Machine learning for geomembrane-sand interface analysis

Abstract

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.