[pt] MACHINE LEARNING PARA PREVISÃO DO COMPORTAMENTO DE AREIAS EM ENSAIOS DE CISALHAMENTO DIRETO E DSS

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: GLEYCE DE SOUZA BAPTISTA
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: MAXWELL
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
[pt] INTELIGENCIA ARTIFICIAL
[pt] MODELAGEM PREDITIVA
[pt] CISALHAMENTO DIRETO
[en] ARTIFICIAL INTELLIGENCE
[en] PREDICTIVE MODELLING
[en] DIRECT SHEAR
Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=68591&idi=1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=68591&idi=2
http://doi.org/10.17771/PUCRio.acad.68591
Resumo: [pt] Na geotecnia, os parâmetros de resistência do solo são essenciais para qualquer projeto. Os ensaios de campo e laboratório são essenciais, mas ainda enfrentam muitas limitações práticas e financeiras. Além disso, métodos tradicionais, apoiados em relações empíricas ou teóricas, frequentemente não conseguem abranger a complexidade comportamental do solo. Diante disso, destaca-se a necessidade de explorar alternativas para superar essas barreiras. Neste contexto, a inteligência artificial surge como uma abordagem inovadora. Este estudo propõe um modelo preditivo para analisar a curva tensão-deslocamento em ensaios de cisalhamento direto e tensão-deformação em ensaios de cisalhamento simples (Direct Simple Shear - DSS) em areia. Após coletar e digitalizar dados de diversas fontes acadêmicas, formou-se uma base experimental robusta para treinar três algoritmos de Machine Learning (ML): Support Vector Regression (SVR), Random Forest (RF) e Feedforward Neural Network (FNN). Foram realizadas análises comparativas dos modelos, com foco particular na avaliação de métricas de desempenho e curvas dos ensaios de validação. O RF destacou-se por sua precisão e confiabilidade. Embora os modelos SVR e FNN tenham demonstrado utilidade, o RF emergiu como o mais eficaz. Este resultado reforça a viabilidade dos modelos de ML, particularmente o RF, como ferramentas valiosas para engenheiros geotécnicos e pesquisadores na previsão do comportamento de areias, mesmo com um conjunto de dados limitado.
id PUC_RIO-1_00813d282fe05fa2ec329ac1b590b622
oai_identifier_str oai:MAXWELL.puc-rio.br:68591
network_acronym_str PUC_RIO-1
network_name_str Repositório Institucional da PUC-RIO (Projeto Maxwell)
repository_id_str
spelling [pt] MACHINE LEARNING PARA PREVISÃO DO COMPORTAMENTO DE AREIAS EM ENSAIOS DE CISALHAMENTO DIRETO E DSS [en] MACHINE LEARNING TO PREDICT THE BEHAVIOR OF SANDS IN DIRECT SHEAR AND DSS TESTS [pt] INTELIGENCIA ARTIFICIAL[pt] MODELAGEM PREDITIVA[pt] CISALHAMENTO DIRETO[en] ARTIFICIAL INTELLIGENCE[en] PREDICTIVE MODELLING[en] DIRECT SHEAR[pt] Na geotecnia, os parâmetros de resistência do solo são essenciais para qualquer projeto. Os ensaios de campo e laboratório são essenciais, mas ainda enfrentam muitas limitações práticas e financeiras. Além disso, métodos tradicionais, apoiados em relações empíricas ou teóricas, frequentemente não conseguem abranger a complexidade comportamental do solo. Diante disso, destaca-se a necessidade de explorar alternativas para superar essas barreiras. Neste contexto, a inteligência artificial surge como uma abordagem inovadora. Este estudo propõe um modelo preditivo para analisar a curva tensão-deslocamento em ensaios de cisalhamento direto e tensão-deformação em ensaios de cisalhamento simples (Direct Simple Shear - DSS) em areia. Após coletar e digitalizar dados de diversas fontes acadêmicas, formou-se uma base experimental