Utilização de machine learning para previsão de propriedades de concreto auto-reparável modificado com bactéria e fibra

• Ano de defesa: 2023
• Autor(a) principal: Pessoa, Carolina Luiza Emereciana
• Orientador(a): Stefani, Ricardo
• Banca de defesa: Stefani, Ricardo , Fitaroni, Lays Batista , 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::CIENCIAS EXATAS E DA TERRA

Os concretos auto-reparáveis são estudados há décadas como um material alternativo para contornar problemas como fissuras e baixa durabilidade dos concretos convencionais. No entanto, experimentos laboratoriais podem ser onerosos e demandar muito tempo. O emprego de modelos computacionais preditivos que possam estimar as propriedades do concreto estão sendo pesquisados para desenvolver novos tipos de concreto e suprir os requisitos desafiadores da indústria da construção. Neste trabalho foram desenvolvidos modelos de Machine Learning (ML) utilizando Regressão Linear Composta (MLR), Support Vector Machine (SVM) e Random Forest Regressor (RFG) para prever e analisar a taxa de reparo da área fissurada e a absorção capilar de água em concretos auto-reparáveis modificados com bactérias álcali-resistente, fibras de álcool polivinílico (PVA) e fibras de polipropileno (PP). Os resultados mostram que os modelos de ML obtiveram melhor desempenho na predição da taxa de reparo de área fissurada e que os algoritmos de SVM e RFG entregam modelos mais bem ajustados e eficientes. Além disso, os resultados desse trabalho mostram que o ML pode ser uma ferramenta valiosa para o estudo e desenvolvimento baseado em AI de concretos melhorados.