Evaluation of Artificial Neural Network to Predict Sandgeomembrane Interface Shear Strength

Abstract

A implementação de sistemas de impermeabilização durante a construção de barragens, aterrossanitários e canais artificiais é crucial para impedir a infiltração de fluidos no solo da fundação, o que pode levar a danos estruturais e outros perigos potenciais. Nesse contexto, as geomembranas são amplamente utilizadas na engenharia civil, pois oferecem excelentes capacidades de impermeabilização, baixa permeabilidade e propriedades mecânicas favoráveis. Assim como outros materiais de construção, avaliar a resistência na interface entre os geossintéticos e o material em contato é necessário para garantir resistência suficiente a possíveis falhas.Para garantir a resistência adequada da interface, vários testes de laboratório podem ser realizados, como cisalhamento direto, ring shear e plano inclinado. No entanto, podem ser dispendiosos, e nem sempre ser viáveis no planejamento do projeto. Uma alternativa é usar resultados de outras pesquisas para criar um banco de dados e um modelo preditivo para estimar a resistência à interface. Este estudo avalia a eficácia do uso da metodologia de Redes Neurais Artificiais (RNA) para prever a resistência ao cisalhamento na interface entre areia e geomembrana. Foi escolhida uma arquitetura de Perceptron de Múltiplas Camadas (PMC) para configurar os modelos RNA, o processo de treinamento é supervisionado, envolvendo um algoritmo de treinamento de Back-Propagation (BP) combinado com o algoritmo de otimização Differential Evolution (DE). Os dados de entrada para os modelos foram definidos a partir de 428 testes de laboratório relatados em investigações anteriores, incluindo 14 parâmetros de entrada e resultados de resistência à interface entre areia e geomembrana.Quatro modelos de RNA foram analisados e comparados, diferenciados em termos de seu número de entradas (9 ou 14) e o número de camadas ocultas (1 ou 2). O modelo de RNA com a arquitetura 14-71-342-1 mostrou os resultados mais satisfatórios para a fase de treinamento e teste em termos da distribuição dos valores previstos em comparação com a linha de tendência (R²: 0,919 treinamento, R²: 0,852 teste), um número menor de valores residuais fora da faixa aceitável (4% treinamento, 11,6% teste) e excelente desempenho de previsão de acordo com as métricas estatísticas (RMSE: 1,92, MAE: 1,32, MAPE: 5,03% treinamento, RMSE: 0,852, MAE: 3,36, MAPE: 7,13% treinamento). Com base nos resultados, o algoritmo de RNA pode ser definido como uma abordagem eficaz para prever valores de resistência à interface entre areia e geomembrana (ângulo de atrito) para os dados coletados.