robusta para treinar três algoritmos de Machine Learning (ML): Support Vector Regression (SVR), Random Forest (RF) e Feedforward Neural Network (FNN). Foram realizadas análises comparativas dos modelos, com foco particular na avaliação de métricas de desempenho e curvas dos ensaios de validação. O RF destacou-se por sua precisão e confiabilidade. Embora os modelos SVR e FNN tenham demonstrado utilidade, o RF emergiu como o mais eficaz. Este resultado reforça a viabilidade dos modelos de ML, particularmente o RF, como ferramentas valiosas para engenheiros geotécnicos e pesquisadores na previsão do comportamento de areias, mesmo com um conjunto de dados limitado. [en] In geotechnics, soil resistance parameters are essential for any project. Field and laboratory tests are essential, but still face many practical and financial limitations. Moreover, traditional methods, relying on empirical or theoretical relationships, often fail to encompass the soil s behavioral complexity. In light of this, there is a highlighted need to explore alternatives to overcome these barriers. In this context, artificial intelligence emerges as an innovative approach. This study proposes a predictive model to analyze the stress-displacement curve in direct shear tests and stress-strain in Direct Simple Shear (DSS) in sand. After collecting and digitizing data from various academic sources, a robust experimental base was formed to train three Machine Learning (ML) algorithms: Support Vector Regression (SVR), Random Forest (RF), and Feedforward Neural Network (FNN). Comparative analyses of the models were conducted, with a particular focus on the evaluation of performance metrics and validation test curves. RF stood out for its accuracy and reliability. Although the SVR and FNN models demonstrated utility, RF emerged as the most effective. This result reinforces the viability of ML models, particularly RF, as valuable tools for geotechnical engineers and researchers in predicting the behavior of sands, even with a limited data set.MAXWELLMARINA BELLAVER CORTEGLEYCE DE SOUZA BAPTISTA2024-11-11info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesishttps://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=68591&idi=1https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=68591&idi=2http://doi.org/10.17771/PUCRio.acad.68591porreponame:Repositório Institucional da PUC-RIO (Projeto Maxwell)instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)instacron:PUC_RIOinfo:eu-repo/semantics/openAccess2024-11-11T00:00:00Zoai:MAXWELL.puc-rio.br:68591Repositório InstitucionalPRIhttps://www.maxwell.vrac.puc-rio.br/ibict.phpopendoar:5342024-11-11T00:00Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)false
dc.title.none.fl_str_mv [pt] MACHINE LEARNING PARA PREVISÃO DO COMPORTAMENTO DE AREIAS EM ENSAIOS DE CISALHAMENTO DIRETO E DSS
[en] MACHINE LEARNING TO PREDICT THE BEHAVIOR OF SANDS IN DIRECT SHEAR AND DSS TESTS
title [pt] MACHINE LEARNING PARA PREVISÃO DO COMPORTAMENTO DE AREIAS EM ENSAIOS DE CISALHAMENTO DIRETO E DSS
spellingShingle [pt] MACHINE LEARNING PARA PREVISÃO DO COMPORTAMENTO DE AREIAS EM ENSAIOS DE CISALHAMENTO DIRETO E DSS
GLEYCE DE SOUZA BAPTISTA
[pt] INTELIGENCIA ARTIFICIAL
[pt] MODELAGEM PREDITIVA
[pt] CISALHAMENTO DIRETO
[en] ARTIFICIAL INTELLIGENCE
[en] PREDICTIVE MODELLING
[en] DIRECT SHEAR
title_short [pt] MACHINE LEARNING PARA PREVISÃO DO COMPORTAMENTO DE AREIAS EM ENSAIOS DE CISALHAMENTO DIRETO E DSS
title_full [pt] MACHINE LEARNING PARA PREVISÃO DO COMPORTAMENTO DE AREIAS EM ENSAIOS DE CISALHAMENTO DIRETO E DSS
