Previsão da resistência à compressão do concreto convencional brasileiro baseado em machine learning : um estudo comparativo entre bases de dados

Abstract

Recentemente, várias técnicas de aprendizado de máquina (ML) estão surgindo como formas alternativas e eficientes de prever como os componentes influenciam as propriedades da mistura final. Na área da engenharia civil, pesquisas recentes já utilizam técnicas de ML em relação às dosagens convencionais de concreto. A importância de discutir seu uso aplicando-se dados brasileiros está inserida em um contexto internacional no qual essa metodologia já está sendo aplicada, sendo necessário verificar o uso dessas técnicas com bancos de dados nacionais ou com o que é criado a partir de dados de entrada nacionais. Nesta pesquisa, uma dessas técnicas, uma rede neural artificial (ANN), é utilizada para determinar a resistência à compressão do concreto convencional brasileiro, utilizando um banco de dados construído por meio de publicações em congressos e trabalhos acadêmicos e comparando-o com o banco de dados internacional em várias idades. A nova base de dados brasileira é de extrema relevância uma vez que contribui com mais dados sobre traços de concreto e permite sua pesquisa para diversas aplicações. Os dados foram organizados em nove variáveis e cinco casos diferentes, nos quais as amostras de dados usadas para treinamento e teste variam. As oito variáveis de entrada possíveis foram: consumo de cimento, escória de alto-forno, pozolana, água, aditivo, agregado miúdo, agregado graúdo e idade.Consequentemente, a variável de resposta foi a resistência à compressão do concreto. Utilizar dados internacionais como conjunto de treinamento e dados brasileiros como conjunto de teste, ou vice-versa, não mostrou resultados satisfatórios isoladamente. Os resultados mostraram uma variação nos cinco cenários; no entanto, ao usar o banco de dados brasileiro e o de referência juntos como conjuntos de teste e treinamento, obteve-se um R² de 0,97 e um R² de 0,86, mostrando que, na união dos dois bancos de dados, um bom modelo preditivo é obtido.