Uma plataforma de aprendizado de máquina para predição dos parâmetros de pós-fissuração e resistência à força cortante em vigas de CRFA.

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Lage, Gabriel Emídio
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: Biblioteca Digitais de Teses e Dissertações da USP
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Aprendizado computacional
Comportamento pós-fissuração
Concreto reforçado com fibras de aço
Machine learning
Post-cracking behavior
Resistência à força cortante
Shear strength
Steel fiber reinforced concrete
Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3144/tde-23052024-155700/
Resumo: O concreto reforçado com fibras de aço (CRFA) tem demostrado ser um material muito promissor para resistir aos esforços cortantes em elementos estruturais. Pesquisas recentes demostram que o uso desse material em vigas de concreto armado, pode substituir totalmente ou parcialmente os estribos desses elementos, melhorando o seu comportamento aos estados limites de serviço e último. No entanto, devido à grande variabilidade de resultados experimentais e variáveis envolvidas no processo, um melhor entendimento sobre a contribuição de cada parâmetro do compósito no comportamento do elemento estrutural precisa ser elucidado. Neste sentido, esta pesquisa tem como objetivo principal o desenvolvimento de uma plataforma de aprendizado de máquina para predição dos parâmetros pós-fissuração e resistência à força cortante em vigas de CRFA a partir de dados experimentais encontrados na literatura. Faz-se, ainda, uma comparação dos resultados obtidos com modelos analíticos de dimensionamento à força cortante indicados em normas técnicas e referências da literatura para validação da metodologia apresentada. Os melhores modelos criados são baseados em árvores de decisão e foram incorporados à plataforma web desenvolvida. Os modelos foram capazes de realizar predições com boa performance e servem como base para novos elementos estruturais que venham a ser dimensionados com base em características do material e do elemento, auxiliando na elaboração de projetos estruturais.
id USP_9bd6ea120c98fb549bcfff795d62f7b2
oai_identifier_str oai:teses.usp.br:tde-23052024-155700
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Uma plataforma de aprendizado de máquina para predição dos parâmetros de pós-fissuração e resistência à força cortante em vigas de CRFA.A machine learning framework to predict post-cracking parameters and shear strength in SFRC beams.Aprendizado computacionalComportamento pós-fissuraçãoConcreto reforçado com fibras de açoMachine learningPost-cracking behaviorResistência à força cortanteShear strengthSteel fiber reinforced concreteO concreto reforçado com fibras de aço (CRFA) tem demostrado ser um material muito promissor para resistir aos esforços cortantes em elementos estruturais. Pesquisas recentes demostram que o uso desse material em vigas de concreto armado, pode substituir totalmente ou parcialmente os estribos desses elementos, melhorando o seu comportamento aos estados limites de serviço e último. No entanto, devido à grande variabilidade de resultados experimentais e variáveis envolvidas no processo, um melhor entendimento sobre a contribuição de cada parâmetro do compósito no comportamento do elemento estrutural precisa ser elucidado. Neste sentido, esta pesquisa tem como objetivo principal o desenvolvimento de uma plataforma de aprendizado de máquina para predição dos parâmetros pós-fissuração e resistência à força cortante em vigas de CRFA a partir de dados experimentais encontrados na literatura. Faz-se, ainda, uma comparação dos resultados obtidos com modelos analíticos de dimensionamento à força cortante indicados em normas técnicas e referências da literatura para validação da metodologia apresentada. Os melhores modelos criados são baseados em árvores de decisão e foram incorporados à plataforma web desenvolvida. Os modelos foram capazes de realizar predições com boa performance e servem como base para novos elementos estruturais que venham a ser dimensionados com base em características do material e do elemento, auxiliando na elaboração de projetos estruturais.Steel Fiber Reinforced Concrete (SFRC) has been shown to be a very promising material to resist shear forces in structural elements. Recent research shows that the use of this material in reinforced concrete beams can totally or partially replace the stirrups of these elements, improving their behavior at serviceability and ultimate limit states. However, due to the great variability of experimental results and variables involved in the process, a better understanding of the contribution of each parameter of the composite in the behavior of the structural element needs to be elucidated. In this sense, this research has as main objective the development of a Machine Learning framework to predict post-cracking parameters and shear strength of SFRC beams from experimental data found in the literature. A comparison is also made of the results obtained with analytical shear design models indicated in technical standards and references in the literature to validate the presented methodology. The best created models are based on decision trees and have been integrated into the developed web platform. The models were able to make predictions with good performance and serve as a reference for new structural elements that may be designed based on material and element characteristics, assisting in the development of structural projects.Biblioteca Digitais de Teses e Dissertações da USPButtignol, Thomaz Eduardo TeixeiraJúnior, Luís Antônio Guimarães BitencourtLage, Gabriel Emídio2023-12-11info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/3/3144/tde-23052024-155700/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2024-05-27T12:21:02Zoai:teses.usp.br:tde-23052024-155700Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212024-05-27T12:21:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Uma plataforma de aprendizado de máquina para predição dos parâmetros de pós-fissuração e resistência à força cortante em vigas de CRFA.