title_fullStr [pt] MACHINE LEARNING PARA PREVISÃO DO COMPORTAMENTO DE AREIAS EM ENSAIOS DE CISALHAMENTO DIRETO E DSS
title_full_unstemmed [pt] MACHINE LEARNING PARA PREVISÃO DO COMPORTAMENTO DE AREIAS EM ENSAIOS DE CISALHAMENTO DIRETO E DSS
title_sort [pt] MACHINE LEARNING PARA PREVISÃO DO COMPORTAMENTO DE AREIAS EM ENSAIOS DE CISALHAMENTO DIRETO E DSS
author GLEYCE DE SOUZA BAPTISTA
author_facet GLEYCE DE SOUZA BAPTISTA
author_role author
dc.contributor.none.fl_str_mv MARINA BELLAVER CORTE
dc.contributor.author.fl_str_mv GLEYCE DE SOUZA BAPTISTA
dc.subject.por.fl_str_mv [pt] INTELIGENCIA ARTIFICIAL
[pt] MODELAGEM PREDITIVA
[pt] CISALHAMENTO DIRETO
[en] ARTIFICIAL INTELLIGENCE
[en] PREDICTIVE MODELLING
[en] DIRECT SHEAR
topic [pt] INTELIGENCIA ARTIFICIAL
[pt] MODELAGEM PREDITIVA
[pt] CISALHAMENTO DIRETO
[en] ARTIFICIAL INTELLIGENCE
[en] PREDICTIVE MODELLING
[en] DIRECT SHEAR
description [pt] Na geotecnia, os parâmetros de resistência do solo são essenciais para qualquer projeto. Os ensaios de campo e laboratório são essenciais, mas ainda enfrentam muitas limitações práticas e financeiras. Além disso, métodos tradicionais, apoiados em relações empíricas ou teóricas, frequentemente não conseguem abranger a complexidade comportamental do solo. Diante disso, destaca-se a necessidade de explorar alternativas para superar essas barreiras. Neste contexto, a inteligência artificial surge como uma abordagem inovadora. Este estudo propõe um modelo preditivo para analisar a curva tensão-deslocamento em ensaios de cisalhamento direto e tensão-deformação em ensaios de cisalhamento simples (Direct Simple Shear - DSS) em areia. Após coletar e digitalizar dados de diversas fontes acadêmicas, formou-se uma base experimental robusta para treinar três algoritmos de Machine Learning (ML): Support Vector Regression (SVR), Random Forest (RF) e Feedforward Neural Network (FNN). Foram realizadas análises comparativas dos modelos, com foco particular na avaliação de métricas de desempenho e curvas dos ensaios de validação. O RF destacou-se por sua precisão e confiabilidade. Embora os modelos SVR e FNN tenham demonstrado utilidade, o RF emergiu como o mais eficaz. Este resultado reforça a viabilidade dos modelos de ML, particularmente o RF, como ferramentas valiosas para engenheiros geotécnicos e pesquisadores na previsão do comportamento de areias, mesmo com um conjunto de dados limitado.
publishDate 2024
dc.date.none.fl_str_mv 2024-11-11
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=68591&idi=1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=68591&idi=2
http://doi.org/10.17771/PUCRio.acad.68591
url https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=68591&idi=1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=68591&idi=2
http://doi.org/10.17771/PUCRio.acad.68591
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv MAXWELL
publisher.none.fl_str_mv MAXWELL
dc.source.none.fl_str_mv reponame:Repositório Institucional da PUC-RIO (Projeto Maxwell)
instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)
instacron:PUC_RIO
instname_str Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)
instacron_str PUC_RIO
institution PUC_RIO
reponame_str Repositório Institucional da PUC-RIO (Projeto Maxwell)
collection Repositório Institucional da PUC-RIO (Projeto Maxwell)
repository.name.fl_str_mv Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)
repository.mail.fl_str_mv
_version_ 1862548661583478784

Registros relacionados