Análise da reologia do concreto autoadensável com uso de redes neurais artificiais para simulação de escoamento por meio do modelo constitutivo de Bingham

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Santos, Thiago da Silva Costa
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:
artificial neural networks
Bingham plastic
concreto autoadensável
numerical simulation
PFEM
plástico de Bingham
redes neurais artificiais
reologia
rheology
self-compacting concrete
simulação numérica
Link de acesso: https://www.teses.usp.br/teses/disponiveis/18/18134/tde-10062025-084345/
Resumo: No estado fresco, o concreto é composto por uma pasta de cimento (fluido), com agregados graúdos e miúdos (sólidos). A obtenção dos parâmetros de viscosidade plástica e tensão de escoamento é fundamental para estudar sua reologia. Dentre os diferentes tipos de concreto, destaca-se o concreto autoadensável (CAA), que se diferencia pela sua capacidade de fluir e preencher fôrmas sem a necessidade de vibração mecânica, devido à sua formulação otimizada com aditivos superplastificante e maior presença de materiais finos. Este estudo investiga o comportamento reológico do CAA em estado fresco, focando na previsão dos parâmetros de viscosidade plástica e tensão de escoamento, considerando a complexidade e não linearidade desses parâmetros em fluidos não-newtonianos. Para isso, redes neurais artificiais (RNAs) do tipo perceptron multicamadas (MLP) foram aplicadas devido à sua capacidade de otimização preditiva. Três diferentes conjuntos de dados foram utilizados no treinamento das RNAs, analisados em 60 topologias distintas, variando o número de neurônios, camadas ocultas e funções de ativação. As RNAs apresentaram bom desempenho na previsão dos parâmetros reológicos, avaliados por meio do coeficiente de determinação (R2) e da raiz do erro quadrático médio normalizado (NRMSE), com melhores resultados na previsão da tensão de escoamento. Além disso, os parâmetros reológicos previstos pelas RNAs foram integrados às simulações numéricas de escoamento, com o objetivo de analisar o comportamento da solução. A modelagem foi conduzida com base no modelo constitutivo de Bingham suavizado, conforme Papanastasiou (1987), em combinação com o Método dos Elementos Finitos e Partículas (PFEM), apropriado para fluidos com superfícies livres e contornos móveis. Por fim, o estudo demonstrou a complementariedade entre RNAs e simulações numéricas na análise do concreto autoadensável.
id USP_a37e9ab8fa86291f90c2548c5a7b1c3a
oai_identifier_str oai:teses.usp.br:tde-10062025-084345
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Análise da reologia do concreto autoadensável com uso de redes neurais artificiais para simulação de escoamento por meio do modelo constitutivo de BinghamRheology analysis of the self-compacting concrete using artificial neural networks for flow simulation with the Bingham constitutive modelartificial neural networksBingham plasticconcreto autoadensávelnumerical simulationPFEMPFEMplástico de Binghamredes neurais artificiaisreologiarheologyself-compacting concretesimulação numéricaNo estado fresco, o concreto é composto por uma pasta de cimento (fluido), com agregados graúdos e miúdos (sólidos). A obtenção dos parâmetros de viscosidade plástica e tensão de escoamento é fundamental para estudar sua reologia. Dentre os diferentes tipos de concreto, destaca-se o concreto autoadensável (CAA), que se diferencia pela sua capacidade de fluir e preencher fôrmas sem a necessidade de vibração mecânica, devido à sua formulação otimizada com aditivos superplastificante e maior presença de materiais finos. Este estudo investiga o comportamento reológico do CAA em estado fresco, focando na previsão dos parâmetros de viscosidade plástica e tensão de escoamento, considerando a complexidade e não linearidade desses parâmetros em fluidos não-newtonianos. Para isso, redes neurais artificiais (RNAs) do tipo perceptron multicamadas (MLP) foram aplicadas devido à sua capacidade de otimização preditiva. Três diferentes conjuntos de dados foram utilizados no treinamento das RNAs, analisados em 60 topologias distintas, variando o número de neurônios, camadas ocultas e funções de ativação. As RNAs apresentaram bom desempenho na previsão dos parâmetros reológicos, avaliados por meio do coeficiente de determinação (R2) e da raiz do erro quadrático médio normalizado (NRMSE), com melhores resultados na previsão da tensão de escoamento. Além disso, os parâmetros reológicos previstos pelas RNAs foram integrados às simulações numéricas de escoamento, com o objetivo de analisar o comportamento da solução. A modelagem foi conduzida com base no modelo constitutivo de Bingham suavizado, conforme Papanastasiou (1987), em combinação com o Método dos Elementos Finitos e Partículas (PFEM), apropriado para fluidos com superfícies livres e contornos móveis. Por fim, o estudo demonstrou a complementariedade entre RNAs e simulações numéricas na análise do concreto autoadensável.In its fresh state, concrete consists of a cement paste (fluid), along with coarse and fine aggregates (solids). Obtaining plastic viscosity and yield stress parameters is essential to study its rheology. Among the different types of concrete, self-compacting concrete (SCC) stands out, due to its ability to flow and fill forms without needing mechanical vibration, due to its optimized formulation with superplasticizing additives and a greater presence of fine materials. This study investigates the rheological behavior of SCC in its fresh state, focusing on the prediction of these parameters, given the complexity and non-linearity characteristic of non-Newtonian fluids. For this purpose, artificial neural networks (ANNs) of the multilayer perceptron (MLP) type were employed, known for their predictive optimization capabilities. Three different datasets were used for training the