Previsão do comportamento do cimento Portland CPIV por meio do uso de técnicas de Machine Learning com diferentes bancos de dados

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Vasques, Lucas de Paula
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
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:
Aprendizagem de máquina
Cimento portland
Argila calcinada
Resistência à compressão
Link de acesso: http://repositorio.unb.br/handle/10482/48864
Resumo: Dissertação (mestrado) — Universidade de Brasília, Programa de Pós-Graduação em Estruturas e Construção Civil, Faculdade de Tecnologia, 2023.
id UNB_7d338635243f2886377d938cc4a4177f
oai_identifier_str oai:repositorio.unb.br:10482/48864
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Previsão do comportamento do cimento Portland CPIV por meio do uso de técnicas de Machine Learning com diferentes bancos de dadosAprendizagem de máquinaCimento portlandArgila calcinadaResistência à compressãoDissertação (mestrado) — Universidade de Brasília, Programa de Pós-Graduação em Estruturas e Construção Civil, Faculdade de Tecnologia, 2023.O uso de cimentos pozolânicos tem crescido no meio da construção civil, de forma que mais estudos são necessários a fim de compreender suas propriedades. As técnicas de Machine Learning (ML) têm sido utilizadas em pesquisas recentes para análise de bancos de dados de propriedades de materiais como concretos e cimentos Portland. Notou-se que há uma ausência na literatura de trabalhos analisando a previsão da resistência à compressão de cimentos pozolânicos produzidos por uma única fábrica, ainda mais com o uso inputs de mais fácil obtenção. Portanto, neste trabalho foram utilizadas técnicas de Artificial Neural Networks com o objetivo de prever a resistência à compressão de cimentos contendo argila calcinada em sua composição. Foram utilizados dados de caracterização físico-química (como teores de óxidos e de compostos principais) do cimento de uma única indústria para a montagem de 5 bancos de dados, variando nos tipos de inputs adotados. Cada banco de dados foi utilizado para treinamento de um algoritmo diferente que posteriormente teve seu desempenho analisado por meio de indicadores de qualidade como R², RMSE e MAPE. Dois dos algoritmos se destacaram entre os demais, um utilizando teores de óxidos (A1) e outro com teores de compostos principais (B2), sendo o primeiro mais eficiente nas previsões que o segundo. Foram apresentados para A1 e B2, respectivamente, valores de MAPE (2,36% e 3,12%), RMSE (1,204 e 1,513 MPa) e erro absoluto médio (0,999 e 1,300 MPa) considerados eficientes de acordo com a literatura existente, apesar de valores de R² (0,50 e 0,51). Por meio dos resultados obtidos foi possível efetuar previsões consideravelmente confiáveis (com baixo erros relativos e absolutos) da resistência à compressão aos 28 dias do cimento pozolânico. Tal fato faz dos modelos produzidos alternativas promissoras para a avaliação dessa propriedade em futuras pesquisas.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) e Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq).The use of pozzolanic cement has grown in the field of civil construction, so more studies are needed to understand their properties. Machine Learning (ML) techniques have been used in recent research to analyze databases of properties of materials such as concrete and Portland cement. It was noted that there is an absence in the literature of studies analyzing the prediction of compressive strength of pozzolanic cement produced by a single factory, even more so with the use of easier inputs. Therefore, in this study, Artificial Neural Networks techniques were used to predict the compressive strength of cement containing calcined clay in their composition. Physical-chemical characterization data (such as oxide and main compound contents) of cement from a single industry were used to assemble 5 databases, varying in the types of inputs adopted. Each database was used to train a different algorithm that later had its performance analyzed using quality indicators such as R², RMSE, and MAPE. Two of the algorithms stood out among the others, one using oxide contents (A1) and the other with principal compound contents (B2), the first being more efficient