Uso de algoritmos genéticos e redes neurais artificiais na identificação do nível de estabilidade de taludes rochosos
| Autor(a) principal: | |
|---|---|
| Data de Publicação: | 2021 |
| Outros Autores: | , |
| Idioma: | por |
| Título da fonte: | Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) |
| Texto Completo: | http://hdl.handle.net/1822/75404 |
Resumo: | A gestão das infraestruturas de transporte, nomeadamente da sua rede de taludes, é um aspeto fundamental para assegurar o seu bom funcionamento. Contudo, entre outros aspetos, a elevada extensão das mesmas representa um esforço financeiro significativo no que à sua manutenção e conservação diz respeito. A identificação do nível de estabilidade, em particular dos taludes, é usualmente baseada em informação recolhida durante inspeções de rotina realizadas periodicamente. Assim, é importante que esta seja de fácil obtenção e não recorra a métodos dispendiosos e complexos. Igualmente importante é a existência de ferramentas capazes de identificar eficazmente o nível de estabilidade de cada elemento da rede com base na informação recolhida, de forma a priorizar as verbas disponíveis. Esta tarefa tem-se revelado complexa e até ao momento apenas parcialmente concluída. Neste trabalho é apresentada uma proposta de sistema de avaliação do nível de estabilidade de taludes rochosos, combinando a capacidade de aprendizagem das Redes Neurais Artificiais (RNA) e o poder de otimização dos Algoritmos Genéticos (AG). O sistema proposto tem como base informação recolhida durante inspeções de rotina, bem como todo um conjunto de características geométricas e geográficas do talude, e atribui uma classe ao nível de estabilidade do mesmo. Assim, os AG foram aplicados na seleção do melhor conjunto de variáveis a utilizar no treino da RNA. Esta abordagem, combinando técnicas de otimização e algoritmos de inteligência artificial, permite reduzir significativamente a informação necessária para a identificação do nível de estabilidade de taludes rochosos, sem, contudo, comprometer o desempenho dos modelos. |
| id |
RCAP_26d25014ee9add0035d066e30bc4e45d |
|---|---|
| oai_identifier_str |
oai:repositorium.sdum.uminho.pt:1822/75404 |
| network_acronym_str |
RCAP |
| network_name_str |
Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) |
| repository_id_str |
https://opendoar.ac.uk/repository/7160 |
| spelling |
Uso de algoritmos genéticos e redes neurais artificiais na identificação do nível de estabilidade de taludes rochososUse of genetic algoritms and artificial neural networks for stability condition identification of rock cuttingEngenharia e Tecnologia::Engenharia CivilA gestão das infraestruturas de transporte, nomeadamente da sua rede de taludes, é um aspeto fundamental para assegurar o seu bom funcionamento. Contudo, entre outros aspetos, a elevada extensão das mesmas representa um esforço financeiro significativo no que à sua manutenção e conservação diz respeito. A identificação do nível de estabilidade, em particular dos taludes, é usualmente baseada em informação recolhida durante inspeções de rotina realizadas periodicamente. Assim, é importante que esta seja de fácil obtenção e não recorra a métodos dispendiosos e complexos. Igualmente importante é a existência de ferramentas capazes de identificar eficazmente o nível de estabilidade de cada elemento da rede com base na informação recolhida, de forma a priorizar as verbas disponíveis. Esta tarefa tem-se revelado complexa e até ao momento apenas parcialmente concluída. Neste trabalho é apresentada uma proposta de sistema de avaliação do nível de estabilidade de taludes rochosos, combinando a capacidade de aprendizagem das Redes Neurais Artificiais (RNA) e o poder de otimização dos Algoritmos Genéticos (AG). O sistema proposto tem como base informação recolhida durante inspeções de rotina, bem como todo um conjunto de características geométricas e geográficas do talude, e atribui uma classe ao nível de estabilidade do mesmo. Assim, os AG foram aplicados na seleção do melhor conjunto de variáveis a utilizar no treino da RNA. Esta abordagem, combinando técnicas de otimização e algoritmos de inteligência artificial, permite reduzir significativamente a informação necessária para a identificação do nível de estabilidade de taludes rochosos, sem, contudo, comprometer o desempenho dos modelos.Transportation infrastructure management, namely their slopes network, is a key point in order to assure that they are working correctly. However, among other aspects, the network dimension is one of the main factors that make the management of a transportation network a big challenge. The stability condition identification, particularly for slopes, is supported on information collected during routine inspections. Thus, it is important that such information could be easily collected and do not require expensive methods. It is also important to have available a set of tools able to identify accurately the stability condition of each element of the network based on the collected data, in order to prioritize the available budgets. This task has proved to be complex and so for only partially concluded. This work presents a new approach to measure the stability condition of rock cuttings slops, by combining the learning capabilities of Artificial Neural Networks (ANN) and the optimization power of the Genetic Algorithms (GA). The proposed system is supported on information collected during routine inspections, as well as geographic and geologic data, and calculate the stability condition level of a given