ANNs, analyzed through 60 distinct topologies, varying the number of neurons, hidden layers, and activation functions. The ANNs demonstrated good performance in predicting rheological parameters, evaluated by the coefficient of determination (R2) and normalized root mean square error (NRMSE), with better results for yield stress prediction. Furthermore, the rheological parameters predicted by the ANNs were integrated into the numerical flow simulations, with the aim of analyzing the solution behavior. The modeling was conducted based on the smoothed Bingham constitutive model, according to Papanastasiou (1987), in combination with the Particle Finite Element Method (PFEM), appropriate for fluids with free surfaces and moving boundaries. Finally, the study demonstrated the complementarity between ANNs and numerical simulations in the analysis of self-compacting concrete.Biblioteca Digitais de Teses e Dissertações da USPCarrazedo, RogérioSantos, Thiago da Silva Costa2025-05-08info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/18/18134/tde-10062025-084345/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/openAccesspor2025-06-11T14:35:02Zoai:teses.usp.br:tde-10062025-084345Biblioteca 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:27212025-06-11T14:35:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Análise da reologia do concreto autoadensável com uso de redes neurais artificiais para simulação de escoamento por meio do modelo constitutivo de Bingham
Rheology analysis of the self-compacting concrete using artificial neural networks for flow simulation with the Bingham constitutive model
title Análise da reologia do concreto autoadensável com uso de redes neurais artificiais para simulação de escoamento por meio do modelo constitutivo de Bingham
spellingShingle Análise da reologia do concreto autoadensável com uso de redes neurais artificiais para simulação de escoamento por meio do modelo constitutivo de Bingham
Santos, Thiago da Silva Costa
artificial neural networks
Bingham plastic
concreto autoadensável
numerical simulation
PFEM
PFEM
plástico de Bingham
redes neurais artificiais
reologia
rheology
self-compacting concrete
simulação numérica
title_short Análise da reologia do concreto autoadensável com uso de redes neurais artificiais para simulação de escoamento por meio do modelo constitutivo de Bingham
title_full Análise da reologia do concreto autoadensável com uso de redes neurais artificiais para simulação de escoamento por meio do modelo constitutivo de Bingham
title_fullStr Análise da reologia do concreto autoadensável com uso de redes neurais artificiais para simulação de escoamento por meio do modelo constitutivo de Bingham
title_full_unstemmed Análise da reologia do concreto autoadensável com uso de redes neurais artificiais para simulação de escoamento por meio do modelo constitutivo de Bingham
title_sort Análise da reologia do concreto autoadensável com uso de redes neurais artificiais para simulação de escoamento por meio do modelo constitutivo de Bingham
author Santos, Thiago da Silva Costa
author_facet Santos, Thiago da Silva Costa
author_role author
dc.contributor.none.fl_str_mv Carrazedo, Rogério
dc.contributor.author.fl_str_mv Santos, Thiago da Silva Costa
dc.subject.por.fl_str_mv artificial neural networks
Bingham plastic
concreto autoadensável
numerical simulation
PFEM
PFEM
plástico de Bingham
redes neurais artificiais
reologia
rheology
self-compacting concrete
simulação numérica
topic artificial neural networks
Bingham plastic
concreto autoadensável
numerical simulation
PFEM
PFEM
plástico de Bingham
redes neurais artificiais
reologia
rheology
self-compacting concrete
simulação numérica
description No estado fresco, o concreto é composto por uma pasta de cimento (fluido), com agregados graúdos e miúdos (sólidos). A obtenção dos parâmetros de viscosidade plástica e tensão de escoamento é fundamental para estudar sua reologia. Dentre os diferentes tipos de concreto, destaca-se o concreto autoadensável (CAA), que se diferencia pela sua capacidade de fluir e preencher fôrmas sem a necessidade de vibração mecânica, devido à sua formulação otimizada com aditivos superplastificante e maior presença de materiais finos. Este estudo investiga o comportamento reológico do CAA em estado fresco, focando na previsão dos parâmetros de viscosidade plástica e tensão de escoamento, considerando a complexidade e não linearidade desses parâmetros em fluidos não-newtonianos. Para isso, redes neurais artificiais (RNAs) do tipo perceptron multicamadas (MLP) foram aplicadas devido à sua capacidade de otimização preditiva. Três diferentes conjuntos de dados foram utilizados no treinamento das RNAs, analisados em 60 topologias distintas, variando o número de neurônios, camadas ocultas e funções de ativação. As RNAs apresentaram bom desempenho na previsão dos parâmetros reológicos, avaliados por meio do coeficiente de determinação (R2) e da raiz do erro quadrático médio normalizado (NRMSE), com melhores resultados na previsão da tensão de escoamento. Além disso, os parâmetros reológicos previstos pelas RNAs foram integrados às simulações numéricas de escoamento, com o objetivo de analisar o comportamento da solução. A modelagem foi conduzida com base no modelo constitutivo de Bingham suavizado, conforme Papanastasiou (1987), em combinação com o Método dos Elementos Finitos e Partículas (PFEM), apropriado para fluidos com superfícies livres e contornos móveis. Por fim, o estudo demonstrou a complementariedade entre RNAs e simulações numéricas na análise do concreto autoadensável.
publishDate 2025
dc.date.none.fl_str_mv 2025-05-08
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/18/18134/tde-10062025-084345/
url https://www.teses.usp.br/teses/disponiveis/18/18134/tde-10062025-084345/
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_ 1844786331892318208

Registros relacionados