in forecasting than the second. For A1 and B2, respectively, values of MAPE (2.36% and 3.12%), RMSE (1.204 and 1.513 MPa) and mean absolute error (0.999 and 1.300 MPa) were considered efficient according to the existing literature, with R² values of 0.50 and 0.51. Through the results obtained, it was possible to make considerably reliable predictions (with low relative and absolute errors) of the compressive strength at 28 days of the pozzolanic cement. This fact makes the models produce promising alternatives for the evaluation of this property in future research.Faculdade de Tecnologia (FT)Departamento de Engenharia Civil e Ambiental (FT ENC)Programa de Pós-Graduação em Estruturas e Construção CivilRêgo, João Henrique da SilvaEvangelista Junior, FranciscoVasques, Lucas de Paula2024-07-15T18:21:12Z2024-07-15T18:21:12Z2024-07-152023-07-25info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfVASQUES, Lucas de Paula. Previsão do comportamento do cimento Portland CPIV por meio do uso de técnicas de Machine Learning com diferentes bancos de dados. 2023. xiii, 113 f., il. Dissertação (Mestrado em Estruturas e Construção Civil) — Universidade de Brasília, Brasília, 2023.http://repositorio.unb.br/handle/10482/48864porA 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:UNB2025-03-19T16:43:34Zoai:repositorio.unb.br:10482/48864Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2025-03-19T16:43:34Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Previsão do comportamento do cimento Portland CPIV por meio do uso de técnicas de Machine Learning com diferentes bancos de dados
title Previsão do comportamento do cimento Portland CPIV por meio do uso de técnicas de Machine Learning com diferentes bancos de dados
spellingShingle Previsão do comportamento do cimento Portland CPIV por meio do uso de técnicas de Machine Learning com diferentes bancos de dados
Vasques, Lucas de Paula
Aprendizagem de máquina
Cimento portland
Argila calcinada
Resistência à compressão
title_short Previsão do comportamento do cimento Portland CPIV por meio do uso de técnicas de Machine Learning com diferentes bancos de dados
title_full Previsão do comportamento do cimento Portland CPIV por meio do uso de técnicas de Machine Learning com diferentes bancos de dados
title_fullStr Previsão do comportamento do cimento Portland CPIV por meio do uso de técnicas de Machine Learning com diferentes bancos de dados
title_full_unstemmed Previsão do comportamento do cimento Portland CPIV por meio do uso de técnicas de Machine Learning com diferentes bancos de dados
title_sort Previsão do comportamento do cimento Portland CPIV por meio do uso de técnicas de Machine Learning com diferentes bancos de dados
author Vasques, Lucas de Paula
author_facet Vasques, Lucas de Paula
author_role author
dc.contributor.none.fl_str_mv Rêgo, João Henrique da Silva
Evangelista Junior, Francisco
dc.contributor.author.fl_str_mv Vasques, Lucas de Paula
dc.subject.por.fl_str_mv Aprendizagem de máquina
Cimento portland
Argila calcinada
Resistência à compressão
topic Aprendizagem de máquina
Cimento portland
Argila calcinada
Resistência à compressão
description Dissertação (mestrado) — Universidade de Brasília, Programa de Pós-Graduação em Estruturas e Construção Civil, Faculdade de Tecnologia, 2023.
publishDate 2023
dc.date.none.fl_str_mv 2023-07-25
2024-07-15T18:21:12Z
2024-07-15T18:21:12Z
2024-07-15
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 VASQUES, Lucas de Paula. Previsão do comportamento do cimento Portland CPIV por meio do uso de técnicas de Machine Learning com diferentes bancos de dados. 2023. xiii, 113 f., il. Dissertação (Mestrado em Estruturas e Construção Civil) — Universidade de Brasília, Brasília, 2023.
http://repositorio.unb.br/handle/10482/48864
identifier_str_mv VASQUES, Lucas de Paula. Previsão do comportamento do cimento Portland CPIV por meio do uso de técnicas de Machine Learning com diferentes bancos de dados. 2023. xiii, 113 f., il. Dissertação (Mestrado em Estruturas e Construção Civil) — Universidade de Brasília, Brasília, 2023.
url http://repositorio.unb.br/handle/10482/48864
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.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_ 1839083946940301312

Registros relacionados