Artificial neural networks with bayesian optimization and feature selection applied to regression in engineering problems

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Carvalho, Ruan de Alencar
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Otimização bayesiana
Pavimentos de concreto
Redes neurais artificiais
Link de acesso: http://repositorio.unb.br/handle/10482/52273
Resumo: Dissertação (mestrado) — Universidade de Brasília, Programa de Pós-Graduação em Estruturas e Construção Civil, Faculdade de Tecnologia, 2025.
id UNB_0ce243a6ecc76f3dd09d9536dd4dce5f
oai_identifier_str oai:repositorio.unb.br:10482/52273
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Artificial neural networks with bayesian optimization and feature selection applied to regression in engineering problemsRedes neurais artificiais com otimização bayesiana e seleção de variáveis aplicadas na regressão de problemas de engenhariaOtimização bayesianaPavimentos de concretoRedes neurais artificiaisDissertação (mestrado) — Universidade de Brasília, Programa de Pós-Graduação em Estruturas e Construção Civil, Faculdade de Tecnologia, 2025.O presente trabalho consiste na implementação de Modelagem Baseada em Dados (MBD) com técnicas de Aprendizado de Máquina (AM), especificamente Redes Neurais Artificiais (RNA), como uma abordagem ao estudo da resistência da seção líquida de cantoneiras de aço parafusadas sob tração axial; da temperatura da superfície de pavimentos de concreto; e da diferença de temperatura entre a superfície e a base de lajes de concreto de pavimentos. Dois outros conjuntos de dados foram coletados de um repositório público conhecido para comparar os resultados de outros autores com os obtidos na presente dissertação. Os conjuntos de dados são compostos por amostras de testes experimentais, simulações numéricas e equações. Uma metodologia de base foi apresentada com validação cruzada 5-fold, ajuste de hiperparâmetros com Otimização Bayesiana (OB) e técnicas de regularização, como early stopping, decaimento de peso e batch normalization. Diferentes conjuntos de inputs foram utilizados, implementando algoritmos de seleção de atributos e importância de atributos, com o objetivo de alcançar modelos de acurácia satisfatória com um número reduzido de entradas. Além disso, outra metodologia foi utilizada, um algoritmo baseado em BO denominado SOFAH, Simultaneous Optimization of Feature Augmentation and Hyperparameters. Ele realiza simultaneamente a otimização de hiperparâmetros e a seleção de inputs das RNAs. O SOFAH visa aprimorar os modelos da metodologia de base, ao mesmo tempo que fornece informações sobre as variáveis importantes para a previsão da variável de resposta. Os modelos desenvolvidos, tanto nos conjuntos de dados coletados quanto em dados de repositórios públicos, atingiram alta acurácia e proveram informações acerca das variáveis mais relevantes. Em geral, os resultados deste trabalho demonstram a eficácia das técnicas de AM e da modelagem baseada em dados como ferramentas ponderosas para o estudo e previsão de propriedades físicas relevantes para problemas de engenharia.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES), Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) e Fundação de Apoio à Pesquisa do Distrito Federal (FAP-DF).The present work consists of an implementation of Data-Driven Modeling (DDM) with Machine Learning (ML) techniques, in particular Artificial Neural Networks, as an approach to the study of net section capacity of cold-formed Steel Bolted Angles (SBA) under axial tension; concrete pavement surface temperature; and difference in temperature from surface to bottom of pavement concrete slabs. Two other datasets were collected from a known public repository to compare other authors’ results with the ones obtained in the present thesis. The datasets are composed of instances from experimental tests, numerical simulations, and analytical and standards’ equations. The present thesis aims to obtain accurate models capable of surrogating these methods with reduced financial and computational costs. A baseline methodology was presented with 5-fold cross-validation, hyperparameter tuning with Bayesian Optimization (BO) and regularization techniques, such as early stopping, weight decay and batch normalization. Different sets of input variables were used, implementing feature selection and feature importance algorithms and aiming to achieve sufficiently accurate models with a