rock cutting. Accordingly, the GA were applied for input feature selection purposes, which in turn will feed the ANN. This approach combining optimization techniques and artificial intelligent algorithms allow decrease the amount of information for rock cutting slopes stability condition identification, without however compromising the overall performance of the models.Universidade do MinhoTinoco, Joaquim Agostinho BarbosaCorreia, A. GomesCortez, Paulo2021-112021-11-01T00:00:00Zconference paperinfo:eu-repo/semantics/publishedVersionapplication/pdfhttp://hdl.handle.net/1822/75404porinfo:eu-repo/semantics/openAccessreponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiainstacron:RCAAP2024-05-11T05:19:47Zoai:repositorium.sdum.uminho.pt:1822/75404Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireinfo@rcaap.ptopendoar:https://opendoar.ac.uk/repository/71602025-05-28T15:14:46.336693Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiafalse |
| dc.title.none.fl_str_mv |
Uso de algoritmos genéticos e redes neurais artificiais na identificação do nível de estabilidade de taludes rochosos Use of genetic algoritms and artificial neural networks for stability condition identification of rock cutting |
| title |
Uso de algoritmos genéticos e redes neurais artificiais na identificação do nível de estabilidade de taludes rochosos |
| spellingShingle |
Uso de algoritmos genéticos e redes neurais artificiais na identificação do nível de estabilidade de taludes rochosos Tinoco, Joaquim Agostinho Barbosa Engenharia e Tecnologia::Engenharia Civil |
| title_short |
Uso de algoritmos genéticos e redes neurais artificiais na identificação do nível de estabilidade de taludes rochosos |
| title_full |
Uso de algoritmos genéticos e redes neurais artificiais na identificação do nível de estabilidade de taludes rochosos |
| title_fullStr |
Uso de algoritmos genéticos e redes neurais artificiais na identificação do nível de estabilidade de taludes rochosos |
| title_full_unstemmed |
Uso de algoritmos genéticos e redes neurais artificiais na identificação do nível de estabilidade de taludes rochosos |
| title_sort |
Uso de algoritmos genéticos e redes neurais artificiais na identificação do nível de estabilidade de taludes rochosos |
| author |
Tinoco, Joaquim Agostinho Barbosa |
| author_facet |
Tinoco, Joaquim Agostinho Barbosa Correia, A. Gomes Cortez, Paulo |
| author_role |
author |
| author2 |
Correia, A. Gomes Cortez, Paulo |
| author2_role |
author author |
| dc.contributor.none.fl_str_mv |
Universidade do Minho |
| dc.contributor.author.fl_str_mv |
Tinoco, Joaquim Agostinho Barbosa Correia, A. Gomes Cortez, Paulo |
| dc.subject.por.fl_str_mv |
Engenharia e Tecnologia::Engenharia Civil |
| topic |
Engenharia e Tecnologia::Engenharia Civil |
| description |
A gestão das infraestruturas de transporte, nomeadamente da sua rede de taludes, é um aspeto fundamental para assegurar o seu bom funcionamento. Contudo, entre outros aspetos, a elevada extensão das mesmas representa um esforço financeiro significativo no que à sua manutenção e conservação diz respeito. A identificação do nível de estabilidade, em particular dos taludes, é usualmente baseada em informação recolhida durante inspeções de rotina realizadas periodicamente. Assim, é importante que esta seja de fácil obtenção e não recorra a métodos dispendiosos e complexos. Igualmente importante é a existência de ferramentas capazes de identificar eficazmente o nível de estabilidade de cada elemento da rede com base na informação recolhida, de forma a priorizar as verbas disponíveis. Esta tarefa tem-se revelado complexa e até ao momento apenas parcialmente concluída. Neste trabalho é apresentada uma proposta de sistema de avaliação do nível de estabilidade de taludes rochosos, combinando a capacidade de aprendizagem das Redes Neurais Artificiais (RNA) e o poder de otimização dos Algoritmos Genéticos (AG). O sistema proposto tem como base informação recolhida durante inspeções de rotina, bem como todo um conjunto de características geométricas e geográficas do talude, e atribui uma classe ao nível de estabilidade do mesmo. Assim, os AG foram aplicados na seleção do melhor conjunto de variáveis a utilizar no treino da RNA. Esta abordagem, combinando técnicas de otimização e algoritmos de inteligência artificial, permite reduzir significativamente a informação necessária para a identificação do nível de estabilidade de taludes rochosos, sem, contudo, comprometer o desempenho dos modelos. |
| publishDate |
2021 |
| dc.date.none.fl_str_mv |
2021-11 2021-11-01T00:00:00Z |
| dc.type.driver.fl_str_mv |
conference paper |
| dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| status_str |
publishedVersion |
| dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1822/75404 |
| url |
http://hdl.handle.net/1822/75404 |
| dc.language.iso.fl_str_mv |
por |
| language |
por |
| dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
| eu_rights_str_mv |
openAccess |
| dc.format.none.fl_str_mv |
application/pdf |
| dc.source.none.fl_str_mv |
reponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia instacron:RCAAP |
| instname_str |
FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia |
| instacron_str |
RCAAP |
| institution |
RCAAP |
| reponame_str |
Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) |
| collection |
Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) |
| repository.name.fl_str_mv |
Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia |
| repository.mail.fl_str_mv |
info@rcaap.pt |
| _version_ |
1833595193319751680 |