retropropagação do Erro (Backpropagation, do original em inglês) |