[pt] Na geotecnia, os parâmetros de resistência do solo são essenciais para
qualquer projeto. Os ensaios de campo e laboratório são essenciais, mas ainda
enfrentam muitas limitações práticas e financeiras. Além disso, métodos
tradicionais, apoiados em relações empíricas ou teóricas, frequentemente não
conseguem abranger a complexidade comportamental do solo. Diante disso,
destaca-se a necessidade de explorar alternativas para superar essas barreiras. Neste
contexto, a inteligência artificial surge como uma abordagem inovadora. Este
estudo propõe um modelo preditivo para analisar a curva tensão-deslocamento em
ensaios de cisalhamento direto e tensão-deformação em ensaios de cisalhamento
simples (Direct Simple Shear - DSS) em areia. Após coletar e digitalizar dados de
diversas fontes acadêmicas, formou-se uma base experimental robusta para treinar
três algoritmos de Machine Learning (ML): Support Vector Regression (SVR),
Random Forest (RF) e Feedforward Neural Network (FNN). Foram realizadas
análises comparativas dos modelos, com foco particular na avaliação de métricas
de desempenho e curvas dos ensaios de validação. O RF destacou-se por sua
precisão e confiabilidade. Embora os modelos SVR e FNN tenham demonstrado
utilidade, o RF emergiu como o mais eficaz. Este resultado reforça a viabilidade
dos modelos de ML, particularmente o RF, como ferramentas valiosas para
engenheiros geotécnicos e pesquisadores na previsão do comportamento de areias,
mesmo com um conjunto de dados limitado. / [en] In geotechnics, soil resistance parameters are essential for any project. Field
and laboratory tests are essential, but still face many practical and financial
limitations. Moreover, traditional methods, relying on empirical or theoretical
relationships, often fail to encompass the soil s behavioral complexity. In light of
this, there is a highlighted need to explore alternatives to overcome these barriers.
In this context, artificial intelligence emerges as an innovative approach. This study
proposes a predictive model to analyze the stress-displacement curve in direct shear
tests and stress-strain in Direct Simple Shear (DSS) in sand. After collecting and
digitizing data from various academic sources, a robust experimental base was
formed to train three Machine Learning (ML) algorithms: Support Vector
Regression (SVR), Random Forest (RF), and Feedforward Neural Network (FNN).
Comparative analyses of the models were conducted, with a particular focus on the
evaluation of performance metrics and validation test curves. RF stood out for its
accuracy and reliability. Although the SVR and FNN models demonstrated utility,
RF emerged as the most effective. This result reinforces the viability of ML models,
particularly RF, as valuable tools for geotechnical engineers and researchers in
predicting the behavior of sands, even with a limited data set.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:68591 |
| Date | 11 November 2024 |
| Creators | GLEYCE DE SOUZA BAPTISTA |
| Contributors | MARINA BELLAVER CORTE |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0019 seconds