Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/48926
Arquivos associados a este item:
Arquivo TamanhoFormato 
VitorPereiraSilva_DISSERT.pdf1,85 MBAdobe PDFVisualizar/Abrir
Título: Previsão da resistência à compressão do concreto convencional brasileiro baseado em machine learning : um estudo comparativo entre bases de dados
Autor(es): Silva, Vitor Pereira
Orientador(es): Rego, João Henrique da Silva
Coorientador(es): Evangelista Júnior, Francisco
Assunto: Aprendizagem de máquina
Materiais cimentícios
Concreto
Resistência à compressão
Data de publicação: 16-Jul-2024
Referência: SILVA, Vitor Pereira. Previsão da resistência à compressão do concreto convencional brasileiro baseado em machine learning: um estudo comparativo entre bases de dados. 2023. xv, 105 f., il. Dissertação (Mestrado em Estruturas e Construção Civil) — Universidade de Brasília, Brasília, 2023.
Resumo: 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.
Abstract: Recently, several machine learning (ML) techniques have emerged as alternative and efficient ways to predict how components influence the properties of the final mixture. In the field of civil engineering, recent research has already utilized ML techniques concerning conventional concrete mix designs. The importance of discussing their use in the Brazilian context is embedded in an international context where this methodology is already being applied, making it necessary to assess the applicability of these techniques with national databases or those derived from national input data. In this study, one of these techniques, an artificial neural network (ANN), is used to determine the compressive strength of Brazilian conventional concrete, using a database constructed through congress publications and academic works, and comparing it with an international database at various ages. The new Brazilian database is extremely relevant as it contributes with more data on concrete mixes and allows its search for different applications. The data were organized into nine variables and five different cases, where the data samples used for training and testing varied. The eight possible input variables were: cement content, blast furnace slag, pozzolan, water, additive, fine aggregate, coarse aggregate, and age. The response variable was the compressive strength of concrete. Using international data as the training set and Brazilian data as the test set, or vice versa, did not show satisfactory results individually. The results showed variation across the five scenarios; however, when using the Brazilian and reference databases together as training and test sets, an R² of 0.97 and an R² of 0.86 were obtained, demonstrating that a good predictive model is achieved by combining the two databases.
Unidade Acadêmica: Faculdade de Tecnologia (FT)
Departamento de Engenharia Civil e Ambiental (FT ENC)
Informações adicionais: Dissertação (mestrado) — Universidade de Brasília, Programa de Pós-Graduação em Estruturas e Construção Civil, Faculdade de Tecnologia, 2023.
Programa de pós-graduação: Programa de Pós-Graduação em Estruturas e Construção Civil
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.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro completo do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.