Uso de machine learning para predição da resistência a compressão do concreto

• Ano de defesa: 2024
• Autor(a) principal: Loureiro, Arthur Afonso Bitencourt
• Orientador(a): Stefani, Ricardo
• Banca de defesa: Stefani, Ricardo , Silva, Rogério Barbosa da , Pereira, Monikuelly Mourato, Borges, Jonatas Emmanuel
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Mato Grosso
• Programa de Pós-Graduação: Programa de Pós-Graduação em Ciência de Materiais
• Departamento: Instituto de Ciências Exatas e da Terra (ICET) – Araguaia
• País: Brasil
• Área do conhecimento CNPq: CNPQ::OUTROS::CIENCIAS

Devido às do concreto como resistência a compressão, durabilidade e versatilidade, ele se tornou amplamente utilizado na indústria da construção civil. Recentemente, técnicas de machine learning têm se destacado na predição da resistência à compressão do concreto, oferecendo vantagens como a consideração de várias variáveis e a identificação de padrões complexos nos dados. Este trabalho visa analisar técnicas de machine learning como modelo de análise de variáveis preditivas e sua influência na resistência à compressão do concreto. Utilizando um conjunto de dados com 1234 valores de resistência à compressão, foram analisadas 8 e 6 variáveis preditivas, selecionadas com base em sua relevância no SelectKBest. Foram conduzidos estudos de correlação linear por meio de regressão linear simples e estudos de correlação não linear utilizando Support Vector Regression, Gradient Boosting e Redes Neurais Artificiais. Os resultados obtidos foram os seguintes: Support Vector Regression com coeficiente de determinação de 0,85 e erro médio quadrático de 30,9051 MPa; Gradient Boosting com coeficiente de determinação 0,90 e erro médio quadrático de 25,5979 MPa; Redes Neurais Artificiais com coeficiente de determinação 0,87 e erro médio quadrático de 5,781 MPa. A comparação entre métodos de machine learning, como Support Vector Regression, Gradient Boosting e RNA, revelou distinções entre os modelos. O Gradient Boosting obteve um coeficiente de determinação superior, evidenciando sua capacidade de explicar a variabilidade nos dados. Por outro lado, a Rede Neural Artificial apresentou o menor erro médio quadrático, indicando precisão nas previsões. A escolha entre essas abordagens implica considerações sobre o equilíbrio entre explicabilidade e precisão no qual a Rede Neural Artificial atingiu o desempenho mais satisfatório entre os modelos analisados.