Previsão do comportamento de ligações viga-pilar em estruturas de concreto pré-moldado por meio de modelos de redes neurais

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Silva, Juliana Souza
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:
Link de acesso: https://www.teses.usp.br/teses/disponiveis/18/18134/tde-09052025-092048/
Resumo: A presente pesquisa analisa o comportamento de ligações viga-pilar em estruturas de concreto pré moldado, visando diminuir os desafios associados ao tempo e custo de estudos experimentais, com o uso da aplicação de aprendizado de máquina, com foco em redes neurais artificiais. As ligações investigadas corresponderam as 6 tipologias sugeridas pela norma brasileira, complementadas por outras 3 tipologias típicas de estudos internacionais. Para tanto, foi realizada a previsão da capacidade resistentes dessas ligações, considerando o momento de plastificação da armadura negativa, rigidez secante e força última da ligação. O banco de dados utilizado consistiu em parâmetros geométricos, taxas e propriedades gerais de ligações que foram previamente investigadas por outros autores. Na escolha dos parâmetros de entrada para alimentação da rede, realizou-se uma análise estatística para compreender as relações entre os parâmetros de entrada e as variáveis de saída. A implementação das redes neurais artificiais foi realizada com a biblioteca scikit-learn, através da linguagem de programação python. Para avaliar o desempenho dos modelos foram empregados o coeficiente de determinação (R-quadrado), o erro percentual absoluto médio (MAPE) e o erro médio normalizado (RMSE). Os resultados demonstram elevado desempenho dos modelos, com destaque para o mapeamento da força última. Além disso, os valores previstos de momento fletor, rigidez secante e força última foram comparados com os valores experimentais e numéricos de estudos da literatura, apresentando baixa dispersão. No estudo de sensibilidade das três variáveis preditas, verificou-se que os parâmetros que mais impactaram estavam em conformidade com as recomendações da norma brasileira e outros estudos, sendo a armadura de continuidade o que se destaca, com maior relevância para as três variáveis mapeadas. Com isso conclui-se que os modelos desenvolvidos para o mapeamento das variáveis momento fletor, rigidez secante e força última das ligações viga-pilar em concreto pré-moldado, possuem um desempenho elevado, sendo capazes de realizar previsões significativas, desde que os parâmetros de entrada fornecidos estejam dentro do domínio de validade utilizada nesse estudo.
id USP_be2425dc792802545c79ec7faea528ae
oai_identifier_str oai:teses.usp.br:tde-09052025-092048
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Previsão do comportamento de ligações viga-pilar em estruturas de concreto pré-moldado por meio de modelos de redes neuraisPrediction of the behavior of beam-column connections in precast concrete structures using neural network modelsbending momentconcreto pré-moldadoconnectionforçaforceligaçãomapeamentomappingmomento fletorneural networksprecast concreteredes neuraisrigidezstiffnessA presente pesquisa analisa o comportamento de ligações viga-pilar em estruturas de concreto pré moldado, visando diminuir os desafios associados ao tempo e custo de estudos experimentais, com o uso da aplicação de aprendizado de máquina, com foco em redes neurais artificiais. As ligações investigadas corresponderam as 6 tipologias sugeridas pela norma brasileira, complementadas por outras 3 tipologias típicas de estudos internacionais. Para tanto, foi realizada a previsão da capacidade resistentes dessas ligações, considerando o momento de plastificação da armadura negativa, rigidez secante e força última da ligação. O banco de dados utilizado consistiu em parâmetros geométricos, taxas e propriedades gerais de ligações que foram previamente investigadas por outros autores. Na escolha dos parâmetros de entrada para alimentação da rede, realizou-se uma análise estatística para compreender as relações entre os parâmetros de entrada e as variáveis de saída. A implementação das redes neurais artificiais foi realizada com a biblioteca scikit-learn, através da linguagem de programação python. Para avaliar o desempenho dos modelos foram empregados o coeficiente de determinação (R-quadrado), o erro percentual absoluto médio (MAPE) e o erro médio normalizado (RMSE). Os resultados demonstram elevado desempenho dos modelos, com destaque para o mapeamento da força última. Além disso, os valores previstos de momento fletor, rigidez secante e força última foram comparados com os valores experimentais e numéricos de estudos da literatura, apresentando baixa dispersão. No estudo de sensibilidade das três variáveis preditas, verificou-se que os parâmetros que mais impactaram estavam em conformidade com as recomendações da norma brasileira e outros estudos, sendo a armadura de continuidade o que se destaca, com maior relevância para as três variáveis mapeadas. Com isso conclui-se que os modelos desenvolvidos para o mapeamento das variáveis momento fletor, rigidez secante e força última das ligações viga-pilar em concreto pré-moldado, possuem um desempenho elevado, sendo capazes de realizar previsões significativas, desde que os parâmetros de entrada fornecidos estejam dentro do domínio de validade utilizada nesse estudo.This research analyzes the behavior of beam-column connections in precast concrete structures, aiming to address the challenges associated with the time and cost of experimental studies by applying machine learning techniques, with a focus on artificial neural networks. The investigated connections correspond to the six typologies suggested by the Brazilian standard, complemented by three additional typologies commonly found in international studies. The study focused on predicting the load-bearing capacity of these connections, considering the plastic moment of the negative reinforcement, the secant stiffness, and the ultimate strength of the connection. The database used consisted of geometric parameters, reinforcement ratios, and general properties of connections previously investigated by other authors. To select the input parameters for the neural network, a