Previsão da resistência à compressão do cimento portland comum com utilização de técnica de machine learning

Abstract

A previsão da resistência à compressão de materiais cimentícios utilizando modelos de aprendizado de máquina (ML, sigla do termo na língua inglesa, Machine Learning) é um recurso de grande interesse para aplicação na área de Engenharia Civil. O ML vem sendo aplicado para estimar a resistência à compressão de argamassas e concretos mundialmente. Porém, a partir de uma revisão sistematizada da literatura, notou-se uma carência de trabalhos com o enfoque da sua aplicação para previsão do comportamento mecânico do cimento Portland comum (CPC). Portanto, o objetivo da pesquisa foi a previsão da resistência à compressão aos 28 dias do CPC com as técnicas de ML Random Forest (RF) Neural Networks (NN) a partir de resultados experimentais de trabalhos científicos que caracterizaram amostras de CPC, coletados na literatura aberta. Em adição, foi realizada uma análise exploratória desses dados e a estimativa dos 4 compostos principais do CPC através do cálculo potencial de Bogue. A performance do treinamento foi verificada através de três critérios estatísticos, coeficiente de determinação (R²), erro quadrático médio (RMSE) e erro quadrado médio (MSE). Como resultado, o modelo de RF e NN obtiveram performances satisfatórias e os valores obtidos dos critérios estatísticos para o treinamento e teste da RF foram, respectivamente, R² (0,93 e 0,65), RMSE (2,00 e 4,50) e MSE (6,80 e 31,22), e para o treinamento e teste da NN foram, respectivamente, R² (0,96 e 0,64), RMSE (0,85 e 4,86) e MSE (1,72 e 35,10). Os resultados atingidos pelas duas técnicas foram similares e ao analisálos, foi possível perceber que a previsão da resistência à compressão do CPC a partir de dados da literatura é possível, o que pode trazer incremento na indústria do cimento, propondo um método alternativo da avaliação dessa propriedade.