Skip navigation
Veuillez utiliser cette adresse pour citer ce document : http://repositorio.unb.br/handle/10482/45841
Fichier(s) constituant ce document :
Fichier Description TailleFormat 
2022_AbenezerTeferaTanga.pdf1,74 MBAdobe PDFVoir/Ouvrir
Titre: Machine learning for geomembrane-sand interface analysis
Auteur(s): Tanga, Abenezer Tefera
metadata.dc.contributor.email: abenezer.tanga@aluno.unb.br
Orientador(es):: Araújo, Gregório Luís Silva
Coorientador(es):: Evangelista Junior, Francisco
Assunto:: Floresta aleatória
Aprendizagem de máquina
Geomembrana
Ângulo de atrito
Date de publication: 28-avr-2023
Référence bibliographique: TANGA, Abenezer Tefera. Machine learning for geomembrane-sand interface analysis. 2022. xiii, 71 f., il. Dissertação (Mestrado em Geotecnia) — Universidade de Brasília, Brasília, 2022.
Résumé: A avaliação da interação solo-geossintética é importante para analisar a estabilidade da estrutura geral. Isso ocorre porque a interação entre os geossintéticos de reforço e o solo reforçado pode ser um início de ruptura que pode causar uma falha estrutural. Vários pesquisadores têm estudado os fatores que determinam a resistência ao cisalhamento da interface em laboratório e identificaram vários componentes que afetam o resultado geral da resistência. O Machine Learning tem um grande potencial para a análise de parâmetros que são influenciados por muitas variáveis. Esta dissertação traz uma discussão sobre o uso da regressão Random Forest, que é um algoritmo de Machine Learning, para prever o ângulo de atrito da interface geomembrana-areia. As interfaces submetidas à investigação de parâmetros de resistência incluem geomembrana e solo sem coesão, e 495 interfaces de várias literaturas foram coletadas. Os dados de interface adquiridos são utilizados para a análise estatística geral e de aprendizado de máquina. Quatorze parâmetros foram registrados da literatura referida como os fatores determinantes da resistência ao cisalhamento da interface. Os quatorze parâmetros são de três componentes de interface principais que são; tipo de teste de laboratório, propriedades da geomembrana e propriedades do solo. Os dados apresentados foram estudados usando regressão linear simples antes de inicializar o Random Forest, para avaliar a interdependência entre pares de parâmetros influenciadores e sua correlação com o ângulo de atrito da interface. Os resultados do coeficiente de correlação de Pearson estão indicando que o nível de influência entre os componentes da interface na maioria das vezes não é forte. Estes valores de correlação implicam a distribuição não linear da base de dados e a importância de um algoritmo multivariado e não linear para estudar os referidos tipos de interfaces. Após a análise dos dados, uma Random Forest inclusiva foi inicializada para prever o ângulo de atrito da interface. Observa-se apenas para 3% do conjunto de treinamento e 6% do conjunto de teste que a estimativa do ângulo de atrito excedeu ±5° dos registros do laboratório. As medidas do coeficiente de determinação mostram forte coerência entre os ângulos de atrito dos estudos de laboratório e as estimativas da Random Forest resultando R2 = 0,93 e R2 = 0,92; para os conjuntos de treinamento e teste, respectivamente. Assim, a Random Forest previu o ângulo de atrito da interface adequadamente.
Abstract: Evaluation of soil-geosynthetic interaction is important for analyzing the stability of the overall structure. This is because the interaction between the reinforcing geosynthetics and the reinforced soil can be a start for breakage which may cause a structural failure. Several researchers have been studying factors determining the interface shear strength in the laboratory and identified various components which affect the overall strength outcome. Machine Learning has a great potential for the analysis of parameters which are influenced by many variables. This dissertation brings a discussion about the use of Random Forest regression, which is a Machine Learning algorithm, for predicting geomembrane-sand interface friction angle. The interfaces subjected for strength parameter investigation include geomembrane and cohesionless soil, and 495 interfaces from various literature were collected. The acquired interface data is utilized for the overall statistical and Machine Learning analysis. Fourteen parameters were recorded from the referred literatures as the factors determining the interface shear strength. The fourteen parameters are from three main interface components which are; laboratory test type, geomembrane properties and soil properties. The presented data has been studied by using simple linear regression before initializing the Random Forest, to evaluate the interdependence between pairs of influencing parameters and their correlation with interface friction angle. The Pearson's correlation coefficient results are indicating the influence level between the interface components is mostly not strong. These correlation values imply the nonlinear distribution of the database and the importance of a multivariate and nonlinear algorithm for studying the referred types of interfaces. After the data analysis, an inclusive Random Forest has been initialized to predict interface friction angle. It is observed only for 3% of the training set and 6% of the testing set that the friction angle estimation has exceeded ±5° from the laboratory records. The coefficient of determination measures shows strong coherence between friction angles from laboratory studies and Random Forest estimations by resulting R2 = 0.93 and R2 = 0.92; for the training and testing sets respectively. Thus, the Random Forest has forecasted interface friction angle adequately.
metadata.dc.description.unidade: Faculdade de Tecnologia (FT)
Departamento de Engenharia Civil e Ambiental (FT ENC)
Description: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil e Ambiental, 2022.
metadata.dc.description.ppg: Programa de Pós-Graduação em Geotecnia
Licença:: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições:Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Collection(s) :Teses, dissertações e produtos pós-doutorado

Affichage détaillé " class="statisticsLink btn btn-primary" href="/jspui/handle/10482/45841/statistics">



Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.