A machine learning framework to predict post-cracking parameters and shear strength in SFRC beams.
title Uma plataforma de aprendizado de máquina para predição dos parâmetros de pós-fissuração e resistência à força cortante em vigas de CRFA.
spellingShingle Uma plataforma de aprendizado de máquina para predição dos parâmetros de pós-fissuração e resistência à força cortante em vigas de CRFA.
Lage, Gabriel Emídio
Aprendizado computacional
Comportamento pós-fissuração
Concreto reforçado com fibras de aço
Machine learning
Post-cracking behavior
Resistência à força cortante
Shear strength
Steel fiber reinforced concrete
title_short Uma plataforma de aprendizado de máquina para predição dos parâmetros de pós-fissuração e resistência à força cortante em vigas de CRFA.
title_full Uma plataforma de aprendizado de máquina para predição dos parâmetros de pós-fissuração e resistência à força cortante em vigas de CRFA.
title_fullStr Uma plataforma de aprendizado de máquina para predição dos parâmetros de pós-fissuração e resistência à força cortante em vigas de CRFA.
title_full_unstemmed Uma plataforma de aprendizado de máquina para predição dos parâmetros de pós-fissuração e resistência à força cortante em vigas de CRFA.
title_sort Uma plataforma de aprendizado de máquina para predição dos parâmetros de pós-fissuração e resistência à força cortante em vigas de CRFA.
author Lage, Gabriel Emídio
author_facet Lage, Gabriel Emídio
author_role author
dc.contributor.none.fl_str_mv Buttignol, Thomaz Eduardo Teixeira
Júnior, Luís Antônio Guimarães Bitencourt
dc.contributor.author.fl_str_mv Lage, Gabriel Emídio
dc.subject.por.fl_str_mv Aprendizado computacional
Comportamento pós-fissuração
Concreto reforçado com fibras de aço
Machine learning
Post-cracking behavior
Resistência à força cortante
Shear strength
Steel fiber reinforced concrete
topic Aprendizado computacional
Comportamento pós-fissuração
Concreto reforçado com fibras de aço
Machine learning
Post-cracking behavior
Resistência à força cortante
Shear strength
Steel fiber reinforced concrete
description O concreto reforçado com fibras de aço (CRFA) tem demostrado ser um material muito promissor para resistir aos esforços cortantes em elementos estruturais. Pesquisas recentes demostram que o uso desse material em vigas de concreto armado, pode substituir totalmente ou parcialmente os estribos desses elementos, melhorando o seu comportamento aos estados limites de serviço e último. No entanto, devido à grande variabilidade de resultados experimentais e variáveis envolvidas no processo, um melhor entendimento sobre a contribuição de cada parâmetro do compósito no comportamento do elemento estrutural precisa ser elucidado. Neste sentido, esta pesquisa tem como objetivo principal o desenvolvimento de uma plataforma de aprendizado de máquina para predição dos parâmetros pós-fissuração e resistência à força cortante em vigas de CRFA a partir de dados experimentais encontrados na literatura. Faz-se, ainda, uma comparação dos resultados obtidos com modelos analíticos de dimensionamento à força cortante indicados em normas técnicas e referências da literatura para validação da metodologia apresentada. Os melhores modelos criados são baseados em árvores de decisão e foram incorporados à plataforma web desenvolvida. Os modelos foram capazes de realizar predições com boa performance e servem como base para novos elementos estruturais que venham a ser dimensionados com base em características do material e do elemento, auxiliando na elaboração de projetos estruturais.
publishDate 2023
dc.date.none.fl_str_mv 2023-12-11
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 https://www.teses.usp.br/teses/disponiveis/3/3144/tde-23052024-155700/
url https://www.teses.usp.br/teses/disponiveis/3/3144/tde-23052024-155700/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1815258468752293888

Registros relacionados