reduced number of inputs. Besides that, another methodology was used, a BObased algorithm that was named SOFAH, Simultaneous Optimization of Feature Augmentation and Hyperparameters. It addresses simultaneously and automatically the optimization of hyperparameters and feature selection of an augmented set of the original features. SOFAH aims to further improve the baseline models while providing information on important features for predictions of the response variable. The developed models, both on gathered datasets and on public repository data, achieved very high accuracy and provided information on most relevant features for each analyzed engineering problem. The overall results of the present work show the effectiveness of ML and DDM as powerful tools for studying and predicting physical properties relevant to engineering problems.Faculdade de Tecnologia (FT)Departamento de Engenharia Civil e Ambiental (FT ENC)Programa de Pós-Graduação em Estruturas e Construção CivilEvangelista Junior, FranciscoCarvalho, Ruan de Alencar2025-05-20T14:11:50Z2025-05-20T14:11:50Z2025-05-202025-03-17info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfCARVALHO, Ruan de Alencar. Artificial neural networks with bayesian optimization and feature selection applied to regression in engineering problems. 2025. 147 f., il. Dissertação (Mestrado em Estruturas e Construção Civil) — Universidade de Brasília, Brasília, 2025.http://repositorio.unb.br/handle/10482/52273engA 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.info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2025-05-20T14:11:50Zoai:repositorio.unb.br:10482/52273Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2025-05-20T14:11:50Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Artificial neural networks with bayesian optimization and feature selection applied to regression in engineering problems
Redes neurais artificiais com otimização bayesiana e seleção de variáveis aplicadas na regressão de problemas de engenharia
title Artificial neural networks with bayesian optimization and feature selection applied to regression in engineering problems
spellingShingle Artificial neural networks with bayesian optimization and feature selection applied to regression in engineering problems
Carvalho, Ruan de Alencar
Otimização bayesiana
Pavimentos de concreto
Redes neurais artificiais
title_short Artificial neural networks with bayesian optimization and feature selection applied to regression in engineering problems
title_full Artificial neural networks with bayesian optimization and feature selection applied to regression in engineering problems
title_fullStr Artificial neural networks with bayesian optimization and feature selection applied to regression in engineering problems
title_full_unstemmed Artificial neural networks with bayesian optimization and feature selection applied to regression in engineering problems
title_sort Artificial neural networks with bayesian optimization and feature selection applied to regression in engineering problems
author Carvalho, Ruan de Alencar
author_facet Carvalho, Ruan de Alencar
author_role author
dc.contributor.none.fl_str_mv Evangelista Junior, Francisco
dc.contributor.author.fl_str_mv Carvalho, Ruan de Alencar
dc.subject.por.fl_str_mv Otimização bayesiana
Pavimentos de concreto
Redes neurais artificiais
topic Otimização bayesiana
Pavimentos de concreto
Redes neurais artificiais
description Dissertação (mestrado) — Universidade de Brasília, Programa de Pós-Graduação em Estruturas e Construção Civil, Faculdade de Tecnologia, 2025.
publishDate 2025
dc.date.none.fl_str_mv 2025-05-20T14:11:50Z
2025-05-20T14:11:50Z
2025-05-20
2025-03-17
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv CARVALHO, Ruan de Alencar. Artificial neural networks with bayesian optimization and feature selection applied to regression in engineering problems. 2025. 147 f., il. Dissertação (Mestrado em Estruturas e Construção Civil) — Universidade de Brasília, Brasília, 2025.
http://repositorio.unb.br/handle/10482/52273
identifier_str_mv CARVALHO, Ruan de Alencar. Artificial neural networks with bayesian optimization and feature selection applied to regression in engineering problems. 2025. 147 f., il. Dissertação (Mestrado em Estruturas e Construção Civil) — Universidade de Brasília, Brasília, 2025.
url http://repositorio.unb.br/handle/10482/52273
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1839083955343589376

Registros relacionados