A Presente dissertação apresenta uma aplicação de Inteligência Computacional na área de Geotecnia, com a utilização da Técnica de Neuro-Fuzzy para indicar a suscetibilidade de escorregamento de taludes no município do Rio de Janeiro, a partir de inspeção visual. Neste trabalho, a suscetibilidade corresponde à possibilidade de ocorrência de escorregamento sem considerar os danos relacionados ao evento. Adotou-se como variável de saída a Previsão de Escorregamento (PE) com três adjetivos que correspondem a Suscetibilidades Alta, Média e Baixa. A metodologia utilizada consistiu em, inicialmente, montar um banco de dados com informações preliminares de análise de estabilidade, com a indicação dos condicionantes de escorregamento relacionados à geomorfologia, pluviosidade, capacidade de drenagem, vegetação e ocupação com seus respectivos graus de suscetibilidades de escorregamento obtidos em um conjunto de Laudos de Vistoria da Geo Rio. O banco de dados foi aplicado em um algoritmo de Neuro-Fuzzy. Diversos testes foram realizados com as alterações dos parâmetros do modelo Neuro-Fuzzy para uma combinação de fatores condicionantes de escorregamento e refinamento do banco de dados. Os testes apresentaram diminuição do erro fornecido pelo programa com o aumento de tipos de condicionantes utilizados no treinamento, o que permite inferir que o escorregamento ocorre por uma complexa relação entre diversos fatores condicionantes. O banco de dados utilizado nos testes apresenta descontinuidades nas relações entre os diversos condicionantes, ou seja, para uma mesma faixa de valores de Altura do talude, não é possível obter uma relação para todas as faixas de outro condicionante e, até mesmo, para todas as faixas da Previsão de Escorregamento. As PEs obtidas na validação do modelo tiveram seus valores próximos aos desejados somente nos conjuntos de variáveis utilizadas para o treinamento. O modelo não foi capaz de apresentar valores de suscetibilidades dentro da faixa de valores utilizados no treinamento para combinação de variáveis com pequenos ruídos, o que indica a necessidade de ampliação do banco de dados tanto quantitativamente quanto qualitativamente de modo a cobrir as descontinuidades apresentadas nas relações entre as variáveis. / This paper is an application of Computational Intelligence in the Geotechnical Engineering, with the use of Neuro-Fuzzy Technique to indicate the susceptibility of landslide slopes in the city of Rio de Janeiro, from visual inspection. In this work, the susceptibility corresponds to the possibility of slipping without considering the damage related to the event. Adopted as the output variable Forecast Slip (PE Previsão de Escorregamento) with three adjectives that correspond to susceptibilities High, Medium and Low. The methodology used was to initially build a database with preliminary information for stability analysis, indicating the slip constraints related to geomorphology, rainfall, drainage capacity, vegetation, and occupation with their respective degrees of susceptibilities slip obtained on a set of the Reports of Condition Geo Rio. The database was implemented in a Neuro-Fuzzy algorithm. Several tests were conducted with the changes of model parameters Neuro-Fuzzy for a combination of conditioning factors of slipping and refinement of the database. The tests showed a decrease of the error provided by the program with increasing types of constraints used in the training, which allows us to infer that the slip occurs by a complex relationship between various conditioning factors. The database used in the tests discontinuities present in relations between the different conditions, ie, for the same range of height values of the slope, it is not possible to obtain a relationship for all the tracks of another condition, and even for all tracks from Forecast Slip. The PEs obtained in the validation of the model values were close to the desired only in sets of variables used for training. The model was not able to present values of susceptibilities in the range of values used in training for the combination of variables with small noise, which presents the need to expand the database so quantitatively and qualitatively in order to cover the discontinuities presented in relations between the variables.

A Presente dissertação apresenta uma aplicação de Inteligência Computacional na área de Geotecnia, com a utilização da Técnica de Neuro-Fuzzy para indicar a suscetibilidade de escorregamento de taludes no município do Rio de Janeiro, a partir de inspeção visual. Neste trabalho, a suscetibilidade corresponde à possibilidade de ocorrência de escorregamento sem considerar os danos relacionados ao evento. Adotou-se como variável de saída a Previsão de Escorregamento (PE) com três adjetivos que correspondem a Suscetibilidades Alta, Média e Baixa. A metodologia utilizada consistiu em, inicialmente, montar um banco de dados com informações preliminares de análise de estabilidade, com a indicação dos condicionantes de escorregamento relacionados à geomorfologia, pluviosidade, capacidade de drenagem, vegetação e ocupação com seus respectivos graus de suscetibilidades de escorregamento obtidos em um conjunto de Laudos de Vistoria da Geo Rio. O banco de dados foi aplicado em um algoritmo de Neuro-Fuzzy. Diversos testes foram realizados com as alterações dos parâmetros do modelo Neuro-Fuzzy para uma combinação de fatores condicionantes de escorregamento e refinamento do banco de dados. Os testes apresentaram diminuição do erro fornecido pelo programa com o aumento de tipos de condicionantes utilizados no treinamento, o que permite inferir que o escorregamento ocorre por uma complexa relação entre diversos fatores condicionantes. O banco de dados utilizado nos testes apresenta descontinuidades nas relações entre os diversos condicionantes, ou seja, para uma mesma faixa de valores de Altura do talude, não é possível obter uma relação para todas as faixas de outro condicionante e, até mesmo, para todas as faixas da Previsão de Escorregamento. As PEs obtidas na validação do modelo tiveram seus valores próximos aos desejados somente nos conjuntos de variáveis utilizadas para o treinamento. O modelo não foi capaz de apresentar valores de suscetibilidades dentro da faixa de valores utilizados no treinamento para combinação de variáveis com pequenos ruídos, o que indica a necessidade de ampliação do banco de dados tanto quantitativamente quanto qualitativamente de modo a cobrir as descontinuidades apresentadas nas relações entre as variáveis. / This paper is an application of Computational Intelligence in the Geotechnical Engineering, with the use of Neuro-Fuzzy Technique to indicate the susceptibility of landslide slopes in the city of Rio de Janeiro, from visual inspection. In this work, the susceptibility corresponds to the possibility of slipping without considering the damage related to the event. Adopted as the output variable Forecast Slip (PE Previsão de Escorregamento) with three adjectives that correspond to susceptibilities High, Medium and Low. The methodology used was to initially build a database with preliminary information for stability analysis, indicating the slip constraints related to geomorphology, rainfall, drainage capacity, vegetation, and occupation with their respective degrees of susceptibilities slip obtained on a set of the Reports of Condition Geo Rio. The database was implemented in a Neuro-Fuzzy algorithm. Several tests were conducted with the changes of model parameters Neuro-Fuzzy for a combination of conditioning factors of slipping and refinement of the database. The tests showed a decrease of the error provided by the program with increasing types of constraints used in the training, which allows us to infer that the slip occurs by a complex relationship between various conditioning factors. The database used in the tests discontinuities present in relations between the different conditions, ie, for the same range of height values of the slope, it is not possible to obtain a relationship for all the tracks of another condition, and even for all tracks from Forecast Slip. The PEs obtained in the validation of the model values were close to the desired only in sets of variables used for training. The model was not able to present values of susceptibilities in the range of values used in training for the combination of variables with small noise, which presents the need to expand the database so quantitatively and qualitatively in order to cover the discontinuities presented in relations between the variables.