Previsão do comportamento de ligações viga-pilar em estruturas de concreto pré-moldado por meio de modelos de redes neurais
| Ano de defesa: | 2025 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| 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 |