statistical analysis was conducted to understand the relationships between the input parameters and the output variables. The artificial neural networks were implemented using the scikit-learn library in the Python programming language. Model performance was evaluated using the coefficient of determination , the mean absolute percentage error (MAPE), and the normalized root mean square error (RMSE). The results demonstrated high model performance, especially in predicting the ultimate strength. Additionally, the predicted values for bending moment, secant stiffness, and ultimate strength were compared to experimental and numerical results from the literature, showing low dispersion. The sensitivity analysis of the three predicted variables revealed that the most impactful parameters aligned with the recommendations of the Brazilian standard and findings from other studies, with the continuity reinforcement standing out as the most significant parameter for all three mapped variables. In conclusion, the models developed for mapping the bending moment, secant stiffness, and ultimate strength of beam-column connections in precast concrete structures achieved high performance, proving capable of making significant predictions, provided the input parameters fall within the validity domain used in this studyBiblioteca Digitais de Teses e Dissertações da USPKataoka, Marcela NovischiSilva, Juliana Souza2025-03-14info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/18/18134/tde-09052025-092048/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/openAccesspor2025-05-15T15:03:02Zoai:teses.usp.br:tde-09052025-092048Biblioteca 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:27212025-05-15T15:03:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Previsão do comportamento de ligações viga-pilar em estruturas de concreto pré-moldado por meio de modelos de redes neurais
Prediction of the behavior of beam-column connections in precast concrete structures using neural network models
title Previsão do comportamento de ligações viga-pilar em estruturas de concreto pré-moldado por meio de modelos de redes neurais
spellingShingle Previsão do comportamento de ligações viga-pilar em estruturas de concreto pré-moldado por meio de modelos de redes neurais
Silva, Juliana Souza
bending moment
concreto pré-moldado
connection
força
force
ligação
mapeamento
mapping
momento fletor
neural networks
precast concrete
redes neurais
rigidez
stiffness
title_short Previsão do comportamento de ligações viga-pilar em estruturas de concreto pré-moldado por meio de modelos de redes neurais
title_full Previsão do comportamento de ligações viga-pilar em estruturas de concreto pré-moldado por meio de modelos de redes neurais
title_fullStr Previsão do comportamento de ligações viga-pilar em estruturas de concreto pré-moldado por meio de modelos de redes neurais
title_full_unstemmed Previsão do comportamento de ligações viga-pilar em estruturas de concreto pré-moldado por meio de modelos de redes neurais
title_sort Previsão do comportamento de ligações viga-pilar em estruturas de concreto pré-moldado por meio de modelos de redes neurais
author Silva, Juliana Souza
author_facet Silva, Juliana Souza
author_role author
dc.contributor.none.fl_str_mv Kataoka, Marcela Novischi
dc.contributor.author.fl_str_mv Silva, Juliana Souza
dc.subject.por.fl_str_mv bending moment
concreto pré-moldado
connection
força
force
ligação
mapeamento
mapping
momento fletor
neural networks
precast concrete
redes neurais
rigidez
stiffness
topic bending moment
concreto pré-moldado
connection
força
force
ligação
mapeamento
mapping
momento fletor
neural networks
precast concrete
redes neurais
rigidez
stiffness
description A presente pesquisa analisa o comportamento de ligações viga-pilar em estruturas de concreto pré moldado, visando diminuir os desafios associados ao tempo e custo de estudos experimentais, com o uso da aplicação de aprendizado de máquina, com foco em redes neurais artificiais. As ligações investigadas corresponderam as 6 tipologias sugeridas pela norma brasileira, complementadas por outras 3 tipologias típicas de estudos internacionais. Para tanto, foi realizada a previsão da capacidade resistentes dessas ligações, considerando o momento de plastificação da armadura negativa, rigidez secante e força última da ligação. O banco de dados utilizado consistiu em parâmetros geométricos, taxas e propriedades gerais de ligações que foram previamente investigadas por outros autores. Na escolha dos parâmetros de entrada para alimentação da rede, realizou-se uma análise estatística para compreender as relações entre os parâmetros de entrada e as variáveis de saída. A implementação das redes neurais artificiais foi realizada com a biblioteca scikit-learn, através da linguagem de programação python. Para avaliar o desempenho dos modelos foram empregados o coeficiente de determinação (R-quadrado), o erro percentual absoluto médio (MAPE) e o erro médio normalizado (RMSE). Os resultados demonstram elevado desempenho dos modelos, com destaque para o mapeamento da força última. Além disso, os valores previstos de momento fletor, rigidez secante e força última foram comparados com os valores experimentais e numéricos de estudos da literatura, apresentando baixa dispersão. No estudo de sensibilidade das três variáveis preditas, verificou-se que os parâmetros que mais impactaram estavam em conformidade com as recomendações da norma brasileira e outros estudos, sendo a armadura de continuidade o que se destaca, com maior relevância para as três variáveis mapeadas. Com isso conclui-se que os modelos desenvolvidos para o mapeamento das variáveis momento fletor, rigidez secante e força última das ligações viga-pilar em concreto pré-moldado, possuem um desempenho elevado, sendo capazes de realizar previsões significativas, desde que os parâmetros de entrada fornecidos estejam dentro do domínio de validade utilizada nesse estudo.
publishDate 2025
dc.date.none.fl_str_mv 2025-03-14
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-09052025-092048/
url https://www.teses.usp.br/teses/disponiveis/18/18134/tde-09052025-092048/
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_ 1844786331157266432