[pt] Bandas de cisalhamento ocorrem quando há a localização de deformações inelásticas provenientes de esforços cisalhantes em regiões estreitas de um material. Estas estruturas podem influenciar diretamente nas propriedades dos materiais, além de afetar sua integridade e contribuir para o início de falhas estruturais. Este trabalho apresenta uma metodologia para a caracterização das bandas de cisalhamento na rocha carbonática Indiana Limestone por meio de modelagens numéricas utilizando o método dos elementos finitos (MEF). Ao modelar o fenômeno de localização de deformações, o MEF apresenta algumas limitações como perda da elipticidade das equações governantes, produzindo problemas de convergência e resultados dependentes da discretização de malha. Algumas alternativas para superar estes inconvenientes são apresentadas e discutidas, com especial enfase dada à técnica de regularização viscosa utilizada nas modelagens numericas de ensaios biaxiais e triaxiais. Estudos parametricos e de sensibilidade foram conduzidos para identificar o impacto das propriedades mecânicas na ocorrencia das bandas de cisalhamento. Os resultados mostraram que as propriedades de resistência, o uso de leis de fluxo não associadas e o amolecimento por deformação são os fatores que mais influenciam na iniciação e desenvolvimento das bandas de cisalhamento. / [en] Shear bands occur when inelastic shear deformation localize in narrow regions of the material. These structures can directly influence the properties of materials, in addition to affecting their integrity and contributing to the initiation of structural failures. This study presents a methodology for the characterization of shear bands in Indiana Limestone carbonate rock through numerical modeling using the finite element method (FEM). As it is known, the numerical modeling of strain localization phenomena using FEM has some drawbacks, such as loss of ellipticity of the governing equations, triggering convergence problems and results dependent on the mesh discretization. Some alternatives to overcome these problems are presented and discussed, giving a special emphasis to the viscous regularization technique used in the numerical modeling of biaxial and triaxial tests. Parametric and sensitivity studies were performed to identify the impact of the mechanical properties on the occurrence of shear bands. The results showed that strength properties, non associative flow rules and strain-softening are the factors with larger influence on the initiation and development of shear bands.

[pt] A presente pesquisa tem como foco o desenvolvimento de abordagens híbridas que combinam algoritmos de aprendizado de máquina baseados em conjuntos (ensembles) e técnicas de modelagem e previsão de séries temporais. A pesquisa também inclui o desenvolvimento de heurísticas inteligentes de seleção, isto é, procedimentos capazes de selecionar, dentre o pool de preditores originados por meio dos métodos de conjunto, aqueles com os maiores potenciais de originar previsões agregadas mais acuradas. A agregação de funcionalidades de diferentes métodos visa à obtenção de previsões mais acuradas sobre o comportamento de uma vasta gama de eventos/séries temporais. A tese está dividida em uma sequência de ensaios. Como primeiro esforço, propôsse um método alternativo de geração de conjunto de previsões, o que resultou em previsões satisfatórias para certos tipos de séries temporais de consumo de energia elétrica. A segunda iniciativa consistiu na proposição de uma nova abordagem de previsão combinando algoritmos de Bootstrap Aggregation (Bagging) e técnicas de regularização para se obter previsões acuradas de consumo de gás natural e de abastecimento de energia em diferentes países. Uma nova variante de Bagging, na qual a construção do conjunto de classificadores é feita por meio de uma reamostragem de máxima entropia, também foi proposta. A terceira contribuição trouxe uma série de inovações na maneira pela qual são conduzidas as rotinas de seleção e combinação de modelos de previsão. Os ganhos em acurácia oriundos dos procedimentos propostos são demonstrados por meio de um experimento extensivo utilizando séries das Competições M1, M3 e M4. / [en] This research focuses on the development of hybrid approaches that combine ensemble-based supervised machine learning techniques and time series methods to obtain accurate forecasts for a wide range of variables and processes. It also includes the development of smart selection heuristics, i.e., procedures that can select, among the pool of forecasts originated via ensemble methods, those with the greatest potential of delivering accurate forecasts after aggregation. Such combinatorial approaches allow the forecasting practitioner to deal with different stylized facts that may be present in time series, such as nonlinearities, stochastic components, heteroscedasticity, structural breaks, among others, and deliver satisfactory forecasting results, outperforming benchmarks on many occasions. The thesis is divided into a series of essays. The first endeavor proposed an alternative method to generate ensemble forecasts which delivered satisfactory forecasting results for certain types of electricity consumption time series. In a second effort, a novel forecasting approach combining Bootstrap aggregating (Bagging) algorithms, time series methods and regularization techniques was introduced to obtain accurate forecasts of natural gas consumption and energy supplied series across different countries. A new variant of Bagging, in which the set of classifiers is built by means of a Maximum Entropy Bootstrap routine, was also put forth. The third contribution brought a series of innovations to model selection and model combination in forecasting routines. Gains in accuracy for both point forecasts and prediction intervals were demonstrated by means of an extensive empirical experiment conducted on a wide range of series from the M- Competitions.